Arabic:الذكاء الاصطناعي وتطبيقاته
الذكاء الاصطناعي وتطبيقاته
مقدمة
الذكاء الاصطناعي مجال من علوم الحاسوب يدرس تصميم أنظمة قادرة على تنفيذ مهام تتطلب عادةً قدرات معرفية مثل الاستدلال، والتعلّم من البيانات، وفهم اللغة، والتعرّف على الأنماط، والتخطيط، واتخاذ القرار. لا يعني ذلك أن الآلة تمتلك وعيًا أو فهمًا بشريًا بالضرورة؛ فكثير من أنظمة الذكاء الاصطناعي الحديثة تنجح لأنها تتعلّم علاقات إحصائية معقدة من بيانات كبيرة ثم تستخدمها للتنبؤ أو التوليد أو التصنيف.
هذا المقرر موجّه إلى طلبة الجامعات والمتعلمين في التعليم العالي من تخصصات الحوسبة والهندسة والعلوم والصحة والإدارة والعلوم الإنسانية. يفيدك إلمام أساسي بالجبر والاحتمالات والتفكير الخوارزمي، وتساعدك خبرة أولية في البرمجة، لكنها ليست شرطًا لفهم المفاهيم العامة. ستتعامل مع الذكاء الاصطناعي بوصفه منظومة تجمع البيانات والخوارزميات والحوسبة والتقييم والسياق البشري، لا بوصفه أداة سحرية أو بديلًا تلقائيًا عن الخبرة البشرية.
أهداف التعلم
بعد إتمام هذا المقرر ستكون قادرًا على:
- شرح الفرق بين الذكاء الاصطناعي وتعلم الآلة والتعلم العميق والذكاء الاصطناعي التوليدي.
- التمييز بين التعلم الموجّه وغير الموجّه والتعلم بالتعزيز وربط كل نمط بمسألة مناسبة.
- وصف دورة حياة مشروع تعلم آلي من صياغة المشكلة إلى جمع البيانات والتدريب والتقييم والنشر والمراقبة.
- تفسير الفكرة الأساسية للشبكات العصبية والمحولات والنماذج اللغوية الكبيرة دون اختزالها في تشبيهات مضللة.
- اختيار مقاييس تقييم مناسبة مثل الدقة والاستدعاء والدقة الإيجابية ومعدل الخطأ وفق تكلفة الأخطاء في السياق الحقيقي.
- تحليل تطبيقات الذكاء الاصطناعي في اللغة والرؤية والروبوتات والصحة والعلوم والتعليم والأعمال.
- مناقشة حالات من العالم العربي، ولا سيما تقنيات معالجة العربية والنماذج اللغوية العربية.
- تحديد حدود النماذج، ومنها التحيز والتحول في توزيع البيانات والهلوسة ومشكلات الخصوصية والأمن وقابلية التفسير.
- تطبيق مبادئ الاستخدام المسؤول، بما يشمل الإشراف البشري والشفافية والإنصاف وحماية البيانات والتحقق المستقل.
- تصميم دراسة أو نموذج أولي صغير وتوثيق افتراضاته ومخاطره ونتائجه بطريقة قابلة للمراجعة.
من القواعد الرمزية إلى التعلم من البيانات
نشأ الذكاء الاصطناعي من مسارات متعددة. ركزت أنظمة مبكرة على الذكاء الاصطناعي الرمزي، حيث يكتب البشر قواعد ومنطقًا صريحًا لتمثيل المعرفة والاستدلال. يظل هذا النهج مفيدًا عندما تكون القواعد واضحة ويجب تتبعها بدقة، لكنه يصبح صعب الصيانة عندما تكون البيئة غنية بالاستثناءات أو عندما تكون الأنماط عسيرة الوصف يدويًا.
في المقابل، يتيح تعلم الآلة للنظام استنتاج أنماط من أمثلة. فإذا أردت التنبؤ باحتمال تعثر قرض، أو تصنيف صورة طبية، أو اكتشاف رسائل مزعجة، فإنك تحدد الهدف وتجهز البيانات وتختار خوارزمية وتدرّب نموذجًا ثم تختبره على بيانات لم يرها أثناء التدريب. نجاح النموذج لا يقاس بقدرته على حفظ أمثلة التدريب، بل بقدرته على التعميم على حالات جديدة تشبه البيئة التي سيعمل فيها.
