لم يعد الذكاء الاصطناعي مفهومًا
تقنيًا يقتصر على الباحثين والمبرمجين، بل أصبح جزءًا من الأدوات والخدمات التي
نستخدمها يوميًا. فمن المساعدات الذكية ومحركات البحث إلى إنشاء الصور والفيديو
وكتابة النصوص وتحليل البيانات، تتوسع تطبيقات الذكاء الاصطناعي بسرعة كبيرة.
لكن متابعة هذا المجال قد تصبح مربكة
أحيانًا بسبب العدد الكبير من المصطلحات التي تظهر باستمرار: الذكاء الاصطناعي التوليدي، النماذج اللغوية الكبيرة،
التعلم الآلي، التعلم العميق، الوكلاء الأذكياء، RAG، الرموز Tokens، هندسة الأوامر وغيرها.
فماذا تعني هذه الكلمات؟ وما الفرق
بينها؟
في هذا الدليل نشرح أهم مصطلحات الذكاء الاصطناعي بطريقة مبسطة تساعدك على فهم الأخبار والأدوات
والتطورات التقنية الحديثة دون الحاجة إلى خلفية متقدمة في البرمجة.
1.
الذكاء الاصطناعي
- Artificial Intelligence (AI)
الذكاء الاصطناعي (Artificial Intelligence) هو المجال الواسع الذي يهتم بتطوير
أنظمة حاسوبية قادرة على تنفيذ مهام ترتبط عادة بقدرات بشرية، مثل فهم اللغة،
والتعرف على الصور، وتحليل المعلومات، واتخاذ القرارات أو إنشاء محتوى جديد.
ويُعد AI المصطلح الأشمل في هذه القائمة، إذ
تندرج تحته تقنيات ومجالات عديدة مثل التعلم الآلي والتعلم العميق ومعالجة اللغة
الطبيعية والذكاء الاصطناعي التوليدي.
ولهذا، فعندما تسمع عن برنامج يستطيع
فهم سؤال مكتوب باللغة الطبيعية أو التعرف على محتوى صورة، فأنت أمام أحد تطبيقات
الذكاء الاصطناعي.
2.
التعلم الآلي
- Machine Learning (ML)
التعلم الآلي (Machine Learning) هو أحد فروع الذكاء الاصطناعي،
ويعتمد على تطوير نماذج تستطيع اكتشاف أنماط من البيانات واستخدامها في التنبؤ أو
التصنيف أو اتخاذ قرارات معينة.
بدلًا من كتابة قاعدة برمجية منفصلة
لكل حالة ممكنة، يتم تدريب النموذج باستخدام البيانات حتى يتعلم العلاقات والأنماط
المهمة.
يُستخدم التعلم الآلي في العديد من
المجالات، كاكتشاف الرسائل المزعجة، وأنظمة التوصية، والتنبؤ بالطلب، وتصنيف الصور
وتحليل البيانات.
3.
التعلم العميق
- Deep Learning
التعلم العميق (Deep Learning) هو فرع من التعلم الآلي يعتمد بصورة
أساسية على الشبكات العصبية التي تتكون من طبقات متعددة.
وقد ساهم تطور التعلم العميق في
تحقيق تقدم كبير في التعرف على الصور والكلام، والترجمة الآلية، وفهم اللغة،
وإنشاء النصوص والصور وغيرها.
وبصورة مبسطة يمكن تصور العلاقة هكذا:
الذكاء الاصطناعي ← التعلم الآلي ←
التعلم العميق.
أي أن التعلم العميق جزء من التعلم
الآلي، والتعلم الآلي بدوره جزء من المجال الأوسع للذكاء الاصطناعي.
4.
الشبكات العصبية
- Neural Networks
الشبكات العصبية الاصطناعية (Artificial Neural Networks) هي نماذج حسابية تتكون من وحدات
مترابطة منظمة في طبقات، وتتعلم من البيانات عبر تعديل مجموعة كبيرة من الأوزان
الرقمية أثناء عملية التدريب.
ورغم أن تسميتها مستوحاة تاريخيًا من
الخلايا العصبية، فإن الشبكات العصبية المستخدمة في الحاسوب ليست نسخة رقمية
مطابقة للدماغ البشري.
