أهداف التعلم

• أن تعرّف الذكاء الاصطناعي، وتميّز بين التعلم الآلي والتعلم العميق والذكاء الاصطناعي التوليدي.
• أن تشرح العلاقة بين هذه المفاهيم باستخدام أمثلة مناسبة.
• أن تقيّم خطر الهلوسة، وتحدد إجراءً مناسبًا للتحقق من مخرجات الذكاء الاصطناعي التوليدي.

شرح الدرس

السؤال الرئيسي: ما هو الذكاء الاصطناعي، وكيف يرتبط التعلم الآلي والتعلم العميق والذكاء الاصطناعي التوليدي ببعضهم البعض؟ الفكرة الأساسية أن الذكاء الاصطناعي مجال واسع، وأن التعلم الآلي والتعلم العميق والذكاء الاصطناعي التوليدي مفاهيم مترابطة داخله لا تقنيات منفصلة.

الذكاء الاصطناعي (AI)

مجال يضم أنظمة حاسوبية تستطيع تنفيذ مهام مثل التعلم من البيانات، والتنبؤ، والتعرف، وتوليد المحتوى، واتخاذ القرارات أو دعمها. أمثلة: التعرف على الكلام والصور، والترجمة الآلية. معظم أنظمة الذكاء الاصطناعي الحالية ضيقة النطاق، أي مصمَّمة لأداء مهمة محددة أو مجموعة محدودة من المهام، لا ذكاءً عامًا شاملًا.

العلاقة المتداخلة بين المفاهيم

تُبنى المفاهيم الأربعة على شكل فئات متداخلة تتدرج من الأعم إلى الأخص:

• الذكاء الاصطناعي (AI): المجال الأوسع.
• التعلم الآلي (Machine Learning – ML): فرع من الذكاء الاصطناعي تتعلم فيه النماذج أنماطًا من البيانات لإجراء تنبؤات أو تصنيفات أو دعم قرارات، بدلًا من برمجة كل قاعدة صراحةً (كما في القواعد التقليدية). أمثلة: تصنيف الرسائل المزعجة، وتوصية المنتجات.
• التعلم العميق (Deep Learning – DL): أسلوب من أساليب التعلم الآلي يعتمد على الشبكات العصبية الاصطناعية متعددة الطبقات، ويمكنه تعلم تمثيلات وأنماط معقدة من البيانات. أمثلة: تحليل الصور، والتعرف على الكلام. كثيرًا ما يعتمد التعلم العميق على بيانات كبيرة نسبيًا كي يتعلم أنماطًا موثوقة، وقد يواجه الذكاء الاصطناعي صعوبة مع حالات نادرًا ما ظهرت في بياناته.
• الذكاء الاصطناعي التوليدي (Generative AI – GenAI): أنظمة تُنشئ محتوى جديدًا (نصوصًا، صورًا، صوتًا، برمجيات) اعتمادًا على الأنماط التي تعلّمتها من بيانات التدريب. تعتمد غالبية أنظمته الحديثة على نماذج التعلم العميق. أمثلة: ChatGPT، وأدوات توليد الصور.

هذه علاقة تعليمية مبسّطة يُقصد منها توضيح التسلسل العام (من الفكرة الأوسع إلى الأكثر تخصصًا)، ولا ينبغي فهمها على أنها تسلسل احتواء صارم في كل حالة.

الشبكة العصبية الاصطناعية (ANN)

نموذج حاسوبي مستوحى بصورة مبسطة من فكرة ترابط العصبونات (الخلايا العصبية)، ويتكوّن من وحدات مترابطة (عُقد) تتغيّر أوزانها أثناء التدريب لتتعلم أنماطًا من البيانات. تربط الشبكة العصبية بين العديد من المكوّنات البسيطة لإصدار أحكام معقدة.

القواعد المبرمجة صراحة مقابل الأنماط المتعلَّمة

الفرق الجوهري بين النهج التقليدي والتعلم الآلي: في البرمجة التقليدية تُكتب القواعد صراحةً بواسطة المبرمج، أما في التعلم الآلي فيتعلم النموذج الأنماط بنفسه من البيانات دون أن تُكتب كل قاعدة يدويًا — وهذا ما يشترك فيه مرشح الرسائل المزعجة وتوصية المنتجات، رغم اختلاف المهمتين تمامًا: كلاهما يتعلم أنماطًا من بيانات سابقة بدلًا من اتباع قواعد ثابتة مبرمجة مسبقًا.

مخاطر الهلوسة في الذكاء الاصطناعي التوليدي

يمكن للذكاء الاصطناعي التوليدي إنتاج نص يبدو معقولًا لكنه غير صحيح واقعيًا؛ وتُسمى هذه الظاهرة الهلوسة (Hallucination). من الخطر استخدام هذا الناتج كإجابة نهائية دون تحقق (كتقرير مدرسي مثلًا)، لذا ينبغي على المستخدمين:

• التحقق من المخرجات ومصادرها قبل الاعتماد عليها.
• عدم الاعتماد على معلومة من الذاكرة دون توثيق مصدرها.
• الموازنة بين فائدة السرعة ومخاطرة الحصول على معلومات غير صحيحة أو غير مدعومة بمصدر.

أسئلة للتدريب

1. رتّب المفاهيم التالية من الأعم إلى الأخص: التعلم العميق، الذكاء الاصطناعي، الذكاء الاصطناعي التوليدي، التعلم الآلي.

الإجابة: الذكاء الاصطناعي > التعلم الآلي > التعلم العميق > الذكاء الاصطناعي التوليدي (فالذكاء الاصطناعي هو المجال الأوسع، ويقع التعلم الآلي ضمنه، ويقع التعلم العميق ضمن التعلم الآلي، وتعتمد أنظمة الذكاء الاصطناعي التوليدي الحديثة غالبًا على التعلم العميق).

2. أيٌّ من الأمثلة التالية لا يُعد مثالًا مناسبًا على الذكاء الاصطناعي التوليدي: ChatGPT، الذكاء الاصطناعي لتوليد الصور، مرشح الرسائل المزعجة، الذكاء الاصطناعي لتوليد الصوت؟

الإجابة: مرشح الرسائل المزعجة؛ فهو مثال على التعلم الآلي (يصنّف رسائل موجودة إلى فئتين: مزعجة/غير مزعجة)، وليس على الذكاء الاصطناعي التوليدي الذي ينشئ محتوى جديدًا لم يكن موجودًا من قبل (كالنصوص أو الصور أو الصوت).

3. يريد مزارع استخدام نظام ذكاء اصطناعي للتمييز بين صور المحاصيل السليمة والمصابة بالأمراض. ما نوع البيانات التي يحتاجها النظام للتدريب؟ وما عامل واحد قد يجعل تنبؤه خاطئًا؟

الإجابة: يحتاج النظام إلى عدد كبير من صور المحاصيل السليمة والمصابة، موسومة (معلَّمة) بدقة بالفئة الصحيحة لكل صورة، لتتعلم الشبكة العصبية الأنماط المميزة لكل حالة. قد يخطئ تنبؤه إذا كانت بيانات التدريب غير متنوعة بما يكفي (مثلًا لا تغطي إضاءة أو زوايا تصوير أو أنواع أمراض نادرة)، فتفشل الشبكة في التعميم على حالات لم ترها من قبل في التدريب.