في سوق التمور، وقف زبون أمام بائع خبير وسأله: «كيف عرفت أن هذا سكري وذاك خلاص، وأنت لم تتذوقهما؟». ابتسم البائع وقال: «من كثر ما شفت». لم يحفظ البائع كتابًا عن التمور، ولم يكتب لنفسه قائمة قواعد. لكنه رأى آلاف الحبات حتى صار يلتقط الفرق في اللون والشكل والملمس بنظرة واحدة.
هذه الجملة البسيطة، «من كثر ما شفت»، تختصر الفكرة التي يقوم عليها أغلب الذكاء الاصطناعي الذي تستخدمه اليوم. وفي هذا الدرس الأول من سلسلة تعلّم الذكاء الاصطناعي من الصفر في أكاديمية دجت قو، نشرح لك كيف تتعلم الآلة، بلا معادلات ولا مصطلحات معقدة.
محتويات الدرس
المعرفة شيء… والذكاء شيء آخر
تخيّل موسوعة ضخمة فيها كل أسماء الشوارع في مدينتك. هذه معرفة: معلومات مخزنة تسترجعها متى شئت. والآن تخيّل صديقك الذي يقول لك مساء الخميس: «لا تطلع من هذا الطريق، بيكون زحمة». هو لم يقرأ ذلك في أي موسوعة، لكنه لاحظ مع الوقت أن هذا الطريق يزدحم في هذا التوقيت. هذا أقرب إلى الذكاء: أن تستنتج شيئًا جديدًا من خبرة سابقة.
الحاسوب التقليدي كان ممتازًا في المعرفة: يخزن ويحسب ويسترجع بسرعة هائلة. أما الجديد في الذكاء الاصطناعي فهو أن الآلة صارت قادرة، بدرجة ما، على النوع الثاني: أن تتعامل مع حالة لم ترها من قبل، بناءً على ما رأته.
من القواعد إلى الأمثلة: الفكرة التي غيّرت البرمجة
في البرمجة التقليدية، يكتب المبرمج للحاسوب كل القواعد بالتفصيل. حساب الزكاة مثلًا مهمة مثالية لهذه الطريقة: القواعد واضحة ومحددة، فيكتبها المبرمج مرة واحدة، والحاسوب ينفذها بلا خطأ.
لكن جرّب أن تكتب قواعد تفرّق بها بين خط يد أخيك وخط يد أبيك. أو قواعد تحدد إن كانت حبة التمر ناضجة. ستكتشف سريعًا أن القواعد لا تنتهي، وأن كل قاعدة لها استثناءات. هنا جاءت فكرة تعلّم الآلة (Machine Learning): بدل أن نكتب القواعد، نعطي الآلة آلاف الأمثلة مع إجاباتها الصحيحة، ونتركها تستخرج القواعد بنفسها. تمامًا كما فعل بائع التمور.
النمط: ما تبحث عنه الآلة في كل شيء
كلمة السر في كل هذا هي النمط: علاقة تتكرر في البيانات. والآلة تبحث عنه في كل مكان، وأنت تستفيد من ذلك يوميًا دون أن تنتبه.
عندما تكتب رسالة في جوالك فتظهر لك الكلمة التالية قبل أن تكتبها، فهذه آلة لاحظت نمط الكلمات التي تتبع بعضها في ملايين الجمل. وعندما يرسل لك البنك رسالة يسألك فيها إن كنت أنت من أجرى عملية شراء غريبة من بلد لم تزره، فهذه آلة تعرف «نمط» إنفاقك المعتاد، وتنبهت حين خرجت عملية عنه. وعندما يقدّر تطبيق الخرائط وقت وصولك بدقة، فهو يستند إلى أنماط الزحام في الساعة نفسها من أيام سابقة.
أين تخطئ الآلة؟ حين تحفظ ولا تفهم
لنعد إلى بائع التمور. ماذا لو أنه طوال حياته لم يرَ إلا تمور مزرعة واحدة؟ سيصبح خبيرًا ممتازًا في تمور تلك المزرعة، لكنه قد يخطئ أمام حبات من مزرعة أخرى سُقيت بماء مختلف أو قُطفت في موسم آخر. لقد «حفظ» تمور مزرعته، ولم يتعلم الصفات العامة التي تصلح لكل تمر.
وهذا بالضبط ما يحدث للآلة أحيانًا. فالعلماء يسمّون قدرتها على التعامل الصحيح مع أمثلة جديدة لم ترها «التعميم» (Generalization)، ويسمّون فشلها فيه «فرط التخصيص» (Overfitting): أن يحفظ النموذج بيانات التدريب بتفاصيلها، فينجح فيها نجاحًا باهرًا، ثم يتعثر أمام الواقع. ولهذا يختبر المطورون النماذج دائمًا على بيانات لم تُستخدم في تدريبها.