ومن المهم الفصل بين ثلاثة مستويات: المهمة هي ما تريد إنجازه، والخوارزمية هي الإجراء الحسابي المستخدم للتعلم أو الاستدلال، والنموذج هو البنية والمعاملات الناتجة عن التدريب. قد تتشارك تطبيقات مختلفة الخوارزمية نفسها، وقد تُحل المهمة نفسها بعدة نماذج.
فكرة نقدية: لا يكفي أن يبدو خرج النظام مقنعًا. في التطبيقات العلمية أو الطبية أو القانونية أو المالية يجب أن تسأل: ما مصدر البيانات؟ ما معدل الخطأ؟ على أي فئات اختُبر النظام؟ وما تكلفة القرار الخاطئ؟
تعلم الآلة ودورة حياة النموذج
يمكن تنظيم تعلم الآلة في ثلاثة أنماط رئيسية. في التعلم الموجّه توجد أمثلة مدخلة مع تسميات صحيحة، مثل صور موسومة أو معاملات موصوفة بأنها احتيالية أو سليمة. يستخدم التصنيف عندما يكون الهدف فئة، ويستخدم الانحدار عندما يكون الهدف قيمة عددية مستمرة. في التعلم غير الموجّه لا تتوافر تسميات هدف جاهزة، ويبحث النظام عن بنية كامنة مثل العناقيد أو التمثيلات المضغوطة. أما التعلم بالتعزيز فيتعلم فيه وكيل سياسةً لاتخاذ الأفعال من خلال مكافآت أو عقوبات أثناء التفاعل مع بيئة.
دورة العمل العملية تبدأ بصياغة سؤال يمكن قياسه. بعد ذلك تُجمع البيانات وفق أساس قانوني وأخلاقي واضح، ثم تنظف وتوثق، وتُقسم عادةً إلى بيانات تدريب وضبط واختبار. يجب منع تسرب البيانات، أي وصول معلومات من مجموعة الاختبار أو المستقبل إلى مرحلة التدريب بما يعطي نتيجة متفائلة زائفة. بعد اختيار النموذج وضبط معاملاته الفائقة، تقارن نتائجه بخط أساس بسيط، ثم تحلل الأخطاء وتختبر المتانة قبل النشر.
النشر ليس نهاية المشروع. قد يتغير سلوك المستخدمين أو الأجهزة أو الأسواق أو اللغة، فيحدث انجراف البيانات أو انجراف المفهوم. لذلك تحتاج الأنظمة الجادة إلى مراقبة الأداء، وسجل للتغييرات، وآلية للتراجع، وقواعد واضحة للتدخل البشري.
دراسة حالة مصغرة: إذا صممت نموذجًا لفرز طلبات المنح الجامعية، فلا يكفي تحسين متوسط الدقة. ينبغي فحص نسب الأخطاء بين المجموعات، وتحديد ما إذا كانت سمات مثل الموقع أو المؤسسة السابقة تعمل بدائل غير مباشرة لخصائص حساسة، وإتاحة مسار مراجعة بشرية للقرارات المؤثرة في الأفراد.
الشبكات العصبية والتعلم العميق
الشبكة العصبية الاصطناعية تتكون من وحدات حسابية مرتبة في طبقات. تستقبل كل وحدة قيمًا، وتجمعها بأوزان متعلمة، وتطبق دالة تنشيط، ثم تمرر الناتج إلى وحدات أخرى. أثناء التدريب تُقاس الفجوة بين التنبؤ والهدف بواسطة دالة خسارة، ثم تُعدل الأوزان لتقليل الخسارة، غالبًا باستخدام الانتشار العكسي مع أسلوب من أساليب الانحدار المتدرج.
يطلق التعلم العميق على استخدام شبكات ذات طبقات وتمثيلات متعددة قادرة على تعلم خصائص مركبة من البيانات. في الصور، يمكن للطبقات المبكرة التقاط حواف وأنسجة ثم بناء تمثيلات أعلى مستوى. وفي الصوت والنص، تتعلم النماذج تمثيلات متتابعة ودلالية. لكن العمق لا يضمن الجودة: تحتاج النماذج إلى بيانات مناسبة وتقييم صحيح وقدرة حوسبية، وقد تعاني من فرط التوافق أو الحساسية للبيانات الخارجة عن نطاق التدريب.
توضيح مهم: مصطلح «عصبون» هنا استعارة حسابية، وليس ادعاءً بأن الشبكة الاصطناعية تحاكي الدماغ البشري بدقة بيولوجية.