تدخل الشبكات العصبية اليوم في
العديد من تقنيات الذكاء الاصطناعي المتقدمة، بما في ذلك نماذج اللغة وأنظمة
الرؤية الحاسوبية.
5.
الذكاء الاصطناعي التوليدي - Generative AI
يعتبر الذكاء الاصطناعي التوليدي (Generative AI) من أكثر المصطلحات انتشارًا خلال
السنوات الأخيرة.
وهو يشير إلى نماذج ذكاء اصطناعي
تستطيع إنشاء محتوى جديد استنادًا إلى الأنماط التي تعلمتها أثناء التدريب.
وقد يشمل المحتوى الناتج نصوصًا
وصورًا وبرمجيات وصوتًا وفيديو وغير ذلك.
وتندرج ضمن هذه الفئة تطبيقات
المحادثة الذكية وأدوات إنشاء الصور والموسيقى والفيديو، وهو ما جعل الذكاء
الاصطناعي التوليدي واحدًا من أبرز الاتجاهات التقنية الحديثة.
6.
النموذج اللغوي الكبير
- Large Language Model (LLM)
عند استخدام أدوات المحادثة القائمة
على الذكاء الاصطناعي ستصادف كثيرًا اختصار LLM، وهو اختصار لعبارة Large Language Model أو "النموذج اللغوي الكبير".
النموذج اللغوي الكبير هو نموذج ذكاء
اصطناعي يتم تدريبه على كميات ضخمة من البيانات النصية وغيرها، بحيث يتعلم الأنماط
والعلاقات داخل اللغة ويستطيع معالجة المدخلات وإنتاج مخرجات لغوية مناسبة.
يمكن استخدام هذه النماذج في التلخيص
والترجمة والبرمجة والإجابة عن الأسئلة وتحليل النصوص وإنشاء المحتوى، مع اختلاف
القدرات بحسب النموذج المستخدم.
7.
الرموز
- Tokens
عندما تتعامل مع النماذج اللغوية
ستجد كلمة Tokens كثيرًا.
الـ Token هو وحدة يعالج بها النموذج النص، وقد
تمثل كلمة كاملة أو جزءًا من كلمة أو علامة ترقيم، بحسب اللغة ونظام تقسيم النص
المستخدم.
وهذا مهم لأن حدود السياق وتكلفة
استخدام بعض خدمات الذكاء الاصطناعي عبر واجهات البرمجة يمكن أن تُحسب اعتمادًا
على عدد الرموز الموجودة في المدخلات والمخرجات.
لذلك لا يعني 1000 Token بالضرورة
1000 كلمة.
8.
الأمر أو الموجّه
- Prompt
Prompt هو التعليمات أو المدخلات التي
تقدمها إلى نموذج الذكاء الاصطناعي للحصول على نتيجة معينة.
على سبيل المثال، بدل كتابة:
"اكتب عن
التسويق."
يمكن تقديم تعليمات أكثر تحديدًا مثل:
"اشرح
للمبتدئين خمس طرق يمكن للشركات الصغيرة من خلالها استخدام التسويق بالمحتوى، مع
مثال عملي لكل طريقة."
كلما كانت التعليمات واضحة وتحتوي
على السياق المطلوب، زادت فرصة الحصول على إجابة مناسبة، مع بقاء جودة النتيجة
مرتبطة أيضًا بقدرات النموذج نفسه.
9.
هندسة الأوامر
- Prompt Engineering
هندسة الأوامر (Prompt Engineering) تعني تصميم وصياغة التعليمات بطريقة
تساعد نماذج الذكاء الاصطناعي على تنفيذ المهمة المطلوبة بصورة أفضل.
ولا يتعلق الأمر بوجود كلمات سحرية،
وإنما بتحديد الهدف والسياق والقيود وشكل المخرجات المطلوبة بوضوح.
على سبيل المثال، يمكن تحديد الجمهور
المستهدف، وطول الإجابة، واللغة، والنبرة، والمعلومات التي ينبغي تضمينها.
