الذكاء الاصطناعي، التعلّم الآلي والتعلّم العميق

الكتلة 0 — تحديد موقع التعلّم المُوجَّه
الهدف: إتقان تصنيف المجال (taxonomy)، والقدرة على تعريف كل مصطلح بدقة، والقدرة على تحديد موقع التعلّم المُوجَّه (supervised learning) داخل هذه المجموعة.
المدة المقدَّرة: 25 دقيقة
المتطلبات السابقة: لا شيء
الاختبار المرتبط: 001.1-quiz-ia-ml-deep-learning.md

1. مشكلة المفردات

تُستخدم المصطلحات التالية في الصحافة وعلى الشبكات الاجتماعية كما لو كانت قابلة للتبادل. وهي ليست كذلك.

الذكاء الاصطناعي · التعلّم الآلي · التعلّم العميق
علم البيانات · البيانات الضخمة · الخوارزمية · الشبكة العصبية

ما دام التصنيف غير واضح، يبقى باقي المجال مشوَّشاً. هذا الفصل يثبّته بشكل نهائي.

2. التصنيف العام

علاقة احتواء صارمة:

التعلّم العميق ⊂ التعلّم الآلي ⊂ الذكاء الاصطناعي

كل تقنية من تقنيات التعلّم العميق هي تعلّم آلي. وكل تقنية من تقنيات التعلّم الآلي تنتمي إلى الذكاء الاصطناعي. والعكس غير صحيح.

3. الذكاء الاصطناعي

تعريف — الذكاء الاصطناعي (Artificial Intelligence, AI)

التعريف الدقيق

حقل من حقول علوم الحاسوب يهدف إلى تصميم أنظمة قادرة على إنجاز مهام تُوصَف، حين ينجزها إنسان، بأنها معرفية: الإدراك، والاستدلال، والتعلّم، والتخطيط، واتخاذ القرار، وفهم اللغة.

التعريف العملي

نظام الذكاء الاصطناعي هو نظام ينتج، انطلاقاً من مدخلات مستمدة من بيئته، مخرجات (تنبؤات، توصيات، قرارات، أفعال) تؤثّر في هذه البيئة، وفق أهداف صريحة أو ضمنية يحدّدها إنسان.

هذه الصياغة الثانية قريبة من التعريف الذي اعتمدته منظمة التعاون والتنمية الاقتصادية (OECD) والذي أُعيد استخدامه في عدة أطر تنظيمية. وهي مفيدة في السياق المهني لأنها قابلة للتحقّق.

ترجمة إلى اللغة اليومية

جعل الآلة تنفّذ مهمة كانت ستتطلّب، لدى الإنسان، التفكير.

طبيعة المفهوم

الذكاء الاصطناعي هدف، لا تقنية. وهو يجمع مقاربات متغايرة، بعضها لا يتضمّن أي تعلّم.

نقطة تأريخ

صِيغ المصطلح عام 1956 خلال مؤتمر دارتموث. فالمجال إذاً أسبق بعقود عدة من التعلّم الآلي التطبيقي الحديث.

3.1 الذكاء الاصطناعي لا يستلزم التعلّم

هذا هو سوء الفهم الأكثر شيوعاً.

التقنية	المبدأ	تعلّم
نظام قائم على القواعد	خبير بشري يصوغ القواعد	لا
البحث الشجري	استكشاف شامل أو إرشادي (heuristic) لفضاء الحالات	لا
المنطق الصوري	استدلال انطلاقاً من مسلَّمات وقواعد استنتاج	لا
التحسين التوافقي	البحث عن الحل الأمثل تحت قيود	لا
التعلّم الآلي	استنتاج القواعد من الملاحظات	نعم

مثال على ذكاء اصطناعي بدون تعلّم — منظِّم حرارة قابل للبرمجة

النظام يقرّر. لم تُستنتَج أي قاعدة من البيانات: بل كتبها مهندس. وسيكون السلوك مطابقاً بعد عشر سنوات.