المحولات والنماذج التوليدية
الذكاء الاصطناعي التوليدي يهدف إلى إنتاج محتوى جديد مثل النص والصورة والصوت والبرمجيات، اعتمادًا على أنماط تعلمها من البيانات. في نماذج اللغة الحديثة، تُقسّم النصوص إلى وحدات تسمى رموزًا، ويتعلم النموذج احتمالات تتابع الرموز. لذلك يمكن للنموذج أن يولد نصًا سليم الأسلوب مع بقاء احتمال وقوع معلومات غير صحيحة.
أحدثت بنية المحوّل تحولًا كبيرًا في معالجة اللغة. جوهرها آلية الانتباه التي تسمح للنموذج بترجيح أجزاء مختلفة من السياق عند بناء تمثيل لكل رمز. وتستخدم النماذج اللغوية الكبيرة أعدادًا كبيرة من المعاملات وبيانات واسعة وتدريبًا مكلفًا، ثم قد تمر بمراحل ضبط للتعليمات ومواءمة للسلوك.
النموذج التوليدي لا يسترجع «حقيقة» من قاعدة معرفية ثابتة في كل مرة، بل يولد استجابة احتمالية وفق السياق. لذلك تظهر الهلوسة عندما ينتج تفاصيل غير مدعومة أو مراجع مختلقة أو استنتاجات تبدو معقولة لكنها خاطئة. من وسائل الحد من ذلك ربط النموذج بمصادر موثوقة، وطلب الاستشهادات القابلة للتحقق، واستخدام أدوات بحث أو قواعد بيانات، ومراجعة الخرج بشريًا في القرارات المهمة.
تجربة صفية: اطلب من نموذج توليدي تلخيص ورقة علمية مع ذكر ثلاث نتائج رقمية، ثم قارن كل نتيجة بالنص الأصلي. صنف الأخطاء إلى نقل غير دقيق، أو استنتاج غير مبرر، أو مرجع غير موجود. الهدف ليس «اصطياد» النموذج بل تعلم منهج تحقق قابل للتكرار.
تطبيقات الذكاء الاصطناعي
معالجة اللغة الطبيعية: تشمل الترجمة الآلية، والتلخيص، واستخراج الكيانات، وتحليل المشاعر، والإجابة عن الأسئلة، والمحادثة. اللغة العربية تتطلب عناية خاصة بسبب غناها الصرفي، وغياب التشكيل في معظم النصوص، وتنوع اللهجات، واختلاف أنماط الكتابة بين السياقات الرسمية واليومية.
الرؤية الحاسوبية: تشمل تصنيف الصور، وكشف الأجسام، وتقسيم الصورة إلى مناطق، والتعرف البصري إلى الحروف، وتحليل الفيديو. في الطب يمكن أن تساعد النماذج في قراءة صور الأشعة أو ترتيب الحالات، لكن يجب تقييمها على سكان ومؤسسات متنوعة وألا تُستخدم بديلاً آليًا عن الحكم السريري.
الروبوتات والأنظمة الذاتية: تجمع بين الاستشعار والإدراك والتخطيط والتحكم. السيارة الذاتية مثلًا لا «ترى» بكاميرا فقط؛ بل قد تدمج كاميرات ورادارًا وليدارًا ونظام تحديد موقع، ثم تقدر مواقع الأجسام وتتنبأ بحركتها وتخطط مسارًا ضمن قيود السلامة.
التصنيع: تستخدم الرؤية الآلية لاكتشاف العيوب، وتستخدم الروبوتات في المناولة والتجميع. وقد تضيف تقنيات التعلم الآلي صيانة تنبؤية أو تحسينًا للعمليات، لكن الروبوت الصناعي المبرمج ليس «ذكيًا» لمجرد أنه آلي.
الصحة والعلوم: يمكن للذكاء الاصطناعي دعم اكتشاف أنماط في الصور والسجلات، وفرز الحالات، واكتشاف جزيئات مرشحة، وتحليل البنى الجزيئية. مثال دولي معروف هو AlphaFold الذي يستخدم الذكاء الاصطناعي للتنبؤ ببنى بروتينية، وأسهم في تسريع الوصول إلى تنبؤات بنيوية واسعة النطاق. لا تعني البنية المتنبأ بها أن كل سؤال بيولوجي أو دوائي قد حُل؛ إذ تظل التجارب والتحقق العلمي ضروريين.
