ما هو تعلّم الآلة (Machine Learning)؟

تعلّم الآلة (Machine Learning) هو الأساس الذي تقوم عليه معظم أنظمة الذكاء الاصطناعي التي نستخدمها اليوم: من فلاتر البريد المزعج، إلى ترشيحات الفيديو، وصولًا إلى النماذج اللغوية الكبيرة. هذه الصفحة هي نقطة البداية المفاهيمية لمسار الذكاء الاصطناعي؛ الهدف منها أن تفهم الفكرة الجوهرية فهمًا صحيحًا قبل الغوص في الخوارزميات والأدوات.

ما هو تعلّم الآلة؟

تعلّم الآلة هو فرع من الذكاء الاصطناعي (Artificial Intelligence) 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.

بعبارة مختصرة:

تعلّم الآلة = برمجة بالأمثلة بدلًا من البرمجة بالقواعد.

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.

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:

1. التدريب (Training): نُمرّر البيانات المعروفة إلى الخوارزمية، فتضبط معاملات النموذج تدريجيًا لتقليل الخطأ بين تنبؤاته والإجابات الصحيحة. هذه المرحلة تستهلك الوقت والحوسبة.
2. 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):

1. نجمع بيانات لمنازل بيعت فعلًا: لكل منزل سماته (المساحة، عدد الغرف، الحي) وسعره الحقيقي (التسمية).
2. نُدرّب نموذجًا على هذه البيانات ليتعلّم العلاقة بين السمات والسعر.
3. 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.

ما الذي يجب أن تفهمه قبل المتابعة

قبل الانتقال إلى المواضيع التالية، تأكّد أنك تستطيع أن تشرح بكلماتك:

• الفرق بين البرمجة بالقواعد والبرمجة بالأمثلة.
• معنى البيانات، السمات، التسمية، والنموذج.
• الفرق بين التدريب والاستدلال، ولماذا يهمّ التعميم.
• الفرق بين التعلّم المُوجَّه وغير المُوجَّه والمُعزَّز.

الخطوات التالية في المسار: التعلّم العميق (Deep Learning) والشبكات العصبية، ثم النماذج اللغوية الكبيرة (LLMs) وهندسة التلقين (Prompt Engineering). تُبنى معظم هذه الأنظمة بلغة بايثون (Python)، لذا فإتقان أساسياتها خطوة عملية مفيدة.

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