Arabic:الذكاء الاصطناعي وكيف يعمل

مقدمة

الذكاء الاصطناعي هو اسم لمجموعة من التقنيات التي تمكّن الحاسوب من أداء مهام نربطها عادةً بالذكاء البشري، مثل التعرّف إلى الأنماط، فهم بعض جوانب اللغة، اقتراح محتوى، التنبؤ، أو إنشاء نصوص وصور جديدة. أنت تتعامل مع أنظمة من هذا النوع عندما يقترح لك تطبيق موسيقى قد تعجبك، أو يرتب صورك، أو يحاول فهم ما كتبته في مربع بحث.

لكن كلمة ذكاء قد تكون مضللة إذا تخيلنا أن الحاسوب يفكر ويشعر مثل الإنسان. معظم أنظمة الذكاء الاصطناعي الحالية تتعامل مع أنماط في البيانات وتنتج نتائج وفق ما تعلمته. قد تكون النتيجة مفيدة جدًا، لكنها قد تكون ناقصة أو خاطئة أو متحيزة. لذلك من المهم أن تفهم كيف يعمل النظام، لا أن تثق به لمجرد أنه يجيب بسرعة.

صورة رمزية تربط بين الذكاء الاصطناعي وفكرة الشبكات العصبية

فكرة أساسية: الذكاء الاصطناعي ليس عقلًا سحريًا داخل الحاسوب. إنه برامج ونماذج صممها البشر، وتتأثر بالبيانات والأهداف والاختيارات التي استُخدمت في بنائها.

شاهد هذا الفيديو العربي واختر منه الأجزاء التي تشرح معنى الذكاء الاصطناعي وأمثلة استخدامه مع الصغار:

تحميل الفيديو

يوتيوب

قد يقوم يوتيوب بجمع البيانات الشخصية. سياسة الخصوصية

استمرار تجاهل

لا تحتاج إلى معرفة البرمجة قبل بدء هذه الدورة. يكفي أن تكون قادرًا على مقارنة أمثلة، ملاحظة الأنماط، وطرح سؤال مهم دائمًا: كيف عرف النظام هذه الإجابة؟

أهداف التعلم

بعد إكمال الدورة، ستكون قادرًا على:

1. شرح معنى الذكاء الاصطناعي بلغة بسيطة والتمييز بينه وبين التفكير البشري.
2. وصف الفكرة الأساسية لتعلم الآلة ودور بيانات التدريب.
3. تفسير الفرق بين التدريب واستخدام النموذج بعد التدريب.
4. التعرف إلى الفكرة العامة للشبكات العصبية من دون الدخول في رياضيات معقدة.
5. شرح ما يفعله الذكاء الاصطناعي التوليدي وما الذي لا يضمنه.
6. اكتشاف بعض الأخطاء والتحيزات المحتملة في مخرجات أنظمة الذكاء الاصطناعي.
7. تطبيق قواعد تحمي الخصوصية وتشجع الاستخدام المسؤول والتحقق من المعلومات.

من القواعد إلى التعلم من الأمثلة

قبل تعلم الآلة، يمكننا أن نعطي الحاسوب قواعد واضحة. تخيل برنامجًا يقرر هل تحمل مظلة أم لا. قد نكتب له: إذا كان المطر يهطل، فاقترح المظلة. هذه قاعدة صريحة كتبها إنسان.

لكن بعض المهام صعب أن نكتب لها كل القواعد يدويًا. كيف تشرح للحاسوب جميع الطرق التي يمكن أن تبدو بها قطة في صورة؟ قد تكون القطة صغيرة أو كبيرة، نائمة أو تقفز، مضاءة بقوة أو في الظل. هنا يأتي دور تعلم الآلة: بدل إعطاء البرنامج قاعدة لكل حالة، نعطيه أمثلة كثيرة، فيتعلم نمطًا يساعده على التعامل مع أمثلة جديدة.