التعليم والأعمال: يمكن استخدام الأنظمة في التغذية الراجعة، ودعم الكتابة، والبحث، وتحليل الوثائق، والتنبؤ بالطلب. القيمة الحقيقية تظهر عندما تُعاد هندسة سير العمل وتُحدد مسؤولية الإنسان، لا عند إضافة أداة توليدية إلى عملية سيئة التصميم.
دراسات حالة من العالم العربي
يواجه الذكاء الاصطناعي العربي تحديًا مزدوجًا: الحاجة إلى نماذج قوية، والحاجة إلى بيانات وأدوات تعكس العربية الفصحى واللهجات والسياقات الثقافية المتنوعة. لذلك تعد مشاريع اللغة العربية مجالًا مهمًا لفهم العلاقة بين التقنية والتمثيل اللغوي.
مختبر CAMeL في جامعة نيويورك أبوظبي يعمل في معالجة اللغة العربية، واللغويات الحاسوبية، والترجمة الآلية، وتحليل النصوص، وأنظمة الحوار. وتوضح أعماله أن معالجة العربية ليست مجرد ترجمة أدوات صممت للإنجليزية؛ فالتصريف الغني، والالتباس الناتج عن غياب الحركات، واللهجات، والإملاء كلها تؤثر في التصميم والتقييم.
سلسلة Jais مثال على نماذج لغوية عربية طورت بالتعاون بين جهات بحثية وصناعية في دولة الإمارات. أُطلق Jais في 2023، ثم أعلنت إنسيبشن وسيريبراس وجامعة محمد بن زايد للذكاء الاصطناعي عن Jais 2 في 2025 بوصفه نموذجًا عربيًا مفتوح الأوزان واسع النطاق. القيمة التعليمية لهذه الحالة ليست في تبني وصف تسويقي، بل في دراسة كيف يؤثر حجم البيانات العربية، والمفردات، والتقييم الثقافي، وسياسة الإتاحة في جودة النموذج.
Falcon-H1 Arabic حالة أخرى من أبوظبي؛ أعلن معهد الابتكار التكنولوجي في 2026 عن نموذج عربي يعتمد بنية هجينة تجمع بين مكوّنات من نوع مامبا والمحوّل. تساعد هذه الحالة على مناقشة كفاءة النماذج، وطول السياق، ومعايير المقارنة، وأهمية التحقق المستقل من الادعاءات المنشورة.
وفي المملكة العربية السعودية ظهرت مبادرات وطنية لبناء أدوات ونماذج تخدم العربية والخدمات الرقمية. وفي أنحاء المنطقة تتوسع تطبيقات الذكاء الاصطناعي في الحكومة والصحة والطاقة والتمويل والتعليم. عند دراسة أي مبادرة إقليمية، قارن بين الإعلان والورقة التقنية وبيانات الاختبار، وابحث عن تفاصيل الحوكمة والخصوصية وقابلية الوصول.
سؤال بحثي: إذا تفوق نموذج في العربية الفصحى، فهل يضمن ذلك أداءً متكافئًا في اللهجات الخليجية والمغاربية والمصرية والشامية؟ الإجابة لا. يجب بناء مجموعات اختبار ممثلة، وقياس الأداء بحسب المهمة واللهجة والسياق، وتوثيق مواطن الضعف.
تقييم النماذج وحدودها
يعتمد المقياس المناسب على نوع المشكلة وتكلفة الخطأ. في تصنيف ثنائي توجد أربع حالات: إيجابي صحيح، وإيجابي كاذب، وسلبي صحيح، وسلبي كاذب. الدقة الكلية قد تكون مضللة إذا كانت الفئات غير متوازنة. إذا كانت الحالة الخطرة نادرة، فقد يحقق نموذج يتنبأ دائمًا بأنها غير موجودة دقة مرتفعة لكنه عديم الفائدة. لذلك نستخدم أيضًا الدقة الإيجابية لقياس نسبة التنبؤات الإيجابية الصحيحة، والاستدعاء لقياس نسبة الحالات الإيجابية الحقيقية التي اكتشفها النموذج.
أهم الحدود التي ينبغي فحصها هي:
- التحيز في البيانات: إذا كانت البيانات لا تمثل المجتمع المستهدف، فقد تتفاوت الأخطاء بين الفئات.
