سُمُوّ

    بعد أن فهمنا كيف تتعلّم الآلة، ولماذا أصبح تعلّم الآلة ضرورة لا خيارًا، نصل الآن إلى المستوى الأعمق في هذه الرحلة: التعلّم العميق (Deep Learning) وهو المرحلة التي لم تعد فيها الخوارزميات تكتفي باكتشاف الأنماط السطحية، بل أصبحت قادرة على بناء تمثيلات معقّدة تحاكي جزئيًا طريقة عمل الدماغ البشري .   ما هو التعلّم العميق؟   التعلّم العميق هو فرع متقدّم من تعلّم الآلة، يعتمد على الشبكات العصبية الاصطناعية متعددة الطبقات. بخلاف النماذج التقليدية، لا يعمل هذا النوع من التعلم على مستوى واحد من التحليل، بل يمرّ عبر طبقات متتابعة، حيث تتعلّم كل طبقة تمثيلًا أعمق وأكثر تجريدًا للبيانات .   فعند معالجة صورة، على سبيل المثال، لا “ترى” الشبكة العصبية الوجه دفعة واحدة؛ الطبقات الأولى تلتقط الحواف والخطوط، والطبقات التالية تتعرّف على الأشكال، ثم تتكوّن ملامح أكثر تعقيدًا، إلى أن يصل النظام إلى تمثيل يسمح له بالتعرّف أو التمييز .   الشبكات العصبية: تشابه دون تطابق   استُلهمت الشبكات العصبية من بنية الدماغ البشري، لكنها لا تُعد نسخة ...

    لسنوات طويلة، قامت البرمجة التقليدية على منطق بسيط ظاهريًا : إذا حدث كذا، افعل كذا . هذا المنطق نجح في الأنظمة المغلقة والمحدودة، حيث يمكن حصر الاحتمالات وكتابة القواعد مسبقًا. لكن العالم الحقيقي لا يعمل بهذه الطريقة؛ فهو متغيّر، غير مكتمل، ومليء بالتفاصيل التي يصعب حصرها أو التنبؤ بها بدقة .   السلوك البشري، على سبيل المثال، لا يتبع نمطًا ثابتًا. ما ينجح اليوم قد يفشل غدًا، وما يبدو منطقيًا في سياق قد يصبح غير صالح في سياق آخر. ومع تضخّم البيانات وتنوّع مصادرها، أصبحت القواعد الصلبة عاجزة عن مواكبة هذا التعقيد .   خذ مثال التعرّف على الوجوه . لا يوجد وجهان متماثلان تمامًا، بل إن الوجه الواحد يتغير بفعل العمر، والإضاءة، والتعبير، والزاوية. محاولة كتابة قواعد ثابتة تغطي كل هذه الاحتمالات ليست فقط صعبة، بل شبه مستحيلة. هنا يظهر تعلّم الآلة بوصفه الحل الوحيد القادر على التعامل مع هذا النوع من المشكلات، لأنه لا يبحث عن تطابق كامل، بل عن نمط متكرر وسط الاختلاف .   تعلم الآلة لا يعمل بمنطق اليقين المطلق، بل بمنطق الاحتمال . هو لا يسأل: هل هذا...

    قد نعرف أن للآلة أكثر من طريقة للتعلّم، لكن ما يظل غامضًا هو اللحظة التي يتحوّل فيها هذا التعلّم إلى قرار فعلي. كيف تنتقل الخوارزمية من أرقام صامتة إلى فعل: اقتراح، تصنيف، أو تنبؤ؟   الخوارزمية لا “تختار” كما يختار الإنسان، لكنها ترجّح. كل قرار هو نتيجة موازنة بين احتمالات متعددة، تُبنى داخليًا عبر نموذج رياضي يمثّل الواقع كما تعلّمته الآلة. هذا النموذج ليس نسخة من العالم، بل اختزال ذكي له .   في قلب هذا النموذج، توجد الأوزان والمعاملات التي تتغيّر مع كل تجربة. كل مثال جديد لا يضيف معلومة فقط، بل يعيد ضبط التوازن الداخلي للنظام. هكذا يتكوّن ما يمكن تسميته بـ منطق الخوارزمية: منطق لا يعتمد على الفهم السببي، بل على الترابط الإحصائي .   وعندما تتخذ الخوارزمية قرارًا، فهي لا تقول: “هذا صحيح”، بل: “هذا هو الأكثر احتمالًا”. الفرق هنا جوهري، لأنه يفسّر لماذا قد تُخطئ الأنظمة الذكية أحيانًا، ولماذا تتحسّن مع الوقت .   بهذا المعنى، لا يكمن ذكاء الآلة في المعرفة، بل في قدرتها على التكيّف. هي لا تفهم العالم، لكنها تتعلّم كيف تتصرّف داخله بأقل قدر...