مثال قريب منك: إذا أردت بناء نظام يميز صور التفاح عن البرتقال، يمكن أن تعطيه صورًا موسومة باسم الفاكهة الصحيحة. أثناء التدريب يبحث النظام عن علاقات في الألوان والأشكال والملامح. بعد ذلك تختبره بصورة لم يرها من قبل.

تجربة بسيطة بلا حاسوب: مصنف الفاكهة

1. ارسم على بطاقات عشر فواكه مختلفة، واكتب تحت كل بطاقة اسمها الصحيح.
2. أعطِ ثماني بطاقات لزميل يؤدي دور المتعلم، واحتفظ ببطاقتين للاختبار.
3. اطلب من زميلك أن يصف القواعد التي استنتجها للتفريق بين الأنواع.
4. اعرض البطاقتين الجديدتين ولاحظ هل نجحت القواعد أم احتاجت إلى تعديل.

هذه التجربة تشبه فكرة مهمة: بيانات التدريب هي الأمثلة التي يتعلم منها النموذج، وبيانات الاختبار تساعدنا على فحص أدائه على أمثلة لم يستخدمها أثناء التعلم.

يمكنك تلخيص المسار هكذا:

أمثلة وبيانات تدريب ← تدريب ← نموذج متعلم ← إدخال جديد ← مخرجات أو تنبؤ

النموذج ليس نسخة من جدول البيانات، بل تمثيل رياضي تعلم علاقات وأنماطًا. جودة هذه الأنماط تعتمد كثيرًا على جودة البيانات ومدى تنوعها ومدى ارتباطها بالمهمة.

شاهد مثالًا عربيًا على تطبيقات الذكاء الاصطناعي، ثم حاول تحديد أي تطبيقات منه قد تعتمد على التعلم من البيانات:

تحميل الفيديو

يوتيوب

قد يقوم يوتيوب بجمع البيانات الشخصية. سياسة الخصوصية

استمرار تجاهل

ما معنى تدريب نموذج؟

في أثناء التدريب يعرض المطورون على خوارزمية التعلم أمثلة كثيرة. تنتج الخوارزمية تخمينًا، ثم تقارن التخمين بالنتيجة المرغوبة أو بمعيار آخر، وتعدّل أجزاء داخل النموذج حتى تقل الأخطاء تدريجيًا. تتكرر هذه العملية مرات كثيرة.

يمكن تشبيه ذلك بتدربك على رميات كرة السلة. في كل محاولة ترى أين وصلت الكرة، ثم تعدل زاوية يدك وقوة الرمية. أنت لا تحفظ رمية واحدة فقط، بل تحاول تعلّم طريقة تصلح في مواقف متشابهة. النموذج يفعل شيئًا شبيهًا من ناحية تعديل قيم داخلية، لكنه لا يملك جسمًا أو فهمًا بشريًا للتجربة.

بيانات التدريب ليست محايدة تلقائيًا. إذا كانت الأمثلة قليلة، أو غير دقيقة، أو لا تمثل الحالات المختلفة التي سيقابلها النظام، فقد يتعلم نمطًا ضعيفًا. لذلك يحتاج المطورون إلى فحص البيانات والنتائج واختبار النموذج في ظروف متعددة.

تجربة الصف المتحيزة: تخيل أن لديك عشر بطاقات لحيوانات، تسع منها لطيور زرقاء وبطاقة واحدة لطائر بني. إذا تعلم زميلك من هذه المجموعة فقط فقد يظن أن معظم الطيور يجب أن تكون زرقاء. أضف لاحقًا صورًا متنوعة لطيور بألوان وأحجام وبيئات مختلفة. ناقش كيف يغيّر تنوع البيانات توقعاته.

الشبكات العصبية بصورة مبسطة

من الأدوات المستخدمة في تعلم الآلة الشبكات العصبية الاصطناعية. الاسم مستوحى بصورة عامة من فكرة وجود وحدات مترابطة، لكنه لا يعني أن الشبكة نسخة حقيقية من دماغ الإنسان.