- التحول في التوزيع: الأداء في المختبر قد ينخفض عندما تختلف البيئة الحقيقية عن بيانات التدريب.
- الارتباط لا السببية: النموذج قد يلتقط مؤشرًا مرتبطًا بالنتيجة من دون أن يكون سببًا لها.
- قابلية التفسير المحدودة: بعض النماذج المعقدة يصعب تفسير قراراتها تفصيليًا، ما يفرض متطلبات إضافية في المجالات عالية المخاطر.
- الهلوسة: النماذج التوليدية قد تنتج معلومات أو مراجع غير صحيحة بصياغة واثقة.
- الهجمات والأمن: قد تتأثر الأنظمة بمدخلات خبيثة، أو تسريب التعليمات، أو تسميم البيانات، أو إساءة استخدام الواجهات.
- الخصوصية وحقوق البيانات: جمع البيانات وتدريب النماذج واستخدام المخرجات قد يثير مسائل تتعلق بالموافقة والسرية وحقوق الملكية الفكرية.
- الكلفة البيئية والحوسبية: تدريب النماذج الكبيرة وتشغيلها يستهلك طاقة وموارد، لذلك يجب مقارنة الفائدة بتكلفة الحوسبة واختيار أصغر نموذج يحقق المتطلبات متى أمكن.
قاعدة منهجية: لا تقارن نموذجين برقم واحد فقط. افحص البيانات، والفئات الفرعية، وفواصل الثقة عندما تكون مناسبة، واختبارات المتانة، وزمن الاستجابة، والكلفة، ومتطلبات الذاكرة، ثم اربط كل ذلك بالسياق الذي سيستخدم فيه النظام.
الذكاء الاصطناعي المسؤول
الاستخدام المسؤول لا يقتصر على «إضافة سياسة أخلاقية» بعد اكتمال النظام. يجب إدماج الحوكمة منذ تحديد المشكلة. تسلط توصية اليونسكو بشأن أخلاقيات الذكاء الاصطناعي الضوء على حقوق الإنسان والكرامة والشفافية والإنصاف والاستدامة والإشراف البشري. وفي الصحة، تؤكد إرشادات منظمة الصحة العالمية أهمية الاستقلال البشري والسلامة والشفافية والمساءلة والإنصاف.
يمكن تحويل هذه المبادئ إلى أسئلة عملية: من يتأثر بالنظام؟ من يملك سلطة الاعتراض؟ هل يستطيع المستخدم معرفة أنه يتعامل مع نظام آلي؟ ما البيانات التي جُمعت ولماذا؟ هل توجد فئات لم تختبر جيدًا؟ من يتحمل المسؤولية عند الخطأ؟ كيف نوقف النظام أو نتراجع إلى إجراء آمن؟
في الجامعة، ينطبق الاستخدام المسؤول أيضًا على التعلم والبحث. إذا استخدمت أداة توليدية في كتابة أو برمجة أو تحليل، التزم سياسة مؤسستك، وصرّح بالاستخدام عندما يطلب ذلك، ولا تضع بيانات شخصية أو سرية في خدمة غير مصرح بها، ولا تنسب إلى الأداة تأليفًا علميًا أو خبرة لا تملكها. والأهم أن تتحقق من الادعاءات والمراجع والنتائج الحسابية قبل الاعتماد عليها.
مثال على قرار عالي المخاطر: نموذج يقترح تشخيصًا طبيًا أو يرشح طالبًا لمنحة أو يحدد احتمال احتيال مالي لا ينبغي أن يتحول تلقائيًا إلى قرار نهائي من دون ضوابط تناسب مستوى الخطر. كلما زاد الأثر على الحقوق والسلامة، ازدادت الحاجة إلى التوثيق والتحقق الخارجي والمراجعة البشرية وإمكانية الاستئناف.
منهج عملي لمشروع جامعي
ابدأ بتعريف واضح للمشكلة والمستخدم والقرار الذي سيتأثر بالخرج. أنشئ بطاقة بيانات تصف مصدر البيانات وطريقة جمعها والقيود المعروفة، ثم ضع خط أساس بسيطًا قبل تجربة نموذج معقد. افصل مجموعة الاختبار مبكرًا، وسجل التجارب، وحدد مقياس نجاح تقنيًا ومقياسًا للأثر الحقيقي.