ومع تطور النماذج وقدرتها على فهم
التعليمات الطبيعية، أصبحت كتابة Prompt جيد تعتمد أكثر على وضوح الطلب
والسياق بدل الاعتماد على قوالب معقدة.
10. Transformer
مصطلح Transformer يشير إلى
بنية للشبكات العصبية ظهرت في البحث العلمي عام 2017، وأصبحت أساسًا لعدد كبير من
نماذج الذكاء الاصطناعي الحديثة.
ساعدت هذه البنية على تحسين قدرة
النماذج على معالجة العلاقات بين عناصر البيانات، خصوصًا في اللغة، ثم توسعت
تطبيقاتها إلى مجالات أخرى.
وعندما تقرأ عن العديد من النماذج
اللغوية الحديثة، فمن المحتمل أن تجد أن بنية
Transformer تلعب
دورًا أساسيًا في طريقة عملها.
11. التدريب - Training
تدريب نموذج الذكاء الاصطناعي هو العملية التي يتعلم خلالها
النموذج الأنماط والعلاقات من البيانات عن طريق تعديل معاملاته الداخلية بهدف
تحسين أدائه في مهمة أو مجموعة من المهام.
يمكن أن تحتاج النماذج الكبيرة إلى
موارد حوسبة هائلة ووقت طويل أثناء التدريب.
بعد ذلك يصبح النموذج قادرًا على
استقبال مدخلات جديدة وتوليد نتائج، وهي مرحلة تعرف عادة باسم Inference.
12. الاستدلال - Inference
Inference هو استخدام النموذج المدرّب لإنتاج
نتيجة بناءً على مدخل جديد.
فعندما ترسل سؤالًا إلى نموذج ذكاء
اصطناعي وتحصل على إجابة، فإن تشغيل النموذج لإنتاج تلك الإجابة يمثل عملية
استدلال.
ولهذا ينبغي التمييز بين مرحلتين:
Training: تعليم النموذج وتطوير قدراته.
Inference: تشغيل النموذج واستخدام ما تعلمه
لإنتاج المخرجات.
13. الضبط
الدقيق -
Fine-Tuning
Fine-Tuning هو تدريب إضافي لنموذج موجود
باستخدام بيانات أو أمثلة مناسبة لغرض معين بهدف تعديل سلوكه أو تحسين أدائه في
مهمة محددة.
فبدل بناء نموذج ضخم من الصفر، يمكن
في بعض الحالات البدء بنموذج مدرب مسبقًا ثم تخصيصه بدرجة أكبر لمجال أو أسلوب
معين.
يستخدم الضبط الدقيق في تطبيقات
عديدة، لكنه ليس الحل المناسب لكل مشروع، إذ يمكن أحيانًا تحقيق النتيجة المطلوبة
عبر التعليمات الجيدة أو تقنيات أخرى مثل RAG.
14. RAG – Retrieval-Augmented Generation
أصبح مصطلح RAG مهمًا في
تطبيقات الذكاء الاصطناعي الحديثة، وهو اختصار لـ Retrieval-Augmented
Generation.
تقوم الفكرة على استرجاع معلومات
مرتبطة بسؤال المستخدم من مصادر أو قاعدة معرفة، ثم توفير تلك المعلومات للنموذج
ليستخدمها أثناء إنشاء الإجابة.
على سبيل المثال، يمكن لشركة إنشاء
مساعد ذكي يستطيع البحث داخل وثائقها الداخلية واسترجاع الأجزاء المرتبطة بالسؤال
قبل صياغة الرد.
تساعد هذه الطريقة على جعل الإجابات
أكثر ارتباطًا بالمصادر المتاحة، لكنها لا تعني أن الأخطاء تصبح مستحيلة.
15. Embeddings
Embeddings أو "التضمينات" هي تمثيلات
رقمية للبيانات داخل فضاء رياضي، بحيث يمكن أن تصبح العناصر المتشابهة في المعنى
أقرب إلى بعضها وفق النموذج المستخدم.
وهي مهمة في تطبيقات مثل البحث
الدلالي وأنظمة التوصية والعثور على النصوص المتشابهة، كما تستخدم كثيرًا ضمن
أنظمة RAG.