تتكون الشبكة عادةً من طبقات من وحدات حسابية مترابطة. تستقبل الطبقة الأولى معلومات، تمرر الطبقات الوسطى إشارات محوّلة، ثم تنتج الطبقة الأخيرة نتيجة. أثناء التدريب تتغير أوزان الروابط حتى تصبح النتائج أفضل بالنسبة إلى المهمة.

مخطط لشبكة عصبية اصطناعية

تخيل شبكة تتعرف إلى رقم مكتوب باليد. وحدات مبكرة قد تستجيب لخطوط وحواف، وطبقات لاحقة تجمع هذه الإشارات في أنماط أكثر تعقيدًا. في النهاية يعطي النموذج درجات لاحتمال أن الصورة تمثل كل رقم. النتيجة ليست يقينًا مطلقًا؛ إنها مبنية على ما تعلمه النموذج.

لا تقع في هذا الخطأ الشائع: وجود شبكة عصبية لا يعني أن النظام واعٍ أو يفهم العالم كما تفهمه أنت. الشبكة تنفذ عمليات حسابية متعلمة من البيانات.

الذكاء الاصطناعي التوليدي

الذكاء الاصطناعي التوليدي هو نوع من الأنظمة يستطيع إنشاء محتوى جديد مثل نص أو صورة أو صوت أو شيفرة برمجية اعتمادًا على أنماط تعلمها من بيانات كثيرة. كلمة جديد لا تعني أن المحتوى صحيح تلقائيًا أو أصليًا في كل معنى ممكن، بل تعني أن النظام يولد مخرجًا بدل أن يكتفي باختيار فئة جاهزة.

رمز لمحتوى مولد بالذكاء الاصطناعي

في نموذج لغوي، تُقسَّم اللغة إلى وحدات صغيرة، ثم يحسب النموذج ما الوحدة التالية المناسبة إحصائيًا استنادًا إلى السياق. يتكرر هذا التنبؤ بسرعة حتى تتكون جملة أو فقرة. لهذا يمكن للنموذج أن يكتب نصًا يبدو طبيعيًا جدًا، لكنه لا يملك ضمانًا داخليًا بأن كل معلومة كتبها صحيحة.

يمكن تلخيص الفرق بمثالين:

نظام تصنيف: يرى صورة ثم يختار فئة مثل قطة أو كلب.

نظام توليدي: يستقبل وصفًا مثل قطة تقرأ في مكتبة ثم ينشئ صورة أو نصًا جديدًا يطابق الوصف قدر الإمكان.

شاهد الشرح العربي القصير التالي للذكاء الاصطناعي التوليدي، ثم اكتب مثالًا واحدًا لمحتوى يستطيع توليده ومثالًا لشيء لا يستطيع ضمان صحته:

تحميل الفيديو

يوتيوب

قد يقوم يوتيوب بجمع البيانات الشخصية. سياسة الخصوصية

استمرار تجاهل

تجربة محاكاة نموذج لغوي: اكتب مع زملائك عشر جمل قصيرة تبدأ بعبارة واحدة، مثل في الصباح أنا. احسب الكلمة التي ظهرت كثيرًا بعد هذه العبارة، ثم استخدم التكرار لتخمين الكلمة التالية في جملة جديدة. هذه ليست طريقة عمل النماذج الكبيرة كاملةً، لكنها توضح فكرة أن الاحتمالات المستفادة من أمثلة كثيرة تساعد في اختيار ما يأتي بعد ذلك.

ماذا يستطيع الذكاء الاصطناعي وماذا لا يستطيع؟

يمكن لأنظمة الذكاء الاصطناعي أن تساعد في تلخيص نص، اقتراح أفكار، ترجمة محتوى، اكتشاف أنماط في صور أو أرقام، إنشاء مسودة، أو تقديم أمثلة للتدريب. بعض الأنظمة ممتازة في مهمة محددة، لكنها قد تكون ضعيفة في مهمة أخرى.

من المهم التمييز بين القدرة والموثوقية. قد يستطيع نظام لغوي كتابة شرح طويل بسرعة، لكن هذا لا يضمن أن الشرح دقيق. وقد يبدو واثقًا حتى عندما تكون إجابته خاطئة.