مثال على ذكاء اصطناعي بدون تعلّم — Deep Blue (1997)

النظام الذي هزم غاري كاسباروف كان يقيّم نحو 200 مليون وضعية في الثانية بواسطة دالة تقييم صمّمها بشر وأساتذة كبار في الشطرنج. لم يكن يتعلّم من مبارياته. كان يبحث في فضاء حالات.

4. التعلّم الآلي

تعريف — التعلّم الآلي (Machine Learning)

التعريف الدقيق (Tom Mitchell، 1997)

يقال إن برنامجاً حاسوبياً يتعلّم من خبرة E، بالنسبة إلى صنف من المهام T ومقياس أداء P، إذا كان أداؤه على مهام T، مقاساً بـ P، يتحسّن مع الخبرة E.

هذا التعريف هو المرجع الأكاديمي. وله ميزة كونه عملياً: فهو يُلزم بتسمية المكوّنات الثلاثة صراحةً.

تطبيق التعريف على حالة ملموسة

كشف البريد المزعج (spam):

T (المهمة): تصنيف رسالة بريد إلكتروني إلى مزعجة أو غير مزعجة
E (الخبرة): مجموعة من الرسائل الموسومة مسبقاً
P (الأداء): نسبة الرسائل المصنَّفة تصنيفاً صحيحاً

تعريف بديل (Arthur Samuel، 1959)

حقل دراسي يمنح الحواسيب القدرة على التعلّم دون أن تكون مبرمَجة صراحةً للمهمة المعنيّة.

ترجمة إلى اللغة اليومية

بدلاً من كتابة القواعد، نقدّم عدداً كبيراً من الأمثلة وتستنتج الخوارزمية القواعد بنفسها.

طبيعة المفهوم

التعلّم الآلي مقاربة داخل الذكاء الاصطناعي. والمفهوم المركزي هو الاستقراء (induction): الانتقال من حالات خاصة مُلاحَظة إلى قاعدة عامة.

4.1 انقلاب نموذج البرمجة

	المدخلات المقدَّمة	المخرَج المنتَج
البرمجة الكلاسيكية	القواعد + البيانات	الأجوبة
التعلّم الآلي	البيانات + الأجوبة	القواعد

يُطوَّر هذا الانقلاب في الفصل 002.

4.2 توضيح: حدود المقاربة القائمة على القواعد

المهمة: تحديد ما إذا كانت صورة تحتوي على قطّ.

محاولة صياغة بالقواعد:

إذا أذنان مثلّثتان و شوارب و فرو فإذاً قطّ

أمثلة مضادة فورية:

المثال المضاد	خلل القاعدة
ثعلب	يستوفي الشروط الثلاثة، وليس قطاً
قطّ من الخلف	الشوارب غير مرئية
قطّ سفينكس	غياب الفرو
قطّ متكوّر	لا بنية قابلة للتحديد
هرّ صغير	نِسَب مختلفة

عدد القواعد اللازمة يتباعد دون أن يبلغ أبداً تغطية مُرضية. فالمهمة من مجال الإدراك، ومعاييره غير قابلة للتعبير اللفظي حتى من قِبل البشر أنفسهم.

الصياغة في التعلّم الآلي

تشبيه — اكتساب اللغة لدى الطفل

لا ينقل أي شخص بالغ إلى طفل في الثالثة من عمره التعريف التالي:

«القطّ حيوان ثديي رباعي الأرجل من فصيلة السنّوريات، يتميّز بأذنَين مثلّثتَين منتصبتَين، وشوارب حسّية على الوجه، وحدقتَين ذواتَي شقّ عمودي.»

يتعرّض الطفل لمئات من الحالات المصحوبة بتسمية لفظية: «انظر، قطّ». وينتهي به الأمر إلى تسمية فرد لم يره قط تسميةً صحيحة.

لم تُنقَل القاعدة. بل استُنتِجت من أمثلة موسومة. وهذه بالضبط بنية التعلّم المُوجَّه.

