مسار الذكاء الاصطناعي وأنماط التعلّم
مسار الذكاء الاصطناعي: من البيانات إلى القرار
كل منتج ذكاء اصطناعي (AI) يمر بالمسار نفسه، وفهمه يكشف أين تنكسر الأمور وأي ادعاءات للمورّدين ينبغي تمحيصها:
- الجمع والتنظيف ← تُجمع البيانات الخام وتُجهَّز، وجودتها هنا تحدد الجودة في كل ما يليها
- التدريب (Training) ← يتعلم النموذج الأنماط من البيانات ثم تُجمَّد أوزانه
- النشر ← يقدّم النموذج المجمَّد استدلالًا (Inference) فوريًا؛ العالم يواصل التغير والنموذج لا يتغير
- حلقة التغذية الراجعة ← تعود النتائج لتغذي إعادة التدريب المستقبلية، وبدونها يصبح النموذج أصلًا تتناقص قيمته
- السؤال الأهم لأي مورّد: هل توجد حلقة تغذية راجعة، أم أن هذه لقطة ثابتة لا تتحسن أبدًا من إشارات بيئة الإنتاج؟
ثلاث طرق يتعلم بها الذكاء الاصطناعي
نمط التعلّم يحدد البيانات التي يحتاجها النموذج، وما يجيده، وأين يفشل. والأنماط الثلاثة كلها مستخدمة في الإنتاج اليوم.
- الموجَّه: يتدرب على أمثلة مُعنوَنة («هذا X، وهذا ليس X»). معظم تعلّم الآلة (Machine Learning) التقليدي يعمل هكذا: فلاتر الرسائل المزعجة والمصنِّفات ونماذج التقييم بالدرجات. دقته تعتمد كليًا على جودة العناوين.
- غير الموجَّه: يكتشف الأنماط دون عناوين، مثل التجميع وكشف الشذوذ واكتشاف البنية. قوته: يلتقط المجهول الذي لم نكن نعرف أننا نجهله. ضعفه: معدلات عالية من الإنذارات الكاذبة دون ضبط دقيق.
- التعزيزي: يتعلم من إشارات المكافأة وهو يجرّب الإجراءات. يُستخدم في الأنظمة الوكيلية وفي مرحلة ما بعد تدريب النماذج اللغوية الكبيرة (RLHF). هكذا تتعلم روبوتات المحادثة أن تكون مفيدة، وهكذا تتفوق أنظمة الذكاء الاصطناعي في الألعاب على البشر.
الشبكات العصبية: طبقات من التحويلات الموزونة
الشبكة العصبية (Neural network) طبقات من الخلايا العصبية الرياضية، تطبّق كل منها تحويلًا موزونًا تتبعه دالة غير خطية. كدّس ما يكفي من الطبقات تستطع الشبكة تقريب دوال بالغة التعقيد، وهذه هي الحيلة كلها. يجري التدريب عبر ثلاث خطوات: التمرير الأمامي (تتدفق البيانات عبر الشبكة ويخرج تنبؤ)، ودالة الخسارة (تقيس مدى خطأ التنبؤ)، والانتشار العكسي (يدفع التصحيحات إلى الخلف عبر الشبكة فيعدّل الأوزان). كرّر ذلك ملايين المرات. النموذج المدرَّب ليس سوى المجموعة النهائية من الأوزان، لقطة مجمَّدة للأنماط المتعلَّمة من البيانات. إنه لا «يعرف» الأشياء بالمعنى البشري، بل يحسب المخرجات المرجّحة إحصائيًا.
المحوّل: لماذا تغيّر كل شيء عام 2017
يُطبَّق التعلّم العميق (Deep Learning) في ثلاثة مجالات: معالجة اللغة الطبيعية (النصوص)، والرؤية الحاسوبية (الصور والفيديو)، والروبوتات والأتمتة (الإدراك والتحكم). وقد غيّرت المجالات الثلاثة كلها معماريةٌ واحدة ظهرت عام 2017: المحوّل (Transformer).