من الأخطاء المعروفة أن يولد النظام معلومة غير صحيحة أو مرجعًا غير موجود بصياغة تبدو مقنعة. يصف الناس هذا أحيانًا بكلمة هلوسة، والمقصود هنا مخرج خاطئ أو مختلق، لا تجربة بشرية حقيقية.

لماذا تحدث الأخطاء؟ قد يكون السؤال غامضًا، أو تكون البيانات غير كافية، أو يكون النموذج قد تعلم علاقات لا تنطبق على الحالة الجديدة، أو قد يولد نصًا محتملًا لغويًا لكنه غير مطابق للواقع.

اختبار التحقق بثلاث خطوات:

1. حدد الادعاء الذي يمكن فحصه، مثل تاريخ أو اسم أو رقم أو تعريف.
2. ابحث عنه في مصدر موثوق ومستقل، ويفضل أكثر من مصدر إذا كان مهمًا.
3. صحح الإجابة أو ارفضها إذا لم تجد دليلًا يدعمها.

إذا كان القرار يتعلق بالصحة أو السلامة أو القانون أو المال أو مشكلة شخصية خطيرة، فلا تعتمد على مخرج آلي وحده. استخدم شخصًا بالغًا موثوقًا أو مختصًا مناسبًا ومصادر رسمية.

التحيز والإنصاف

التحيز في أنظمة الذكاء الاصطناعي يعني أن بعض الأنماط أو النتائج قد تميل بصورة غير عادلة لمصلحة مجموعة أو ضد أخرى. يمكن أن يدخل التحيز من البيانات، أو طريقة وسمها، أو اختيار الهدف، أو طريقة استخدام النظام، أو ظروف المجتمع نفسه.

تخيل نظامًا لتقييم صور النباتات دُرّب تقريبًا كله على نباتات من منطقة واحدة. عندما يرى نباتات من بيئة مختلفة قد يخطئ أكثر. المشكلة ليست أن الحاسوب قرر أن يكون غير عادل، بل أن ما تعلمه لا يمثل كل الحالات جيدًا.

يمكن أن يصبح أثر التحيز أخطر عندما يستخدم النظام في قرارات تخص أشخاصًا. لذلك يحتاج الذكاء الاصطناعي المسؤول إلى بيانات متنوعة مناسبة، واختبارات تقارن الأداء بين مجموعات وحالات مختلفة، وشفافية، وإشراف بشري، وطريقة للاعتراض على النتائج المهمة.

نشاط الميزان العادل: اصنع مجموعتين من بطاقات الوجوه المرسومة لا صور أشخاص حقيقيين. اجعل المجموعة الأولى متنوعة في أشكال النظارات وتسريحات الشعر وألوان الخلفيات، واجعل الثانية شديدة التشابه. اطلب من زميل أن يستنتج قاعدة تصنيف من كل مجموعة. قارن مدى نجاح القاعدة عندما تقدم له بطاقة جديدة مختلفة. ناقش لماذا يساعد التنوع في كشف قواعد أفضل.

الخصوصية والاستخدام المسؤول

البيانات التي تكتبها في خدمة رقمية قد تكون حساسة. لذلك لا تُدخل في أدوات الذكاء الاصطناعي العامة معلومات شخصية لا تحتاجها المهمة، مثل كلمة المرور، عنوان المنزل، رقم الهاتف، بيانات الهوية، السجلات الصحية، أو أسرار شخص آخر. إذا طلب منك نشاط مدرسي استخدام خدمة خارجية، اتبع قواعد المدرسة وشروط العمر واطلب إشرافًا مناسبًا عند الحاجة.

قاعدة الإشارة الضوئية للبيانات:

أخضر: معلومات عامة غير شخصية، مثل سؤال عن دورة الماء.

أصفر: معلومات قد تكشف عنك بشكل غير مباشر، مثل اسم المدرسة مع تفاصيل دقيقة عن صفك ومواعيدك. توقف وفكر واسأل بالغًا موثوقًا.

