ما هو الذكاء الاصطناعي وتعلّم الآلة بالعربي

هذه الصفحة هي نقطة البداية لمسار الذكاء الاصطناعي. هدفها أن تخرج منها بفهم واضح لمعنى الذكاء الاصطناعي (Artificial Intelligence) وعلاقته بـتعلّم الآلة (Machine Learning)، قبل أن ندخل في التفاصيل والأدوات.

نبدأ من الأوسع إلى الأضيق: ما هو الذكاء الاصطناعي كحقل، ثم ما هو تعلّم الآلة كأكثر فروعه تطبيقًا، ثم الفرق العملي عن البرمجة التقليدية.

ما هو الذكاء الاصطناعي؟

الذكاء الاصطناعي (Artificial Intelligence - AI) هو حقل واسع في علوم الحاسوب يبحث في بناء أنظمة قادرة على أداء مهام تتطلب عادةً ذكاءً بشريًا: فهم اللغة، التعرف على الصور، اتخاذ قرارات، التعلم من الخبرة.

ملاحظة مهمة عن المصطلح: كلمة "ذكاء" هنا لا تعني "وعي" أو "فهم" بالمعنى البشري. هي وصف وظيفي: النظام يتصرف بطريقة تتطلب ذكاءً عند ملاحظة نتائجه، لا أنه يفهم ما يفعل.

أنواع الأنظمة التي تقع تحت هذا المظلة:

الأنظمة التي تتخذ قرارات في بيئات غير مؤكدة (مثل سيارة ذاتية تقود في شارع مزدحم).
الأنظمة التي تتعرف على أنماط في بيانات غير منظمة (مثل التعرف على الكلام أو الصور).
الأنظمة التي تولد محتوى جديدًا (مثل النماذج اللغوية الكبيرة التي تكتب نصوصًا أو ترسم صورًا).

كل ما سبق تقريبًا يعتمد اليوم على فرع واحد من فروع الذكاء الاصطناعي — وهو تعلّم الآلة.

ما هو تعلّم الآلة؟

تعلّم الآلة (Machine Learning - ML) هو فرع من الذكاء الاصطناعي يجعل الحاسوب يتعلّم أنماطًا من البيانات بدلًا من أن نكتب له قواعد صريحة لكل حالة.

في البرمجة العادية، أنت من يكتب القاعدة: «إذا احتوى البريد على عبارة اربح المال الآن فهو مزعج». في تعلّم الآلة، تعطي الحاسوب آلاف الأمثلة على رسائل مزعجة وغير مزعجة، فيكتشف هو بنفسه القاعدة (النمط) الذي يميّز بينها.

تعلّم الآلة = برمجة بالأمثلة بدلًا من البرمجة بالقواعد.

تعلّم الآلة هو الأساس الذي تقوم عليه معظم أنظمة الذكاء الاصطناعي التي نستخدمها اليوم: من فلاتر البريد المزعج، إلى ترشيحات الفيديو، وصولًا إلى النماذج اللغوية الكبيرة.

لماذا وُجد تعلّم الآلة؟

بعض المسائل يصعب — أو يستحيل — حلّها بقواعد مكتوبة يدويًا:

مسائل معقّدة جدًا: كيف تكتب قاعدة صريحة تميّز صورة قطة عن صورة كلب؟ الاختلافات لا حصر لها (إضاءة، زاوية، سلالة...).
مسائل تتغيّر باستمرار: مرسلو البريد المزعج يبدّلون أساليبهم يوميًا؛ القواعد الثابتة تتقادم بسرعة.
مسائل تعتمد على كمّ هائل من العوامل: التنبؤ بسعر منزل يعتمد على المساحة والموقع والعمر وعشرات العوامل المتشابكة.

في هذه الحالات، بدل أن نطارد الاستثناءات بقواعد لا تنتهي، ندع النموذج يستنتج النمط من البيانات نفسها.