فبدل البحث عن التطابق الحرفي
للكلمات فقط، يمكن استخدام Embeddings للبحث بناءً على التقارب الدلالي.
16. نافذة
السياق -
Context Window
نافذة السياق (Context Window) تشير إلى مقدار المعلومات التي
يستطيع النموذج التعامل معها ضمن سياق عملية معينة، وعادة يتم قياسها بالـTokens.
كلما كانت نافذة السياق أكبر، أمكن
للنموذج التعامل مع كمية أكبر من النصوص أو المعلومات في الطلب نفسه، وفق إمكانات
النظام.
لكن نافذة سياق كبيرة لا تعني
تلقائيًا أن النموذج سيستخدم كل معلومة داخلها بالكفاءة نفسها.
17. الهلوسة - Hallucination
من أهم المصطلحات التي ينبغي أن
يعرفها مستخدم الذكاء الاصطناعي مصطلح Hallucination أو
"الهلوسة".
ويصف الحالة التي ينتج فيها النموذج
معلومات تبدو مقنعة لكنها غير صحيحة أو غير مدعومة بالمصادر.
قد يظهر ذلك، على سبيل المثال، في
تاريخ غير صحيح أو اسم مرجع غير موجود أو تفاصيل غير دقيقة.
ولهذا لا ينبغي التعامل مع مخرجات
الذكاء الاصطناعي باعتبارها صحيحة دائمًا، خصوصًا عند استخدامها في المعلومات
الطبية أو القانونية أو المالية أو الأكاديمية وغيرها من المجالات الحساسة.
18. الذكاء
الاصطناعي متعدد الوسائط - Multimodal AI
الذكاء الاصطناعي متعدد الوسائط (Multimodal AI) يشير إلى أنظمة تستطيع التعامل مع
أكثر من نوع من البيانات أو الوسائط.
فبدل الاقتصار على النصوص، قد يتمكن
النظام من معالجة النص والصورة والصوت أو الفيديو، بحسب النموذج والخدمة.
وقد جعل ذلك التفاعل مع أنظمة الذكاء
الاصطناعي أكثر مرونة، إذ يمكن للمستخدم مثلًا تقديم صورة وطرح أسئلة عنها أو
الجمع بين أنواع مختلفة من المدخلات.
19. الوكيل
الذكي- AI Agent
من المصطلحات المهمة كذلك AI Agent أو "وكيل الذكاء الاصطناعي".
بصورة مبسطة، الوكيل هو نظام يعتمد
على نموذج ذكاء اصطناعي ويمكنه استخدام أدوات أو تنفيذ سلسلة من الخطوات لتحقيق
هدف معين، بدل الاكتفاء بإنتاج إجابة نصية واحدة.
قد يتمكن الوكيل، وفق الصلاحيات
والأدوات المتاحة له، من البحث عن معلومات أو التعامل مع ملفات أو استدعاء خدمات
وبرامج أخرى وتنفيذ مهام متعددة المراحل.
ولهذا أصبحت وكلاء الذكاء
الاصطناعي محورًا مهمًا في تطوير تطبيقات أكثر قدرة على تنفيذ المهام المعقدة.
20. AGI – Artificial General Intelligence
يشير اختصار AGI إلى Artificial General Intelligence، ويترجم عادة إلى "الذكاء الاصطناعي
العام".
لا يوجد تعريف واحد متفق عليه
عالميًا لهذا المصطلح، لكنه يُستخدم عادة لوصف ذكاء اصطناعي يمتلك قدرات عامة
وواسعة عبر العديد من المهام والمجالات، بدل أن يكون متخصصًا في نطاق ضيق.
ومن المهم عدم الخلط بين التطور
السريع للنماذج الحالية وبين إثبات الوصول إلى AGI؛ فما يزال تعريفه وطرق قياسه وموعد إمكانية
تحقيقه مواضيع للنقاش بين الباحثين والشركات.
21. مفتوح
المصدر وOpen-Weight
قد تصادف وصف بعض نماذج الذكاء
الاصطناعي بأنها Open Source أو Open-Weight، لكن المصطلحين ليسا مترادفين بالضرورة.
