أسئلة المراجعة

الملخص المتكامل: فهم أنظمة الذكاء الاصطناعي ومهامها ودورة حياتها

تبدأ هذه المادة من فكرة بسيطة: لا يكفي أن نطلق على أداة كلمة «ذكية» لكي نفهم ما تفعله. نظام الذكاء الاصطناعي، بالمعنى العملي الذي استخدمناه، نظام قائم على الآلة يستقبل مدخلات ويستنتج منها كيفية إنتاج مخرجات مثل التنبؤ أو التوصية أو القرار أو المحتوى لتحقيق هدف. تختلف الأنظمة في استقلاليتها وقدرتها على التكيف، لكن هذا لا يجعلها واعية أو مصدرًا تلقائيًا للحقيقة. أفضل طريقة للفهم هي أن نسأل دائمًا: ما الهدف؟ ما المدخل؟ ما المخرج؟ كيف يحدث الاستدلال؟ ومن يستخدم النتيجة؟

هذا السؤال يقود إلى تمييز مهم بين النموذج والنظام الكامل. النموذج قد يكون مكوّنًا يتعلم علاقة من البيانات، أما النظام فيشمل كذلك طريقة جمع المدخلات، القواعد الثابتة، الواجهة، آلية عرض النتيجة، المراجعة البشرية، التسجيل والمراقبة، وضوابط الخصوصية والأمن. لذلك يمكن أن يكون النموذج مقبولًا في اختبار منفصل بينما يسبب النظام مشكلة لأن المخرج عُرض بثقة مبالغ فيها أو استُخدم في قرار لم يُصمم له. تقييم الذكاء الاصطناعي يحتاج النظر إلى السياق الذي يتحول فيه المخرج إلى فعل.

كما فصلنا بين القواعد الصريحة والتعلم الآلي. قاعدة مثل «إذا غاب الحقل الإلزامي فلا ترسل الطلب» تحدد السلوك مسبقًا بطريقة مباشرة. أما نموذج التعلم الآلي فيتعلم معلمات من أمثلة وبيانات. لكن الفصل ليس جدارًا مطلقًا: قد يقترح نموذج متعلم فئة لرسالة، ثم تطبق قاعدة أمان تمنع إجراءً معينًا، ثم يراجع موظف الحالة عند الغموض. هذا نظام هجين. المهم أن نعرف وظيفة كل مكوّن بدل أن نطلق حكمًا شاملًا من وجود قاعدة أو نموذج واحد.

في التعلم الموجّه المبسط، تمثل البيانات المدخلات بميزات ويكون لدينا هدف أو تسمية. أثناء التدريب تضبط الخوارزمية معلمات النموذج لتقليل الخطأ أو الخسارة. أثناء الاستدلال يستخدم النموذج الحالي معلماته لإنتاج مخرج لمدخل جديد. إذا صحح الإنسان مخرجًا بعد النشر، فهذا لا يعني بالضرورة أن النموذج تعلّم فورًا. يمكن حفظ التصحيح لدورة تحديث لاحقة. هذه النقطة تمنع عبارة شائعة لكنها مضللة: «النظام يتعلم باستمرار» دون معرفة هل يوجد تحديث فعلي، وبأي بيانات، ومن يقيّمه ويعتمده.

التعلم العميق يصف استخدام شبكات عصبية متعددة الطبقات لتعلم علاقات معقدة، ولا يعني تلقائيًا التوليد. الشبكة العميقة قد تصنف صورة أو تتنبأ بقيمة أو تكون جزءًا من نظام توليدي. أما النماذج اللغوية الكبيرة فهي مثال بارز على الذكاء الاصطناعي التوليدي: تنتج تسلسلات جديدة اعتمادًا على علاقات احتمالية تعلمتها. النص المتماسك ليس برهانًا على صحة الادعاء؛ لذلك نفصل جودة الصياغة عن صحة المعلومة ونبقي التحقق جزءًا من الاستخدام.