بعد التدريب، نفذ تحليل أخطاء نوعيًا: اقرأ أمثلة صحيحة وخاطئة، وابحث عن أنماط منتظمة. اختبر مجموعات فرعية ذات صلة، ومدخلات من خارج التوزيع، وحالات حدودية، ثم وثق ما لا ينبغي للنظام فعله. إذا كان التطبيق توليديًا، اختبر الاستشهادات والهلوسة والحساسية للتعليمات الخبيثة.
قبل النشر، أضف آلية إشراف بشري وسجلًا للأحداث ومؤشرات مراقبة. بعد النشر، راقب الانجراف ومعدلات الخطأ والشكاوى والحوادث. المشروع الجيد ليس الذي يخفي الفشل، بل الذي يجعل حدود النظام مرئية ويمكن التعامل معها.
عرض بحثي مقترح: اختر تطبيقًا من الصحة أو التعليم أو النقل أو اللغة العربية. اعرض خريطة تدفق من البيانات إلى القرار، ثم ضع عند كل مرحلة سؤالًا تقنيًا وسؤالًا أخلاقيًا. بهذه الطريقة تربط هندسة النظام بالمسؤولية الاجتماعية بدل دراستهما منفصلتين.
مصادر موثوقة ودراسات للاستقصاء
يمكنك توسيع دراستك من خلال المصادر التالية، مع مقارنة الادعاءات وعدم الاكتفاء بالمادة الترويجية:
- توصية اليونسكو بشأن أخلاقيات الذكاء الاصطناعي.
- إرشادات منظمة الصحة العالمية حول أخلاقيات وحوكمة الذكاء الاصطناعي للصحة.
- صفحة AlphaFold البحثية ودراسات تطبيقاته.
- أبحاث مختبر CAMeL في معالجة اللغة العربية.
- إعلان ومعلومات Jais 2 من جامعة محمد بن زايد للذكاء الاصطناعي.
- معلومات Falcon-H1 Arabic من معهد الابتكار التكنولوجي.
مهام تفاعلية
اختبار: اختبر معرفتك
ما العلاقة الأدق بين التعلم العميق وتعلم الآلة؟ (التعلم العميق فرع من تعلم الآلة) (!تعلم الآلة فرع من التعلم العميق) (!المجالان لا يرتبطان بالذكاء الاصطناعي) (!التعلم العميق هو قاعدة بيانات فقط)
أي وصف يطابق التعلم الموجّه؟ (التعلم من أمثلة تحتوي مدخلات وتسميات هدف) (!التعلم بلا أي بيانات) (!التعلم من مكافأة فقط داخل بيئة) (!تجميع البيانات عشوائيًا دون هدف)
ما الغرض الأساسي من مجموعة الاختبار؟ (تقدير أداء النموذج على بيانات لم يستخدمها في التدريب) (!زيادة عدد معاملات النموذج) (!اختيار أسماء الفئات) (!حذف جميع الأخطاء من البيانات)
ما الذي تعدله عملية التدريب في الشبكة العصبية؟ (الأوزان لتقليل دالة الخسارة) (!لغة البرمجة تلقائيًا) (!عدد المستخدمين في النظام) (!تعريف المشكلة بعد النشر)
ما الدور المركزي لآلية الانتباه في المحولات؟ (ترجيح أجزاء السياق بحسب صلتها بالتمثيل الجاري) (!تشفير الملفات فقط) (!ضمان صحة كل معلومة مولدة) (!إزالة الحاجة إلى بيانات التدريب)
لماذا قد تكون الدقة الكلية مضللة في بيانات غير متوازنة؟ (لأن نموذجًا يهمل الفئة النادرة قد يحقق دقة مرتفعة) (!لأن الدقة لا تستخدم أعدادًا) (!لأن كل الفئات تصبح متساوية تلقائيًا) (!لأن مجموعة الاختبار لا تحتوي أمثلة)
ما المقصود بهلوسة النموذج التوليدي؟ (إنتاج معلومات غير مدعومة بصياغة تبدو مقنعة) (!تعطل شاشة الحاسوب) (!انخفاض سرعة الإنترنت) (!تحويل كل النصوص إلى صور)
أي إجراء يساعد على تقليل خطر تسرب البيانات؟ (فصل بيانات الاختبار ومنع استخدامها في التدريب والضبط) (!تكرار بيانات الاختبار داخل التدريب) (!اختيار أفضل نتيجة بعد الاطلاع المتكرر على الاختبار) (!حذف التوثيق الخاص بالبيانات)