أحمر: كلمات المرور والعناوين وأرقام الهواتف والوثائق والبيانات الصحية الخاصة والصور الخاصة. لا تشاركها مع أداة عامة.

الاستخدام المسؤول يعني أيضًا أن تذكر دور الذكاء الاصطناعي عندما يكون ذلك مطلوبًا، وألا تنسب لنفسك عملاً أنجزه النظام وحده، وأن تحترم حقوق الآخرين وقواعد المدرسة. يمكنك استخدام الأداة لتوليد أسئلة تدريبية أو اقتراح أفكار، ثم تفكر وتتحقق وتعيد الصياغة بنفسك.

اسأل نفسك قبل استخدام أي مخرج:

1. هل أفهم ما كتب هنا أم أنني أنقله فقط؟
2. هل تحققت من المعلومات المهمة؟
3. هل شاركت بيانات لا ينبغي مشاركتها؟
4. هل يمكن أن تكون النتيجة متحيزة أو غير منصفة؟
5. من سيتأثر إذا كانت النتيجة خاطئة؟

الخلاصة: أفضل استخدام للذكاء الاصطناعي في التعلم هو أن يكون مساعدًا يوسّع أسئلتك وتجاربك، لا بديلًا عن التفكير والحكم البشري.

مصادر موثوقة للتوسع

يمكنك الرجوع مع معلم أو ولي أمر إلى إرشادات اليونيسف حول الذكاء الاصطناعي والأطفال لفهم قضايا السلامة والخصوصية والإنصاف، وإلى إرشادات اليونسكو حول الذكاء الاصطناعي التوليدي في التعليم والبحث لمعرفة مبادئ الاستخدام المتمحور حول الإنسان في التعليم.

مهام تفاعلية

اختبار: اختبر معرفتك

ما الفكرة الأساسية في تعلم الآلة؟ (يتعلم النموذج أنماطًا من أمثلة وبيانات) (!يحصل الحاسوب على مشاعر بشرية) (!يعمل من دون أي بيانات أو قواعد) (!يعرف كل الحقائق تلقائيًا)

ما المقصود ببيانات التدريب؟ (أمثلة تستخدم أثناء تعلم النموذج) (!كلمات المرور التي يحفظها المستخدم) (!النتائج النهائية التي يطبعها النظام فقط) (!صور الزينة في واجهة التطبيق)

لماذا نستخدم بيانات اختبار لم يرها النموذج أثناء التدريب؟ (لفحص أدائه على أمثلة جديدة) (!لزيادة حجم شاشة الحاسوب) (!لإخفاء الأخطاء عن المستخدم) (!لتحويل النموذج إلى إنسان)

أي وصف يناسب الشبكة العصبية الاصطناعية؟ (طبقات من وحدات حسابية مترابطة تتعدل أوزانها أثناء التدريب) (!نسخة مطابقة من دماغ الإنسان) (!جهاز يخزن الإنترنت كله) (!برنامج لا يحتاج إلى تدريب)

ما الذي يميز الذكاء الاصطناعي التوليدي؟ (يمكنه إنشاء محتوى جديد اعتمادًا على أنماط تعلمها) (!يضمن صحة كل معلومة ينتجها) (!يعمل من دون نموذج أو بيانات) (!لا يستطيع التعامل مع اللغة)

لماذا قد يعطي نموذج لغوي إجابة خاطئة تبدو مقنعة؟ (لأنه يولد مخرجات محتملة ولا يضمن الحقيقة في كل مرة) (!لأنه يتحقق دائمًا من كل مصدر قبل الإجابة) (!لأنه يملك ذاكرة بشرية كاملة) (!لأنه لا يستخدم أي أنماط لغوية)

أي تصرف يساعد على التحقق من إجابة مهمة؟ (مقارنتها بمصدر موثوق ومستقل) (!قبولها لأن صياغتها واثقة) (!مشاركتها قبل قراءتها) (!حذف السؤال الأصلي)