4.3 شروط قابلية تطبيق التعلّم الآلي

الشرط	المسوّغ	توضيح
القاعدة غير قابلة للصياغة	المعايير غير قابلة للتعبير اللفظي	التعرّف على الوجوه
عدد العوامل والتفاعلات مرتفع	الكتابة اليدوية تتباعد	تقييم مخاطر العملاء (scoring)
البيئة تتطوّر	القواعد تتقادم	كشف الاحتيال، البريد المزعج
التخصيص يجب أن يكون واسع النطاق	قاعدة لكل فرد أمر مستحيل	التوصية على نطاق واسع
الجواب التقريبي مقبول	النموذج ينتج تقديراً، لا يقيناً أبداً	التقدير العقاري
يوجد حجم كافٍ من البيانات الموسومة	الاستقراء يتطلّب ملاحظات	سجلّ المعاملات

4.4 موانع الاستخدام

الوضعية	السبب	البديل
القاعدة الدقيقة معروفة ومستقرة	النموذج سيُدخل تقريباً لا حاجة إليه	تنفيذ الصيغة
الدقة التامة التزام قانوني	التقريب غير مقبول قانونياً	قاعدة صريحة مُراجَعة
حجم البيانات غير كافٍ	الاستقراء غير مؤسَّس إحصائياً	خبرة المجال، جمع البيانات أولاً
الخطأ كارثي ولا يمكن تداركه	لا نموذج يبلغ 100 %	إشراف بشري إلزامي
لا توجد أي بيانات تاريخية	لا شيء يُستنتَج	دراسة سوق، نماذج أولية

المبدأ الموجِّه: التعلّم الآلي أداة تقريب إحصائي. ولا ينبغي استخدامه إلا عندما يكون التقريب مقبولاً وتكون الصياغة المباشرة غير عملية.

5. التعلّم العميق

تعريف — التعلّم العميق (Deep Learning)

التعريف الدقيق

مجموعة فرعية من التعلّم الآلي قائمة على شبكات عصبية اصطناعية تتضمّن عدة طبقات من التحويلات غير الخطية المتتالية، تنتج كل طبقة تمثيلاً للبيانات على مستوى تجريد متزايد، وتكون هذه التمثيلات متعلَّمة وليست محدَّدة يدوياً.

النقطة الفاصلة

ما يميّز التعلّم العميق ليس العمق في ذاته، بل التعلّم الآلي للتمثيلات (representation learning). في التعلّم الآلي الكلاسيكي، يصمّم المهندس المتغيرات التوضيحية. في التعلّم العميق، تبني الشبكة بنفسها تسلسلاً هرمياً من التمثيلات الوسيطة.

أصل كلمة «عميق»

تشير الصفة إلى عدد الطبقات المتراكبة بين المدخل والمخرج، أي إلى عمق مخطّط الحساب. ولا تحمل أي دلالة نوعية.

ترجمة إلى اللغة اليومية

شبكة ذات طوابق عديدة تبني بنفسها، طابقاً بعد طابق، الخصائص ذات الصلة في البيانات.

5.1 التسلسل الهرمي للتمثيلات

نقطة جوهرية: لم تُحدَّد أي من هذه الطبقات يدوياً. فالإسناد «الطبقة 1 = حواف» تأويل لاحق لما تعلّمته الشبكة. وهذه الخاصية تحديداً هي ما يجعل التعلّم العميق قوياً وصعب التفسير في الوقت نفسه.