ما المبدأ الأنسب عند استخدام الذكاء الاصطناعي في قرار عالي المخاطر؟ (إبقاء إشراف بشري وضوابط ومساءلة مناسبة للأثر) (!تحويل كل مخرجات النموذج إلى قرارات نهائية) (!إخفاء وجود النظام عن المتأثرين) (!تجاهل الاختلافات بين الفئات)
لماذا تحتاج نماذج اللغة العربية إلى تقييم مخصص؟ (لأن العربية غنية صرفيًا ومتنوعة لهجيًا وسياقيًا) (!لأن العربية لا يمكن تمثيلها رقميًا) (!لأن كل اللهجات متطابقة تمامًا) (!لأن التقييم لا يعتمد على اللغة)
لعبة الذاكرة
| تعلم موجّه | تعلم من بيانات مرفقة بتسميات هدف |
| تعلم غير موجّه | اكتشاف بنية أو عناقيد دون تسميات هدف جاهزة |
| تعميم | قدرة النموذج على الأداء على أمثلة جديدة مناسبة |
| دالة خسارة | مقياس عددي يعبّر عن مقدار خطأ النموذج أثناء التدريب |
| انتباه | آلية ترجيح عناصر السياق بحسب صلتها |
| هلوسة | توليد محتوى يبدو معقولًا لكنه غير مدعوم أو غير صحيح |
| انجراف البيانات | تغير خصائص البيانات التشغيلية بمرور الوقت |
السحب والإفلات
| طابق المصطلح مع الاستخدام الأنسب | المجال |
|---|---|
| التصنيف | إسناد مثال إلى فئة محددة |
| الانحدار | توقع قيمة عددية مستمرة |
| التجميع | اكتشاف مجموعات متشابهة دون تسميات |
| الرؤية الحاسوبية | تحليل الصور والفيديو |
| معالجة اللغة الطبيعية | تحليل النص والكلام وتوليدهما |
| التعلم بالتعزيز | تعلم سياسة أفعال من مكافآت داخل بيئة |
كلمات متقاطعة
| خوارزمية | ما الاسم الذي يطلق على إجراء حسابي منظم لحل مسألة أو تعلم نمط؟ |
| بيانات | ما المادة التي يتعلم منها نموذج تعلم الآلة عادة؟ |
| تحيز | ما المصطلح الذي يصف نمطًا منهجيًا من عدم الإنصاف في البيانات أو النتائج؟ |
| شبكة | ما الكلمة الأولى في اسم البنية الاصطناعية المكوّنة من طبقات وعقد مترابطة؟ |
| توليد | ما نوع المهمة التي تنتج نصًا أو صورة جديدة بدل تصنيف مدخل فقط؟ |
| روبوتات | ما المجال الذي يدمج الاستشعار والتخطيط والتحكم في آلات تعمل في العالم المادي؟ |
مهام مفتوحة
سهل
- خريطة مفاهيم للذكاء الاصطناعي: أنشئ مخططًا بصريًا يربط الذكاء الاصطناعي بتعلم الآلة والتعلم العميق والذكاء الاصطناعي التوليدي، وأضف مثالًا واقعيًا لكل مستوى.
- تحليل تطبيق يومي: اختر تطبيقًا تستخدمه في هاتفك أو جامعتك وحدد أين قد يدخل الذكاء الاصطناعي وما البيانات التي يحتاجها وما الخطأ الممكن حدوثه.
- مقارنة مقاييس التقييم: ابن جدولًا بسيطًا يوضح الفرق بين الدقة الكلية والدقة الإيجابية والاستدعاء، ثم اشرح أي مقياس تفضله في مثال لكشف مرض نادر ولماذا.
- فيديو توعوي قصير: سجل فيديو لا يتجاوز دقيقتين يشرح لزملائك لماذا تبدو بعض إجابات النماذج التوليدية واثقة رغم احتمال كونها خاطئة، من دون إدراج بيانات شخصية.
متوسط
- تدقيق مخرجات نموذج توليدي: اختبر خمس إجابات في موضوع أكاديمي تعرفه، وتحقق من المراجع والحقائق وصنف الأخطاء ثم اقترح بروتوكول مراجعة قبل الاستخدام.
- دراسة لهجات عربية: صمم مجموعة اختبار صغيرة تضم العربية الفصحى ولهجتين عربيتين، وحدد مهمة لغوية واحدة ومعيارًا لتقييم اختلاف الأداء دون جمع بيانات حساسة.