Open-Weight يعني عادة أن أوزان النموذج متاحة للاستخدام وفق ترخيص معين، بينما
"مفتوح المصدر" قد يتطلب شروطًا أوسع تتعلق بإتاحة مكونات وحقوق تسمح
بدراسة النظام وتعديله وإعادة توزيعه وفق تعريف المصدر المفتوح المستخدم.
لذلك من الأفضل الاطلاع على ترخيص كل
نموذج بدل افتراض أن مجرد إمكانية تنزيل أوزانه تعني أنه مفتوح المصدر بالكامل.
22. المعلمات - Parameters
Parameters أو المعلمات هي القيم الداخلية التي
يتعلمها النموذج أثناء التدريب.
تحتوي النماذج الحديثة على أعداد
كبيرة من هذه المعلمات، وهي جزء أساسي من كيفية تمثيل النموذج للأنماط التي تعلمها.
ومع ذلك، فإن عدد المعلمات وحده ليس
مقياسًا كافيًا للحكم على جودة نموذج ذكاء اصطناعي؛ فالتدريب والبيانات والبنية
والتقنيات المستخدمة عوامل مهمة أيضًا.
23. الذكاء
الاصطناعي المسؤول - Responsible AI
مع توسع استخدام الذكاء الاصطناعي،
ازدادت أهمية مفهوم Responsible AI أو
"الذكاء الاصطناعي المسؤول".
يشمل هذا المفهوم مجموعة من المبادئ
والممارسات المتعلقة بتطوير واستخدام أنظمة الذكاء الاصطناعي بطريقة تراعي قضايا
مثل الخصوصية والأمان والشفافية والإنصاف والمساءلة.
وتزداد أهمية هذه القضايا عندما تدخل
أنظمة الذكاء الاصطناعي في مجالات تؤثر بصورة مباشرة في الأفراد والمؤسسات.
لماذا يجب تعلم مصطلحات الذكاء الاصطناعي؟
لا تحتاج إلى أن تصبح متخصصًا في
البرمجة حتى تستفيد من فهم هذه المفاهيم.
معرفة أساسيات الذكاء الاصطناعي
تساعدك على قراءة الأخبار التقنية بصورة أكثر وعيًا، وفهم إمكانات أدوات AI وحدودها،
والتمييز بين المصطلحات التسويقية والتقنيات الفعلية.
كما أن هذه المعرفة أصبحت مفيدة
لأصحاب المواقع والمسوقين والطلاب وصناع المحتوى ورواد الأعمال والمبرمجين وغيرهم،
لأن تطبيقات الذكاء الاصطناعي أصبحت تدخل تدريجيًا في عدد متزايد من المهن
والقطاعات.
ختاما
قد تبدو مصطلحات
الذكاء الاصطناعي كثيرة في
البداية، لكن فهمها يصبح أسهل عندما تعرف العلاقة بينها.
فالذكاء الاصطناعي هو المجال الأشمل،
والتعلم الآلي أحد فروعه، بينما يمثل التعلم العميق أحد الأساليب المهمة في التعلم
الآلي. أما النماذج اللغوية الكبيرة والذكاء الاصطناعي التوليدي فقد أصبحت من أبرز
التطبيقات الحديثة، في حين تساعد مفاهيم مثل Tokens وPrompts وRAG وEmbeddings وContext
Window على فهم
كيفية بناء واستخدام كثير من تطبيقات AI الحالية.
ولا تحتاج إلى حفظ كل هذه المصطلحات
دفعة واحدة. يكفي أن تفهم معناها الأساسي، وستجد أن متابعة أخبار الذكاء الاصطناعي
وتجربة أدواته أصبحت أكثر سهولة.
ومع السرعة الكبيرة التي يتطور بها
هذا المجال، فإن تعلم المفاهيم الأساسية لا يساعدك فقط على فهم التكنولوجيا
الحالية، بل يجعلك أكثر استعدادًا لفهم التقنيات والمصطلحات الجديدة التي ستظهر
مستقبلًا.