5.2 مقارنة التعلّم الآلي الكلاسيكي / التعلّم العميق

المعيار	التعلّم الآلي الكلاسيكي	التعلّم العميق
حجم البيانات المطلوب	من 10² إلى 10⁵ ملاحظة	من 10⁴ إلى 10⁷ وما فوق
موارد الحساب	معالج CPU عادي	معالج GPU أو مسرّعات مخصَّصة
نوع البيانات المفضَّل	بيانات جدولية مهيكلة	بيانات غير مهيكلة: صورة، صوت، نص، فيديو
هندسة المتغيرات	على عاتق المهندس	تتعلّمها الشبكة
القابلية للتفسير	مرتفعة إلى متوسطة	ضعيفة بدون أدوات مخصَّصة
مهلة التنفيذ	دقائق إلى ساعات	ساعات إلى أسابيع
خوارزميات تمثيلية	الانحدار، الأشجار، الغابات العشوائية، التعزيز التدرّجي (gradient boosting)	CNN، RNN، Transformers

5.3 التموضع العملي

خلاصة أثبتتها الممارسة الصناعية والأدبيات المقارِنة: على البيانات الجدولية، تبقى طرائق التجميع القائمة على الأشجار (gradient boosting، الغابات العشوائية) تنافسية جداً أمام المعماريات العميقة، مع أزمنة تدريب أقل بعدة رُتَب من الحجم وقابلية تفسير أعلى.

يحتفظ التعلّم العميق بميزة حاسمة على البيانات غير المهيكلة: الرؤية الحاسوبية، ومعالجة الإشارة الصوتية، ومعالجة اللغة الطبيعية، والفيديو.

تتناول هذه الدورة التعلّم الآلي المُوجَّه المطبَّق على بيانات جدولية، وهو يشكّل غالبية حالات الاستخدام في المؤسسات.

تشبيه — ملاءمة الأداة للمشكلة

المطرقة والحفّارة الميكانيكية كلتاهما أداتان صالحتان. ولا يتوقّف الاختيار على القوة الذاتية للأداة بل على ملاءمتها للمهمة.

دقّ مسمار بحفّارة ميكانيكية ممكن تقنياً وعبثي عملياً: كلفة تعبئة غير متناسبة، دقة غير كافية، أضرار جانبية.

هدم مبنى بمطرقة مستحيل مهما بُذل من جهد.

الكفاءة المهنية لا تتمثّل في إتقان الأداة الأقوى، بل في اختيار الأداة المناسبة للمشكلة المطروحة.

6. علم البيانات وتحليل البيانات والبيانات الضخمة

تعريف — علم البيانات (Data Science)

التعريف الدقيق

تخصّص متعدّد المجالات يجمع الإحصاء وعلوم الحاسوب ومعرفة مجال التطبيق، وموضوعه استخلاص المعرفة ودعم القرار من البيانات، على امتداد السلسلة كاملة: الاقتناء، والتحضير، والاستكشاف، والنمذجة، والتحقّق، والتواصل.

النطاق

يشمل علم البيانات التعلّم الآلي كأحد مكوّناته، إلى جانب تحضير البيانات، والتحليل الاستكشافي، والاستدلال الإحصائي، وتقديم النتائج إلى متّخذي القرار.

التوزيع التجريبي للجهد

تضع الاستقصاءات المهنية عموماً ما بين 50 % و80 % من وقت الممارس في اقتناء البيانات وتنظيفها وتحضيرها. أما النمذجة بحدّ ذاتها فتمثّل جزءاً أقلّياً من النشاط.

تعريف — تحليل البيانات (Data Analysis)

التعريف الدقيق

مجموعة الطرائق التي تهدف إلى وصف مجموعة بيانات وتلخيصها وتأويلها من أجل توصيف الظواهر المُلاحَظة.

التمييز المركزي

يتناول تحليل البيانات أساساً تفسير الماضي وتوصيف الحاضر. أما النمذجة التنبؤية فتتناول تقدير قيم غير مُلاحَظة، مستقبلية عموماً.

تعريف — البيانات الضخمة (Big Data)

التعريف الدقيق

مجموعة بيانات يتجاوز حجمها أو سرعتها أو تنوّعها قدرات المعالجة لدى أنظمة إدارة البيانات التقليدية، ما يفرض معماريات موزَّعة.