- مقابلة مهنية حول الذكاء الاصطناعي: أجر مقابلة موثقة بموافقة المشارك مع باحث أو ممارس عن استخدام الذكاء الاصطناعي في مجاله، ثم لخص الفوائد والمخاطر من دون نشر بيانات تعريفية غير لازمة.
- نموذج أولي للتصنيف: استخدم مجموعة بيانات عامة لبناء مصنف بسيط، وافصل التدريب عن الاختبار، وقارن خط أساس بنموذج أكثر تعقيدًا، ثم قدم مصفوفة التباس وتحليل أخطاء.
متقدم
- تدقيق إنصاف خوارزمي: اختر مجموعة بيانات عامة ذات مجموعات فرعية ذات معنى، وقارن معدلات الخطأ بينها، وناقش حدود الاستنتاج وما الإجراءات التصحيحية الممكنة.
- إعادة إنتاج نتيجة بحثية: اختر ورقة مفتوحة حول معالجة اللغة العربية أو الرؤية أو تعلم الآلة، وأعد تنفيذ تجربة محدودة منها قدر الإمكان، ووثق الفروق بين النتيجة الأصلية ونتيجتك.
- تصميم حوكمة لنظام عالي المخاطر: أنشئ وثيقة تتضمن أصحاب المصلحة ومسار القرار والإشراف البشري وآلية الاعتراض ومؤشرات المراقبة وخطة الاستجابة للحوادث لتطبيق صحي أو تعليمي أو مالي.
- مشروع متعدد الوسائط: طور عرضًا بحثيًا يجمع نصًا ورسومًا وبيانات وفيديو قصيرًا لتقييم تطبيق ذكاء اصطناعي من العالم العربي مقابل حالة دولية، مع فصل الادعاءات التسويقية عن الأدلة المستقلة.
مجالات تعلم مرتبطة
مسرد
| المصطلح | التعريف |
|---|---|
| الذكاء الاصطناعي | مجال تصميم أنظمة تنفذ مهامًا تتطلب عادةً قدرات مثل الاستدلال والتعلم والإدراك واللغة. |
| تعلم الآلة | طرق تسمح للنماذج بتعلم أنماط من البيانات لتحسين أداء مهمة محددة. |
| التعلم العميق | فرع من تعلم الآلة يعتمد شبكات عصبية متعددة الطبقات لتعلم تمثيلات معقدة. |
| النموذج | بنية ومعاملات متعلمة تستخدم لتحويل المدخلات إلى تنبؤات أو مخرجات. |
| المعامل | قيمة داخل النموذج تتغير أثناء التدريب لتقليل الخطأ. |
| المحوّل | بنية شبكات عصبية تعتمد على آليات الانتباه لمعالجة السياق بكفاءة. |
| الانتباه | آلية تمنح عناصر مختلفة من السياق أوزانًا متفاوتة أثناء بناء التمثيل. |
| الهلوسة | إنتاج نموذج توليدي لمحتوى غير مدعوم أو غير صحيح مع صياغة تبدو مقنعة. |
| التعميم | قدرة النموذج على الحفاظ على أداء جيد على أمثلة جديدة مناسبة لم يرها أثناء التدريب. |
| التحيز | انحراف منهجي في البيانات أو التصميم أو النتائج قد يؤدي إلى أداء غير منصف أو غير ممثل. |
| مصفوفة الالتباس | جدول يقسم نتائج التصنيف إلى أنواع من التنبؤات الصحيحة والخاطئة لفهم الأخطاء. |
| انجراف البيانات | تغير خصائص البيانات التشغيلية بمرور الوقت مقارنة ببيانات التدريب. |
| الإشراف البشري | ترتيبات تضمن قدرة البشر المؤهلين على المراجعة والتدخل والإيقاف أو الاعتراض عند الحاجة. |
مشروعات aiMOOC
MOOCwiki · Deutsch
Nach dem Lernen ist vor dem Lernen
Entdecke direkt den nächsten Lernkurs. Weitere Inhalte erscheinen, wenn Du weiter nach unten scrollst.
Zur MOOCwiki-HauptseiteMediathek
Mediathek
Mediathek wird aus dem Wiki geladen ...
Keine passenden Inhalte gefunden. Bitte ändere Suche oder Filter.