تعلّم الآلة مقابل البرمجة التقليدية

هذا هو الفرق الأهم الذي يجب أن تخرج به من هذه الصفحة.

البرمجة التقليدية: المدخلات = بيانات + قواعد → المخرجات = النتيجة.

# نكتب القاعدة بأنفسنا
def is_spam(email):
    if "اربح المال" in email or "مجانا 100%" in email:
        return True
    return False

المشكلة: أي أسلوب جديد للمرسِل يتطلّب منك تعديل الكود يدويًا.

تعلّم الآلة: المدخلات = بيانات + الإجابات الصحيحة (أمثلة) → المخرجات = القاعدة (النموذج).

نعطي الخوارزمية آلاف الرسائل مع تصنيف كل منها (مزعجة / غير مزعجة)، فتُنتج نموذجًا يستطيع تصنيف رسائل جديدة لم يرها من قبل. حين يظهر أسلوب جديد للبريد المزعج، نعيد التدريب على بيانات محدّثة بدل تعديل القواعد يدويًا.

	البرمجة التقليدية	تعلّم الآلة
ماذا نعطي؟	بيانات + قواعد	بيانات + إجابات صحيحة
ماذا نحصل؟	نتائج	قاعدة (نموذج)
من يكتب المنطق؟	المبرمج	الخوارزمية تتعلّمه
عند التغيّر	نعدّل الكود	نعيد التدريب

البيانات والنموذج: المكوّنان الأساسيان

البيانات (Data): مجموعة الأمثلة التي يتعلّم منها النموذج. كل مثال يتكوّن من:
- سمات (Features): الخصائص التي نصف بها المثال (مثلًا: مساحة المنزل، عدد الغرف، الحي).
- تسمية (Label): الإجابة الصحيحة المطلوب التنبؤ بها (مثلًا: سعر المنزل). لا توجد التسميات في كل أنواع التعلّم كما سنرى.
النموذج (Model): هو حصيلة التعلّم — دالّة رياضية بمعاملات (Parameters) ضُبطت أثناء التدريب لتحوّل السمات إلى تنبؤ.

القاعدة الذهبية: جودة النموذج لا تتجاوز جودة بياناته. بيانات منحازة أو ناقصة تُنتج نموذجًا منحازًا أو ضعيفًا مهما كانت الخوارزمية متطوّرة.

التدريب والاستدلال

مرحلتان أساسيتان في حياة أي نموذج:

التدريب (Training): نُمرّر البيانات المعروفة إلى الخوارزمية، فتضبط معاملات النموذج تدريجيًا لتقليل الخطأ بين تنبؤاته والإجابات الصحيحة. هذه المرحلة تستهلك الوقت والحوسبة.
الاستدلال (Inference): نستخدم النموذج المُدرَّب على بيانات جديدة للحصول على تنبؤ. هذه هي المرحلة التي «يعمل» فيها النموذج فعليًا داخل التطبيق.

القيمة الحقيقية للنموذج تظهر في قدرته على التعميم (Generalization): أداؤه الجيّد على بيانات لم يرها أثناء التدريب، لا مجرّد حفظ الأمثلة القديمة.

أنواع التعلّم الرئيسية

ثلاثة أنماط أساسية (لكل منها صفحات لاحقة في هذا المسار):

التعلّم المُوجَّه (Supervised Learning): نتعلّم من بيانات مُسمّاة (لكل مثال إجابته الصحيحة). مثاله: التنبؤ بسعر منزل، أو تصنيف بريد إلى مزعج/غير مزعج.
التعلّم غير المُوجَّه (Unsupervised Learning): بيانات بلا تسميات؛ يبحث النموذج عن أنماط أو تجميعات (Clusters) بنفسه. مثاله: تقسيم العملاء إلى شرائح متشابهة.
التعلّم المُعزَّز (Reinforcement Learning): يتعلّم النموذج بالتجربة عبر مكافأة وعقاب على أفعاله. مثاله: تعليم برنامج لعب الشطرنج.