الأبعاد المميّزة

يعتمد النموذج الكلاسيكي ثلاثة أبعاد، كثيراً ما تُوسَّع:

الحجم (Volume): كمية البيانات
السرعة (Velocity): معدّل الإنتاج ومتطلّبات المعالجة
التنوّع (Variety): تغاير الصيغ
توسيعات شائعة: الصدقية (Veracity، أي الموثوقية)، القيمة (Value، أي المنفعة للأعمال)

نقطة انتباه

البيانات الضخمة والتعلّم الآلي مفهومان متعامدان. تصف البيانات الضخمة مقياساً ومعمارية، لا غاية تحليلية. يمكن استغلال بيانات ضخمة دون أي نموذج تنبؤي، وبناء نماذج عالية الأداء على بضعة آلاف من الملاحظات.

7. مستويات النضج التحليلي الأربعة

توضيح على حالة واحدة: يلاحظ مشغّل اتصالات تآكلاً في قاعدة عملائه.

المستوى	السؤال	المُخرَج	الأدوات
وصفي	ماذا حدث؟	«معدّل فقدان العملاء الفصلي يبلغ 8,2 %»	الاستعلامات، لوحات المتابعة
تشخيصي	لماذا؟	«فقدان العملاء يتركّز في الاشتراكات الشهرية ذات أكثر من اتصالَين بالدعم»	التقسيم، الاختبارات الإحصائية
تنبؤي	ماذا سيحدث؟	«1 240 عميلاً لديهم احتمال إلغاء يتجاوز 0,70 خلال 30 يوماً»	التعلّم المُوجَّه
توجيهي	ماذا نفعل؟	«استهداف 300 عميل بخصم 15 %؛ الربح الصافي المتوقَّع 84 000 $»	التحسين تحت قيود

التعلّم المُوجَّه، موضوع هذه الدورة، يعمل على المستوى التنبؤي.

8. موقع التعلّم المُوجَّه

نقطة انتباه متكرّرة: لا يشكّل التعلّم العميق عائلة رابعة إلى جانب المُوجَّه وغير المُوجَّه والمعزَّز. إنه صنف من النماذج يمكن استخدامه في النماذج الثلاثة.

9. جدول تلخيصي للمصطلحات

المصطلح	الترجمة	طبيعة المفهوم	تعريف مكثَّف	توضيح
Artificial Intelligence	الذكاء الاصطناعي	هدف	أتمتة مهام معرفية	مخطِّط مسارات
Machine Learning	التعلّم الآلي	مقاربة	استنتاج القواعد من البيانات	ترشيح البريد الإلكتروني
Deep Learning	التعلّم العميق	صنف من النماذج	شبكات متعدّدة الطبقات تتعلّم تمثيلاتها	التعرّف على الصور
Supervised learning	التعلّم المُوجَّه	نموذج تعلّم	استقراء من أمثلة موسومة	تقدير الأسعار
Unsupervised learning	التعلّم غير المُوجَّه	نموذج تعلّم	اكتشاف البنية بدون تسميات	تقسيم العملاء
Reinforcement learning	التعلّم المعزَّز	نموذج تعلّم	تحسين سياسة عبر المكافأة	التحكّم الروبوتي
Data Science	علم البيانات	تخصّص	السلسلة الكاملة لتثمين البيانات	وظيفة في المؤسسة
Data Analysis	تحليل البيانات	نشاط	وصف الموجود وتأويله	لوحة متابعة
Big Data	البيانات الضخمة	مقياس ومعمارية	حجم يتجاوز الأنظمة التقليدية	تسجيل سجلّات ضخم
Algorithm	الخوارزمية	إجراء	تتابع منتهٍ من العمليات ينتج نتيجة	Random Forest
Model	النموذج	ناتج	النتيجة المعلَّمة (parameterized) لتطبيق خوارزمية على البيانات	ملف مُسلسَل

10. أخطاء الاستدلال الشائعة

خطأ — مماهاة الذكاء الاصطناعي بالتعلّم الآلي

يشير الذكاء الاصطناعي إلى هدف، والتعلّم الآلي إلى مقاربة من بين مقاربات أخرى لبلوغه. فالنظام الخبير القائم على القواعد ينتمي إلى الذكاء الاصطناعي دون أن ينتمي إلى التعلّم الآلي.