كيف يمكن أن يظهر التحيز في نظام ذكاء اصطناعي؟ (من بيانات غير ممثلة أو اختيارات تصميم واستخدام غير عادلة) (!من لون شاشة الحاسوب فقط) (!من سرعة لوحة المفاتيح) (!من عدد الملفات على سطح المكتب)

أي معلومة لا ينبغي إدخالها في أداة ذكاء اصطناعي عامة؟ (كلمة المرور الشخصية) (!تعريف عام لدورة الماء) (!سؤال عن معنى كلمة علمية) (!مسألة حسابية مدرسية بلا بيانات شخصية)

ما الاستخدام المسؤول للذكاء الاصطناعي في التعلم؟ (استخدامه للمساعدة مع الفهم والتحقق واحترام الخصوصية) (!تسليم مخرجاته دائمًا على أنها عمل شخصي كامل) (!تصديق كل إجابة بلا فحص) (!إدخال أسرار الآخرين للحصول على جواب أدق)

لعبة الذاكرة

بيانات التدريب	أمثلة يتعلم منها النموذج أثناء بنائه
النموذج	تمثيل رياضي متعلم يستخدم لإنتاج تنبؤات أو مخرجات
التدريب	عملية تعديل النموذج اعتمادًا على أمثلة ومعيار للأداء
التحيز	ميل قد يؤدي إلى نتائج غير عادلة أو غير ممثلة
الخصوصية	حماية المعلومات الشخصية من الجمع أو الاستخدام غير المناسب
التحقق	فحص الادعاءات بالرجوع إلى مصادر موثوقة

السحب والإفلات

طابق المصطلح مع معناه الصحيح.	الذكاء الاصطناعي
تعلم الآلة	تعلم أنماط من البيانات بدل كتابة قاعدة لكل حالة
بيانات الاختبار	أمثلة جديدة تستخدم لفحص أداء النموذج
شبكة عصبية	طبقات من وحدات حسابية مترابطة
ذكاء توليدي	نظام ينشئ نصًا أو صورة أو محتوى جديدًا
هلوسة	مخرج خاطئ أو مختلق يبدو مقنعًا
إشراف بشري	مراجعة الناس للنتائج والقرارات المهمة

كلمات متقاطعة

خوارزمية	خطوات أو طريقة حسابية يستخدمها الحاسوب لحل مهمة
بيانات	أمثلة ومعلومات يمكن أن يتعلم منها النموذج
تدريب	مرحلة تعديل النموذج ليتحسن في المهمة
نموذج	ما ينتج عن التعلم ويستخدم لاحقًا مع مدخلات جديدة
تحيز	ميل قد يسبب نتائج غير عادلة لبعض الحالات أو المجموعات
خصوصية	مبدأ يحمي معلوماتك الشخصية من الاستخدام غير المناسب

مهام مفتوحة

سهل

1. خريطة الذكاء من حولك: ارسم خريطة لخمسة تطبيقات رقمية تستخدمها أو تعرفها، واكتب بجانب كل واحد مهمة قد يستخدم فيها الذكاء الاصطناعي ومهمة لا تحتاج إليه.
2. مصنف ورقي: أنشئ بطاقات لفاكهة أو حيوانات، واستخرج قاعدة تصنيف من مجموعة تدريب صغيرة ثم اختبرها على بطاقات جديدة وسجل الأخطاء.
3. محقق الحقائق: اختر ثلاثة ادعاءات بسيطة من نص مولد أو من زميل، وافحصها في مصادر موثوقة ثم صنفها إلى صحيح أو يحتاج تصحيحًا أو غير مؤكد.
4. إشارة الخصوصية: صمم ملصقًا بثلاثة ألوان يوضح أمثلة لبيانات آمنة نسبيًا وبيانات تحتاج حذرًا وبيانات لا ينبغي إدخالها في أداة عامة.

