ما الذكاء الاصطناعي وتعلم الآلة؟

يريد بنك أن يرصد المعاملات الاحتيالية على البطاقات. الطريقة القديمة كانت كتابة قواعد: امنع أي شراء يتجاوز 5000 دولار، وامنع الشراء من بلدين خلال ساعة، وهكذا. يتعلّم المحتالون القواعد ويتسللون من تحتها، فيظل الفريق يضيف قواعد حتى لا يعود أحد يفهم النظام. الأنماط التي تدل فعلاً على الاحتيال دقيقة ومتحوّلة ومدفونة في ملايين المعاملات. لا يستطيع إنسان أن يكتبها كلها.

هذه هي الفجوة التي يملؤها تعلم الآلة. بدل أن تكتب القواعد بنفسك، تعرض على النظام معاملات سابقة كثيرة مصنّفة "احتيال" أو "مشروعة"، فيستنتج النمط وحده. هذا الانتقال، من كتابة القواعد إلى تعلّمها من البيانات، هو الفكرة كلها خلف المجال الذي بُني عليه هذا الاختبار. يمنحك هذا الدرس المفردات التي يعتمد عليها بقية المقرر.

ما الذكاء الاصطناعي

الذكاء الاصطناعي مصطلح مظلة واسع لأي أسلوب يجعل الآلة تؤدي مهام تحتاج عادة إلى ذكاء بشري. تصف AWS الذكاء الاصطناعي بأنه "مصطلح شامل لاستراتيجيات وتقنيات مختلفة تستخدمها لجعل الآلات أقرب إلى البشر". يشمل ذلك التعرّف على وجه في صورة، أو فهم سؤال منطوق، أو التوصية بفيلم، أو قيادة سيارة.

الذكاء الاصطناعي واسع عن قصد. يغطي الأنظمة القائمة على القواعد (منطق مكتوب يدوياً)، وخوارزميات البحث، وتعلم الآلة، وغيرها. النقطة المهمة للاختبار: ليس كل ما يُسمى ذكاءً اصطناعياً يتعلم من البيانات. منظّم حرارة يتبع جدولاً ثابتاً هو نظام بسيط قائم على القواعد. إنه أتمتة، ويمكن اعتباره ذكاءً اصطناعياً، لكنه ليس تعلم آلة، لأن شيئاً فيه لا يتحسّن بالخبرة.

ما تعلم الآلة

تعلم الآلة فرع من الذكاء الاصطناعي يتعلم الأنماط من البيانات بدل اتباع قواعد كتبها مطوّر بيده. تعرّفه AWS بأنه "علم تطوير الخوارزميات والنماذج الإحصائية التي تستخدمها الأنظمة الحاسوبية لأداء مهام معقّدة دون تعليمات صريحة"، معتمدةً على "الأنماط والاستدلال بدلاً منها".

احتفظ بهذه العبارة: دون تعليمات صريحة. في البرمجة التقليدية تكتب المنطق فيتّبعه الحاسوب. في تعلم الآلة تقدّم البيانات والنتائج المطلوبة، فيُنتج النظام المنطق. خذ تصفية الرسائل المزعجة (spam). النهج القائم على القواعد قائمة مثل "امنع أي رسالة تحتوي 'مال مجاني'". أما نهج تعلم الآلة فهو تغذية النظام بآلاف الرسائل المصنّفة مسبقاً مزعجة أو غير مزعجة، ليتعلم أي تركيبات من الكلمات والمُرسِلين والأنماط تتنبأ بالإزعاج. حين يتطوّر الإزعاج، تعيد التدريب على أمثلة جديدة بدل إعادة كتابة القواعد.

هذه هي المقايضة التي بُني عليها المجال كله: تتخلى عن السيطرة المباشرة على المنطق، وتحصل في المقابل على نظام يتعامل مع أنماط أعقد أو أكثر تحوّلاً من أن تُكتب.

كيف يتلاءم الذكاء الاصطناعي وتعلم الآلة والتعلم العميق والذكاء الاصطناعي التوليدي

هذه المصطلحات الأربعة ليست أشياء منفصلة. تتداخل داخل بعضها من الأكبر إلى الأصغر، وسيختبر الاختبار معرفتك بالترتيب.

• الذكاء الاصطناعي (Artificial Intelligence) هو الحلقة الأبعد. أي أسلوب يجعل الآلات تتصرف بذكاء ينتمي إليه.
• تعلم الآلة (Machine Learning) يقع داخل الذكاء الاصطناعي. هو المجموعة الفرعية التي تتعلم من البيانات. كل تعلم آلة ذكاء اصطناعي، لكن ليس كل ذكاء اصطناعي تعلم آلة.
• التعلم العميق (Deep Learning) يقع داخل تعلم الآلة. هو المجموعة الفرعية التي تستخدم شبكات عصبية بطبقات كثيرة (يغطيه الدرس التالي بالتفصيل). كل تعلم عميق تعلم آلة.
• الذكاء الاصطناعي التوليدي (Generative AI) يقع داخل التعلم العميق. هو المجموعة الفرعية التي تنشئ محتوى جديداً: نصاً وصوراً وصوتاً وكوداً. كل ذكاء اصطناعي توليدي تعلم عميق.

اقرأ الحلقات من الداخل إلى الخارج، فكل حلقة "نوع من" الحلقة التي حولها. الذكاء الاصطناعي التوليدي نوع من التعلم العميق، الذي هو نوع من تعلم الآلة، الذي هو نوع من الذكاء الاصطناعي. أما الذكاء الاصطناعي الوكيل (Agentic AI)، الذي ستقابله في درس لاحق، فيبني على الذكاء الاصطناعي التوليدي بأن يمنح النماذج قدرة التخطيط واتخاذ الإجراءات، فيسكن قرب المركز أيضاً.