الصياغة الصحيحة: «التعلّم الآلي مقاربة في الذكاء الاصطناعي قائمة على الاستقراء من البيانات.»

خطأ — افتراض تفوّق عام للتعلّم العميق

يتوقّف الأداء النسبي على طبيعة البيانات. على البيانات الجدولية، تبقى طرائق التجميع القائمة على الأشجار تنافسية جداً، بكلفة حسابية وغموض أقل بكثير.

الصياغة الصحيحة: «يتحدّد الاختيار بين التعلّم العميق والطرائق الكلاسيكية بطبيعة البيانات، والحجم المتاح، وقيود القابلية للتفسير، والميزانية الحسابية.»

خطأ — اشتراط البيانات الضخمة للتعلّم الآلي

يتوقّف الحجم اللازم على تعقيد الظاهرة المنمذَجة وعدد المتغيرات التوضيحية، لا على عتبة مطلقة. وكثير من النماذج في الإنتاج يعتمد على بضعة آلاف من الملاحظات.

الصياغة الصحيحة: «جودة البيانات وتمثيليتها تتقدّمان على الحجم الخام.»

خطأ — معاملة التعلّم العميق كنموذج تعلّم

التعلّم العميق صنف من النماذج. فالشبكة العصبية المدرَّبة على بيانات موسومة تنتمي إلى التعلّم المُوجَّه؛ والمشفِّر الذاتي (autoencoder) ينتمي إلى التعلّم غير المُوجَّه؛ والشبكة المحسَّنة عبر المكافأة تنتمي إلى التعلّم المعزَّز.

خطأ — إسناد فهم دلالي إلى النموذج

يحدّد النموذج الإحصائي انتظامات في تمثيل عددي. ولا يملك أي تمثيل دلالي للمجال.

النتيجة العملية: أنماط فشل النموذج لا تتطابق مع أنماط فشل المشغّل البشري. فقد يفشل النموذج في حالات بديهية للإنسان، وينجح في الوقت نفسه في حالات صعبة. ويجب توقّع هذا اللاتناظر عند تصميم آليات الحماية.

11. الخلاصة

التصنيف
    التعلّم العميق ⊂ التعلّم الآلي ⊂ الذكاء الاصطناعي

طبيعة المفاهيم
    الذكاء الاصطناعي : هدف
    التعلّم الآلي     : مقاربة قائمة على الاستقراء
    التعلّم العميق    : صنف من النماذج

المعيار الفاصل للتعلّم الآلي
    القواعد تُستنتَج من الملاحظات،
    ولا يحدّدها مصمِّم.

المعيار الفاصل للتعلّم العميق
    التمثيلات الوسيطة متعلَّمة،
    وليست مصمَّمة يدوياً.

المستويات التحليلية
    وصفي → تشخيصي → تنبؤي → توجيهي
    التعلّم المُوجَّه يعمل على المستوى التنبؤي.

التعريف المرجعي (Mitchell، 1997)
    يتعلّم برنامج من خبرة E بالنسبة إلى مهمة T
    ومقياس أداء P إذا كان أداؤه على T، مقاساً
    بـ P، يتحسّن مع E.

عبارة تلخيصية

يتمثّل التعلّم الآلي في استنتاج قاعدة قرار من الملاحظات بدلاً من تحديدها صراحةً؛ والتعلّم المُوجَّه هو نموذج التعلّم الذي تكون فيه الملاحظات مصحوبة بقيمة الهدف المطلوب التنبؤ بها.

الاختبار وأسئلة المقابلات: 001.1-quiz-ia-ml-deep-learning.md

الفصل التالي: 002-programmation-classique-vs-ml.md