متوسط

1. بيانات متوازنة: أنشئ مجموعتين صغيرتين من رسومات آمنة لموضوع واحد، إحداهما متنوعة والأخرى غير متنوعة، ثم قارن القواعد التي يتعلمها زميل من كل مجموعة.
2. مختبر التوليد: اكتب ثلاث تعليمات مختلفة لنفس مهمة الكتابة باستخدام أداة مسموحة أو بمحاكاة صفية، وقارن كيف يغير السياق والتفصيل جودة المخرج من دون إدخال بيانات شخصية.
3. دفتر الأخطاء: اجمع أربعة أنواع من الأخطاء المحتملة مثل معلومة مختلقة أو سوء فهم أو تعميم زائد أو إجابة قديمة، واكتب طريقة مناسبة لاكتشاف كل نوع.
4. مقابلة قصيرة: قابل معلمًا أو أحد أفراد الأسرة واسأله عن فائدة واحدة ومخاطرة واحدة للذكاء الاصطناعي، ثم لخّص الإجابات من دون نشر بيانات شخصية عنه.

متقدم

1. تدقيق إنصاف مصغر: صمم سيناريو لنظام تصنيف مدرسي خيالي، وحدد أين قد يدخل التحيز في البيانات أو الهدف أو الاختبار واقترح ثلاث وسائل لتقليله.
2. نموذج على الورق: صمم مخططًا لنظام يتعرف إلى أنواع نفايات لإعادة التدوير، وحدد بيانات التدريب والمدخل والمخرج وطريقة الاختبار والإشراف البشري.
3. مناظرة الاستخدام المسؤول: كوّن فريقين يناقشان متى يكون استخدام الذكاء الاصطناعي في الواجبات مساعدة مشروعة ومتى يصبح بديلاً غير مناسب عن تعلم الطالب، ثم اكتبوا قواعد صفية مشتركة.
4. فيديو دقيقة واحدة: أنشئ فيديو أو عرض صور قصيرًا يشرح لطلاب أصغر منك قاعدة تحقق واحدة وقاعدة خصوصية واحدة وخطر تحيز واحد، مستخدمًا أمثلة من صنعك فقط.

مجالات تعلم مرتبطة

الذكاء الاصطناعي وكيف يعمل تعلم الآلة والبيانات الخوارزميات وحل المشكلات علم البيانات الأمن والخصوصية الرقمية أخلاقيات التقنية والإنصاف البرمجة وعلوم الحاسوب

مسرد

الذكاء الاصطناعي: تقنيات وبرامج تؤدي مهام مثل التعرف إلى الأنماط أو التنبؤ أو التوليد، من دون أن يعني ذلك وجود عقل بشري داخل الحاسوب.

تعلم الآلة: أسلوب يبني نموذجًا يتعلم أنماطًا من البيانات ليستخدمها مع أمثلة جديدة.

بيانات التدريب: الأمثلة التي تستخدم أثناء عملية تعلم النموذج.

بيانات الاختبار: أمثلة منفصلة تساعد على قياس أداء النموذج بعد التدريب.

النموذج: تمثيل رياضي متعلم يحول مدخلات جديدة إلى تنبؤات أو مخرجات.

الشبكة العصبية الاصطناعية: نوع من النماذج يتكون من طبقات وحدات حسابية مترابطة تتغير أوزانها أثناء التدريب.

الذكاء الاصطناعي التوليدي: أنظمة تنشئ محتوى جديدًا مثل النصوص أو الصور اعتمادًا على أنماط تعلمتها.

الهلوسة: مخرج خاطئ أو مختلق ينتجه النظام بصياغة قد تبدو مقنعة.

التحيز: ميل في البيانات أو النظام أو الاستخدام قد يقود إلى نتائج غير عادلة أو غير ممثلة.

الخصوصية: حماية المعلومات الشخصية والتحكم في جمعها واستخدامها ومشاركتها.

الإشراف البشري: مراجعة البشر للنتائج والقرارات، خصوصًا عندما تكون الأخطاء ذات أثر مهم.

التحقق: فحص الادعاءات بالرجوع إلى أدلة ومصادر موثوقة ومستقلة.