    إذا كان تعلم الآلة هو المحرّك الخفي للذكاء الاصطناعي، فإن فهم أنواعه بعمق يمنحنا مفاتيح قراءة معظم التقنيات الذكية التي تحيط بنا اليوم. فخلف كل توصية، وكل تنبؤ، وكل نظام ذكي، تقف إحدى هذه الآليات أو مزيج منها .   أولًا: التعلم بالإشراف   يُعد هذا النوع الأكثر انتشارًا في التطبيقات العملية. فكرته الأساسية تقوم على وجود بيانات مدخلات تقابلها مخرجات معروفة. من خلال آلاف أو ملايين الأمثلة، تتعلّم الخوارزمية الربط بين السبب والنتيجة، لتصبح قادرة لاحقًا على التنبؤ عند مواجهة حالات جديدة .   تُستخدم هذه الآلية في مهام التصنيف، مثل التمييز بين الرسائل المزعجة وغير المزعجة، وكذلك في التنبؤ الرقمي، كتقدير الأسعار أو توقع الاتجاهات المستقبلية .   ثانيًا: التعلم بدون إشراف   في هذا النمط، لا تُقدَّم للآلة أي إجابات مسبقة. بل تُلقى في بحر من البيانات، وتُترك لتكتشف بنفسها ما الذي يجمع بينها. ما تفعله الخوارزمية هنا ليس “التسمية”، بل الفهم البنيوي للبيانات .   هذا النوع بالغ الأهمية في تحليل البيانات الضخمة، وتجزئة المستخدمين، واكت...

    بعد أن تعرّفنا في المحطة الأولى على مفهوم الذكاء الاصطناعي وأنواعه، يصبح السؤال الأكثر إلحاحًا: كيف تتعلّم الآلة؟ كيف يمكن لنظام غير واعٍ أن يكتسب قدرة على التنبؤ، والتصنيف، واتخاذ القرار؟ هنا تحديدًا يظهر دور تعلم الآلة (Machine Learning) بوصفه القلب النابض لمعظم التقنيات الذكية التي نستخدمها اليوم .   في البرمجة التقليدية، كان الإنسان هو من يضع القواعد خطوة بخطوة، ويزوّد الحاسوب بالبيانات ليخرج بنتائج محددة مسبقًا. أمّا في تعلم الآلة، فالمعادلة تنقلب: نعطي الحاسوب البيانات والنتائج، وهو من يستنتج القواعد بنفسه. هذه النقلة النوعية هي ما جعل الذكاء الاصطناعي ممكنًا على نطاق واسع .   ما هو تعلم الآلة؟   تعلم الآلة هو أحد فروع الذكاء الاصطناعي، يركّز على تطوير خوارزميات تمكّن الأنظمة من التعلّم من البيانات والتجربة، وتحسين أدائها تدريجيًا دون الحاجة إلى تدخل بشري مباشر في كل مرة. النظام لا يُبرمج على “ماذا يفعل”، بل يتعلّم “كيف يقرّر ”.   كيف تتعلّم الآلة؟   يمكن فهم آليات تعلم الآلة من خلال تشبيهها بطرق تعليم الإنسان، حيث تن...

  ​ في هذا الدرس، سنفرق بين ما نعيشه اليوم وما نطمح للوصول إليه مستقبلاً، وسنتعرف على التصنيفين الأساسيين لهذا العلم .   ​ أولاً: التصنيف حسب القدرات (Capabilities) ​ هذا هو التصنيف الأكثر شيوعاً، ويقسم الذكاء الاصطناعي إلى ثلاث درجات : 1)      ​ الذكاء الاصطناعي الضيق أو المحدود (Artificial Narrow Intelligence - ANI) ​ هو النوع الذي نستخدمه حالياً في كل شيء. يُطلق عليه "ضيق" لأنه متخصص في أداء مهمة واحدة فقط ببراعة فائقة، لكنه يفشل تماماً إذا طلب منه فعل شيء خارج تخصصه . ​ أمثلة: مساعد "Siri" ، خوارزميات ترشيح الأفلام في "Netflix" ، أو أنظمة تشخيص أمراض العيون . ​ نقطة الضعف: لا يمكن لمحرك شطرنج عالمي أن يكتب لك قصيدة أو يتحدث معك عن الطقس . 2)      ​ الذكاء الاصطناعي العام (Artificial General Intelligence - AGI) ​ هو "الحلم" الذي يسعى العلماء لتحقيقه. وهو نظام يمتلك ذكاءً يساوي ذكاء الإنسان، بحيث يمكنه تعلم أي مهمة فكرية يستطيع البشر القيام بها . ​ القدرات: يمكنه التخطيط، حل المشكلات المعقدة، التعلم من الخبرات ...

  ​ لم يعد الذكاء الاصطناعي (AI) مجرد مشهد من أفلام الخيال العلمي، بل أصبح المحرك الخفي الذي يوجه عالمنا اليوم؛ من اقتراحات "يوتيوب" التي تشاهدها، إلى التشخيصات الطبية المعقدة، وحتى السيارات التي تقود نفسها. فما هو هذا الكيان الذي يغير وجه البشرية؟   ​ ما هو الذكاء الاصطناعي؟   ​ ببساطة، الذكاء الاصطناعي هو فرع من فروع علوم الحاسوب يهدف إلى بناء أنظمة وبرامج قادرة على محاكاة القدرات الذهنية البشرية. لا يقتصر الأمر على تنفيذ أوامر محددة، بل يشمل التعلم، الاستنتاج، وحل المشكلات . ​ الركائز الأساسية للذكاء الاصطناعي ​ لكي نطلق على نظام ما أنه "ذكاء اصطناعي"، يجب أن يتمتع بقدرات معينة، أهمها : ​ تعلم الآلة (Machine Learning): وهي قدرة النظام على تحسين أدائه تلقائياً من خلال البيانات دون الحاجة لبرمجة صريحة لكل خطوة . ​ التعرف على الأنماط: مثل قدرة الحاسوب على تميز الوجوه في الصور أو فهم الكلام المسموع وتحويله إلى نص . ​ اتخاذ القرار: بناءً على المعطيات المتاحة، يمكن للذكاء الاصطناعي اختيار المسار الأفضل لتحقيق هدف معين .   ​ لماذا نعتمد عليه ا...