- معالجة اللغة الطبيعية (NLP): فهم النصوص وتوليدها، مثل روبوتات المحادثة والترجمة والتلخيص، وهي أساس النماذج اللغوية الكبيرة (Large Language Models)
- الرؤية الحاسوبية: التعرّف على الصور واكتشاف الأجسام، مثل التصنيف البصري وتحليل لقطات الشاشة وتحليلات كاميرات المراقبة
- الروبوتات والأتمتة: أنظمة الإدراك والملاحة والتحكم
- آلية الانتباه في المحوّل مكّنت النماذج من تعلّم السياق عبر تسلسلات طويلة، فأتاحت القفزة من نماذج المهام الضيقة إلى نماذج لغوية كبيرة واسعة المجالات
- كل ما ظهر منذ 2022 (ChatGPT وClaude وGemini) مبني على هذا الأساس المعماري
كيف ينطبق هذا عليّ؟
المسار يفسّر لماذا تبدو أدوات الذكاء الاصطناعي قديمة أو مخطئة أحيانًا: النموذج لقطة مجمَّدة من وقت التدريب. ونمط التعلّم يفسّر لماذا تبرع بعض الأدوات في رصد الحالات الشاذة بينما تحتاج أخرى إلى أمثلة صريحة. فهم الأمرين يخبرك متى تثق بمخرجات الذكاء الاصطناعي ومتى تتحقق منها.
- قبل الاعتماد على أي أداة ذكاء اصطناعي اسأل: هل هي متصلة بحلقة تغذية راجعة حية، أم أنها لقطة مجمَّدة؟
- «الذكاء الاصطناعي مخطئ في الأحداث الأخيرة» يعني بيانات تدريب قديمة، أي أن المسار بلا حلقة تغذية راجعة
- الأدوات الموجَّهة تحتاج بيانات مُعنوَنة جيدة؛ أما غير الموجَّهة فتكشف الأنماط لكنها تحتاج تفسيرًا بشريًا
- الإجابات الخاطئة الواثقة متوقعة من نظام احتمالي، فالنموذج لا يستطيع أن يعرف متى يكون مخطئًا
المسار ونمط التعلّم معًا يشكّلان إطارك المنظَّم لتقييم المورّدين. أسئلة المسار تكشف الديون التشغيلية، وأسئلة نمط التعلّم تكشف هل يناسب المنتج حالة الاستخدام فعلًا.
- المسار: اسأل المورّد «هل تغذي حلقة التغذية الراجعة النموذج الحي أم دورة التدريب التالية؟»، فالإجابة تكشف خطر تقادم النموذج
- المسار: «من يملك وتيرة إعادة التدريب، أنتم أم نحن؟»، فالفجوات هنا تنبئ باحتكاك تشغيلي وفي الدعم
- نمط التعلّم: «هل لحالة استخدامنا بيانات مُعنوَنة موثوقة؟»، فإن لم تكن، سيضعف أداء التعلّم الموجَّه وتتبعه شكاوى ضجيج UEBA
- نمط التعلّم: «هل دُرّب النموذج على بيئتنا تحديدًا؟»، وهذا يختبر ادعاءات «الذكاء الاصطناعي يعرف بيئتك» بدقة
تصميم المسار واختيار نمط التعلّم قراران معماريان يُتخذان قبل كتابة سطر واحد من كود النموذج، وكلاهما مكلف التغيير لاحقًا.
- أطلق حلقة التغذية الراجعة من اليوم الأول، فالنماذج المجمَّدة تتدهور مع تحوّل توزيع بيانات الإنتاج
- الموجَّه: خطوط ضمان جودة العناوين هي الاستثمار الحقيقي، فالدقة لا تتجاوز جودة العناوين
- غير الموجَّه: حدّد عتبات الشذوذ قبل الإطلاق، فبدون ضبط يصبح حجم التنبيهات عائقًا أمام الإنتاج
- اختيار دالة الخسارة يحدد ما يُحسّنه النموذج، فاجعله اختيارًا مقصودًا لا افتراضيًا
- قيّم على بيانات محجوزة تطابق توزيع الإنتاج، فتقسيمات معايير القياس لا تخبرك شيئًا عن السلوك في العالم الحقيقي
العملاء يشترون النموذج وينسون المسار، ويختارون نمط التعلّم بناءً على ما سمعوا عنه لا على ما تدعمه بياناتهم. والخطآن يتراكمان فينتهيان إلى انحراف وخيبة أمل، فدقّق في الأمرين قبل أن توصي بأي شيء.
- دقّق في اكتمال المسار: هل توجد حلقة تغذية راجعة؟ ومن يملك المراقبة ووتيرة إعادة التدريب؟
- دقّق في جودة العناوين قبل التوصية بالأساليب الموجَّهة، فالعناوين الرديئة تنتج نماذج رديئة مهما كانت المعمارية
- عمليات النشر غير الموجَّهة تحتاج وتيرة ضبط ومراجعة مدمجة في خارطة الطريق، فهي ليست نمطًا يُضبط مرة ويُنسى
- أدرج تكاليف إعادة التدريب والمراقبة في كل نموذج للتكلفة الإجمالية للملكية من اليوم الأول، فهي ليست اختيارية أبدًا، بل تعاني دائمًا نقص التمويل