ℹ️ لا تحفظ الآن كل خوارزمية؛ يكفي أن تميّز هذه الأنماط الثلاثة ومتى يُستخدم كل منها.

مثال عملي: من البيانات إلى التنبؤ

لنأخذ التنبؤ بسعر منزل (تعلّم مُوجَّه):

نجمع بيانات لمنازل بيعت فعلًا: لكل منزل سماته (المساحة، عدد الغرف، الحي) وسعره الحقيقي (التسمية).
نُدرّب نموذجًا على هذه البيانات ليتعلّم العلاقة بين السمات والسعر.
عند ظهور منزل جديد معروض للبيع، نُدخل سماته إلى النموذج (استدلال) فيُخرج سعرًا متوقّعًا.

لاحظ أننا لم نكتب قاعدة مثل «كل متر مربّع = مبلغ ثابت»؛ النموذج استنتج العلاقة — وهي غالبًا غير خطّية ومتشابكة — من البيانات وحدها.

مفاهيم خاطئة شائعة

«تعلّم الآلة يفهم مثل الإنسان»: لا. النموذج يلتقط ارتباطات إحصائية في البيانات، لا معنى ولا وعيًا. ارتباط ليس فهمًا.
«تعلّم الآلة = ذكاء اصطناعي عام»: النماذج الحالية ضيّقة؛ نموذج تصنيف الصور لا يعرف قيادة سيارة. لا علاقة لهذا بذكاء عام شبيه بالبشر.
«كلما زادت البيانات تحسّن النموذج دائمًا»: الكمّية لا تكفي؛ بيانات رديئة أو منحازة تضرّ النموذج. الجودة والتمثيل أهم من الحجم وحده.
«النموذج موضوعي ومحايد»: النموذج يعكس تحيّزات بياناته. إذا كانت البيانات منحازة، ستكون تنبؤاته منحازة.

حدود تعلّم الآلة

يحتاج بيانات جيّدة وكافية: بلا بيانات ممثّلة، لا تعلّم مفيد.
قد يفشل في التعميم: نموذج «يحفظ» بيانات التدريب ويفشل على الجديد يُقال إنه يعاني من فرط التخصيص (Overfitting).
صندوق أسود أحيانًا: بعض النماذج يصعب تفسير قراراتها، وهو ما يهمّ في مجالات حسّاسة كالطب والائتمان.
ليس الحلّ الأمثل دائمًا: إن كانت القاعدة بسيطة وواضحة، فكتابتها مباشرةً أبسط وأدقّ من تدريب نموذج.

أين تعلّم الآلة داخل الذكاء الاصطناعي؟

لفهم الصورة الكبيرة، راجع الصفحة المخصّصة لذلك:

الفرق بين AI و ML و Deep Learning — مقارنة مختصرة للمصطلحات الثلاثة.
أنواع الذكاء الاصطناعي — تقسيم AI حسب القدرات والمدى.
تاريخ الذكاء الاصطناعي — كيف وصلنا إلى هنا.

الخطوات التالية في المسار

بعد هذه الصفحة، المسار يتفرّع إلى اتجاهين متكاملين:

الأساس العملي: إذا لم تكن مرتاحًا مع Python، ابدأ منه — معظم أمثلة الذكاء الاصطناعي مكتوبة به. ثم بيئة Python للذكاء الاصطناعي تشرح venv وJupyter وpip.
الأساس النظري: ثم ارجع إلى أنواع الذكاء الاصطناعي، والفرق بين AI و ML و Deep Learning، وما هو التعلّم العميق كنظرة سريعة قبل الدخول في الخوارزميات.

💡 من المفاهيم الحديثة المرتبطة بربط نماذج اللغة بأدوات وبيانات خارجية: راجع ما هو MCP؟ (Model Context Protocol).

ما هو الذكاء الاصطناعي وتعلّم الآلة؟