لفهم ما نطلبه من النظام، استخدمنا أربعة أنواع تأسيسية للمهام. التصنيف ينتج فئة مثل «عاجل/غير عاجل». الانحدار ينتج قيمة عددية مثل 14.5 دقيقة. التوصية ترتب عناصر موجودة مثل مجموعة مقالات أو دورات بحسب هدف محدد. التوليد ينشئ محتوى جديدًا مثل مسودة رسالة. نوع المدخل لا يحدد نوع المهمة: النص نفسه قد يدخل في مصنف أو نموذج انحدار أو نظام توصية أو نموذج توليدي. الذي يحدد المهمة هو المخرج والقرار المطلوبان.

هذا التمييز يصبح عمليًا عندما نصيغ المشكلة. عبارة «نريد الذكاء الاصطناعي لتحسين الدعم» لا تكفي. صياغة أفضل هي: «نريد تصنيف رسالة جديدة إلى واحدة من أربع فئات لمساعدة موظف التوجيه، وتحويل الحالات منخفضة الثقة للمراجعة». هنا نعرف وحدة القرار والمستخدم والمخرج وشرط التصعيد، ويمكننا تحديد تكلفة الخطأ. قد تقودنا الصياغة الصحيحة أيضًا إلى عدم استخدام نموذج إذا كانت قاعدة ثابتة أو إعادة تصميم الإجراء تحقق الغرض بصورة أبسط وأكثر وضوحًا.

ثم ربطنا هذه المفاهيم بدورة حياة النظام. البداية هي تحديد المشكلة والهدف ومن يتأثر بالمخرج. بعد ذلك نحدد البيانات والمدخلات وما يجوز استخدامه، ثم نطور أو نختار النهج المناسب. قبل النشر نقيّم الأداء على حالات مناسبة ونراجع الأخطاء المهمة. عند النشر يبدأ الاستدلال في بيئة الاستخدام الحقيقية، ثم تستمر المراقبة لمعرفة ما إذا تغيرت البيانات أو أنماط الاستخدام أو الأخطاء أو متطلبات العمل. الدورة ليست خطًا مستقيمًا؛ نتيجة التقييم قد تعيدنا إلى البيانات، ونتيجة المراقبة قد تعيدنا إلى صياغة المشكلة نفسها.

التدريب والاستدلال والمراقبة وظائف مختلفة. التدريب يغيّر معلمات النموذج. الاستدلال يستخدم نسخة النموذج الحالية لإنتاج المخرج. المراقبة تجمع إشارات بعد النشر. إذا ارتفعت، في مثال افتراضي، نسبة التصحيحات البشرية من 8% إلى 18%، فهذا دليل على تغير يستحق الفحص لكنه لا يثبت السبب. قد تكون المدخلات تغيرت، أو أضيفت فئة جديدة، أو تغير استخدام الموظفين، أو ظهرت مشكلة في الواجهة. لذلك نشخّص أولًا، ثم نقرر إن كان الحل إعادة تدريب أو تعديل عتبة أو تغيير واجهة أو إضافة مراجعة بشرية أو تحديث البيانات أو إيقاف استخدام معين.

استخدام نموذج جاهز من مزود خارجي لا يلغي هذه المسؤوليات. ما زلنا نحتاج تحديد المهمة، واختبار المخرجات على حالات تمثل استخدامنا، وتحديد ما يجوز إرساله من بيانات، ووضع ضوابط للمراجعة والتصعيد، ومراقبة الأداء والتغييرات. وإذا حدث تحديث خارجي لمكوّن رئيسي، فقد نحتاج إعادة تقييم لأنه تغير حتى لو لم نغير الكود الداخلي.

التطبيق القابل للنقل من هذه المادة هو بطاقة قصيرة قبل أي مشروع ذكاء اصطناعي: اكتب الهدف، والمدخل، والمخرج، ونوع المهمة، وطريقة الاستدلال المتوقعة، ومن سيستخدم المخرج، وأهم خطأ تخشاه، وما الذي يحدث عند الغموض، وكيف ستقيّم النظام قبل النشر، وما الذي ستراقبه بعده. إذا لم تستطع الإجابة عن هذه الأسئلة بوضوح، فالمشكلة ما زالت أوسع من أن يحلها اختيار أداة أو نموذج. هذه البطاقة تجمع أساس المادة: فهم النظام، اختيار النمط المناسب، تحديد المهمة، وربطها بدورة حياة يمكن تقييمها ومراقبتها.