والدرس هنا مهم لك كمستخدم أيضًا: الآلة لا تعرف إلا ما يشبه ما رأته. فإن كانت بياناتها ناقصة أو من بيئة واحدة، فستكون أحكامها ناقصة كذلك، وهذا ما سنفصله في درس قادم عن التحيّز.
ثلاثة أسئلة تفهم بها أي نظام ذكي
الآن بعد أن عرفت كيف تتعلم الآلة، تستطيع أن تنظر إلى أي تطبيق ذكي بعين مختلفة. اسأل نفسك ثلاثة أسئلة: من أي أمثلة تعلّم؟ فالنظام الذي تعلّم من نصوص إنجليزية في الغالب قد لا يفهم لهجتك جيدًا. ثم: هل جُرّب على حالات تشبه حالتي؟ فالنظام الناجح في بلد قد يتعثر في بلد آخر. وأخيرًا: من يراجع أخطاءه؟ فأي نظام يتخذ قرارات مهمة، كقبول قرض أو تشخيص مرض، يحتاج إنسانًا يراجع ويصحح.
هذه الأسئلة لا تحتاج خبرة تقنية، لكنها تجعلك مستخدمًا واعيًا يعرف متى يثق بالآلة ومتى يتحقق بنفسه.
من تجربتي في التعلّم
أكثر ما استوقفني في الوحدة الأولى من الدورة التي أدرسها حاليًا أن الآلة تتعلم بالطريقة نفسها التي نتعلم بها نحن: بتراكم الخبرة. فبعد أكثر من عشرين عامًا في الموارد البشرية والإدارة، أعرف أن القرار الجيد والعمل المتقن لا يأتيان من الكتب وحدها، بل من مواقف كثيرة مررنا بها وتعلمنا منها. والآلة كذلك: آلاف الأمثلة هي التي تصنع النموذج الجيد.
والفرق أن الآلة تختصر هذا التراكم في وقت قصير جدًا، لكنها تتعلمه في النهاية منا نحن البشر: من نصوصنا وصورنا وقراراتنا. ولهذا خرجت من هذه الوحدة بقناعة واضحة: الإنسان ليس خارج معادلة الذكاء الاصطناعي، بل في قلبها. هو مصدر الأمثلة التي تتعلم منها الآلة، وهو من يراجع أخطاءها ويصححها. فالإنسان هو محور التعلّم في الحالتين: حين يعلّم الآلة، وحين يتعلّم هو نفسه.
خلاصة الدرس
الذكاء الاصطناعي الذي تستخدمه كل يوم لا «يفكر» كما نفكر، ولا يحفظ قواعد كتبها أحد. إنه يتعلم من الأمثلة، ويلتقط الأنماط المتكررة فيها، ثم يحاول تطبيقها على حالات جديدة. وكلما كانت أمثلته أكثر وأكثر تنوعًا، صار أقدر على التعميم، وكلما كانت ناقصة أو متشابهة، زادت أخطاؤه.
وإن أردت نظرة شاملة على الذكاء الاصطناعي وفروعه، فارجع إلى دليلنا: ما هو الذكاء الاصطناعي؟ دليل شامل للمبتدئين.
الدرس التالي: نرافق جوالك في يوم كامل، من المنبّه صباحًا إلى آخر رسالة ليلًا، لنرى كيف تتحول تفاصيل يومك إلى بيانات تتعلم منها الآلة. اقرأ الدرس الثاني: يوم مع جوالك… كيف تتحول تفاصيلك إلى بيانات؟
أسئلة شائعة
هل الآلة «تفهم» فعلًا ما تتعلمه؟
ليس بالمعنى الإنساني. الآلة تكتشف علاقات إحصائية بين الأمثلة وتستخدمها للتنبؤ، لكنها لا تملك وعيًا أو إدراكًا لمعنى ما تفعله. ولهذا قد تبدو ذكية جدًا في موقف، ثم ترتكب خطأً يراه طفل واضحًا في موقف آخر.
كم مثالًا تحتاج الآلة لتتعلم؟
يختلف ذلك حسب صعوبة المهمة. بعض المهام البسيطة تكفيها مئات الأمثلة، أما النماذج الكبيرة التي تكتب وتترجم فتعلمت من كميات ضخمة جدًا من النصوص. والقاعدة العامة أن تنوّع الأمثلة وجودتها أهم من عددها وحده.