الخطأ الشائع معاملة هذه المصطلحات كخيارات متنافسة ("هل أستخدم AI أم ML؟"). ليست بدائل. حين تستخدم الذكاء الاصطناعي التوليدي، فأنت تستخدم الطبقات الأربع دفعة واحدة.

المفردات الأساسية: النموذج والخوارزمية والتدريب والاستدلال

أربع كلمات تظهر في كل صفحة تقريباً من هذا المقرر. تعلّمها مرة واحدة هنا.

الخوارزمية (algorithm) هي الإجراء الذي يتعلم من البيانات. إنها الوصفة، مثل "linear regression" أو "شبكة عصبية". تختار خوارزمية قبل أن يكون لديك نموذج.

النموذج (model) هو ما تحصل عليه بعد أن تتعلم الخوارزمية من بياناتك. إنه الناتج المدرَّب الذي يحمل الأنماط المتعلَّمة ويحوّل المدخلات الجديدة إلى تنبؤات. الخوارزمية هي الوصفة، والنموذج هو الكعكة التي خبزتها بمكوّناتك الخاصة.

التدريب (training) هو المرحلة التي تعالج فيها الخوارزمية بياناتك وتُنتج النموذج. التدريب عادة الجزء الثقيل حسابياً والذي يتم مسبقاً. تدرّب نموذج احتيال طوال الليل على معاملات العام الماضي.

الاستدلال (inference) هو المرحلة التي يقدّم فيها النموذج الجاهز تنبؤات على مدخلات جديدة لم يرها. حين تصل معاملة حيّة ويصنّفها النموذج احتيالاً أو لا، فذلك استدلال. يخصّص المقرر درساً كاملاً لاحقاً لطرق تشغيل الاستدلال، لأن هذا الاختيار يحكم التكلفة وزمن الاستجابة في الإنتاج.

أبقِ التدريب والاستدلال منفصلين في ذهنك. التدريب يبني النموذج، والاستدلال يستخدمه. كثير من أسئلة الاختبار تدور حول معرفة أي مرحلة ينتمي إليها نشاط موصوف.

مصطلحان آخران يكملان المعجم الأساسي، ولكل منهما عمقه لاحقاً في المقرر. التحيّز (bias) خطأ منهجي يجعل النموذج غير عادل أو غير دقيق لفئات معيّنة. العدالة (fairness) هي هدف معاملة النموذج للفئات المختلفة بإنصاف. كلاهما ينتمي إلى مجال الذكاء الاصطناعي المسؤول، فاكتفِ الآن بالتعرّف عليهما.

متى يكون تعلم الآلة الأداة الصحيحة (ومتى لا)

تعلم الآلة قوي، لكنه ليس جواباً لكل شيء، والاختبار يكافئ من يعرف الفرق. لجأ إليه حين تتحقق ثلاثة أمور: النمط أعقد أو أكثر تحوّلاً من أن يُكتب كقواعد، ولديك بيانات كافية ذات صلة تتعلم منها، وتنبؤ تقريبي مقبول بدل جواب دقيق مضمون.

كشف الاحتيال، والتوصية بالمنتجات، والتنبؤ بالطلب، كلها تناسبه. الأنماط فوضوية، والبيانات وفيرة، والتنبؤ الجيد مفيد فعلاً حتى حين يخطئ أحياناً.

الآن الوجه الآخر. إن احتجت إلى حساب ضريبة المبيعات، فلا تستخدم تعلم الآلة. الضريبة قاعدة ثابتة، والجواب يجب أن يكون دقيقاً، ونموذج دقته "97%" على الضريبة نظام معطوب. حين يكون المنطق بسيطاً ومعروفاً، والمخرج يجب أن يكون صحيحاً بشكل مثبت في كل مرة، اكتب القاعدة. تعلم الآلة يقايض الدقة القاطعة بالقدرة على التعامل مع التعقيد، وهذه المقايضة تصح فقط حين يكون التعقيد حقيقياً.

نصائح للاختبار

يفحص الاختبار الحدود بين هذه المصطلحات أكثر بكثير من التعريفات نفسها.

• حين يسرد سؤال الذكاء الاصطناعي وتعلم الآلة والتعلم العميق والذكاء الاصطناعي التوليدي ويسأل عن علاقتها، فالجواب غالباً ترتيب التداخل (كل منها مجموعة فرعية مما قبله). ارفض أي خيار يجعلها منفصلة أو يعكس الاحتواء.
• انتبه لعبارة "يتعلم من البيانات" أو "دون قواعد صريحة". تشير إلى تعلم الآلة، لا الذكاء الاصطناعي العام ولا الأتمتة القائمة على القواعد.
• إن احتاجت الحالة مخرجاً دقيقاً مضموناً (ضريبة، حساب قانوني، قاعدة عمل ثابتة)، فالاختبار يريدك أن تقول إن تعلم الآلة غير مناسب. العلامة عبارة مثل "مطلوب نتيجة محددة" بدل تنبؤ.
• لا تخلط بين "الخوارزمية" و"النموذج". الخوارزمية تُختار قبل التدريب، والنموذج يُنتجه التدريب.

الفكرة الواحدة التي تحملها معك: تعلم الآلة يستبدل القواعد المكتوبة يدوياً بأنماط متعلَّمة من البيانات، ويقع داخل المجال الأوسع للذكاء الاصطناعي بينما يحتوي هو التعلم العميق والذكاء الاصطناعي التوليدي. كل درس لاحق يبني على هذا التداخل، بدءاً من الشبكات العصبية التي تجعل التعلم العميق ممكناً.