نهاية عصر المبرمج التقليدي.. كيف تعلمت الآلة أن تكتب قوانينها بنفسها؟
ابدء تعلم الذكاء الصناعي من الصفر
لطالما كانت العلاقة بين الإنسان والآلة، لعقود طويلة، علاقة “سيد وعبد”.
أنت تكتب الأمر، والآلة تنفذ. أنت تضع القاعدة، والآلة تطبقها بحذافيرها.
كانت البرمجة -في جوهرها- عملية تلقين صارمة.
إذا أردت من الحاسوب أن يميز بين صورة “قطة” وصورة “كلب”، كان عليك (أنت المبرمج) أن تكتب آلاف الأسطر لتقول له:
“ابحث عن أذنين مثلثتين، وشارب طويل، وحجم صغير..”.
لكن هذه الطريقة القديمة وصلت إلى طريق مسدود. العالم أكثر فوضوية وتعقيداً من أن نكتب له قواعد ثابتة لكل شيء.
وهنا حدث الانقلاب. توقفنا عن محاولة “برمجة” الآلة، وبدأنا في محاولة “تعليمها”.
هذا هو جوهر تعلم الآلة (Machine Learning). إنه التحول من عصر الإملاءات، إلى عصر الاستنتاج.
في هذا المقال، سنشرح كيف انتقلنا من الخوارزمية الجامدة، إلى القرار الذكي، وكيف استطاعت الآلة أن تجد أنماطاً في البيانات تعجز عقولنا البشرية عن رؤيتها.
١. قلب الطاولة: الفرق بين البرمجة والتعلم
لفهم هذا التحول الجذري، دعنا نتخيل عملية “صنع الكعكة”.
في البرمجة التقليدية، أنت تعطي الآلة “الوصفة” (القواعد) وتعطيها “المكونات” (البيانات)، وهي تعطيك “الكعكة” (النتيجة). المعادلة واضحة:
قواعد + بيانات = إجابات.
أما في تعلم الآلة، فقد قلبنا المعادلة رأساً على عقب. نحن نعطي الآلة “المكونات” (البيانات)، ونريها صورة “الكعكة الجاهزة” (الإجابات المطلوبة)، ونطلب منها هي أن تكتشف “الوصفة”.
بيانات + إجابات = قواعد.
الآلة هنا لا تنفذ القواعد، بل تستنبطها.
هي تدرس ملايين الصور لقطط وكلاب، وتكتشف بنفسها القوانين التي تميز بينهما، ربما تجد علاقات هندسية في زوايا الأنف أو انحناء الذيل لم تخطر على بال المبرمج البشري أصلاً.
٢. الوقود الجديد: عندما تتحول الخبرة إلى بيانات
في الأسواق المالية، يقال دائماً: “البيانات هي النفط الجديد”.
لكن في سياق تعلم الآلة، البيانات ليست مجرد وقود، بل هي الخبرة المتراكمة.
الطفل البشري يتعلم من تجاربه. يلمس النار فيحترق، فيتعلم أن النار خطرة. يرى والده يبتسم، فيعلم أن هذا سلوك جيد. كل موقف هو “بيانات” يخزنها عقله لبناء نموذج للعالم.
الآلة تفعل الشيء نفسه، لكن بسرعة وكميات مرعبة.
لكي تتعلم الآلة التنبؤ بأسعار المنازل، نحن نغذيها بسجلات بيع لمليون منزل سابق (المساحة، الموقع، عدد الغرف، السعر النهائي). الآلة تأخذ هذه “الخبرة التاريخية” وتبحث عن النمط الخفي الذي يربط المواصفات بالسعر.
جودة “القرار” الذي تتخذه الآلة تعتمد كلياً على جودة هذه البيانات. إذا غذيت الآلة ببيانات متحيزة أو ناقصة، ستخرج لك بقرارات غبية، مهما كانت الخوارزمية عبقرية. في عالمنا نقول: “ما بني على باطل فهو باطل”، وفي عالمهم يقولون: “Garbage in, Garbage out”.
٣. مدارس التعلم الثلاث: كيف ندرس للآلة؟
الآلات لا تتعلم بطريقة واحدة، بل هناك ثلاثة أساليب رئيسية تشبه إلى حد كبير أساليب التعليم البشري:
أولاً: التعلم بإشراف (Supervised Learning) - المعلم والتلميذ
هذا هو النوع الأكثر شيوعاً.
تخيل تلميذاً ومعه معلم يصحح له أخطاءه. نحن نعطي الآلة بيانات “موسومة” (Labeled Data). نعطيها صورة ونقول لها “هذه تفاحة”، ونعطيها صورة أخرى ونقول “هذه برتقالة”.
الهدف هنا هو التنبؤ. تستخدم البنوك هذا الأسلوب لكشف الاحتيال: “هذه معاملة سليمة، وهذه معاملة احتيالية سابقة.. الآن تعلمي الفرق”.
ثانياً: التعلم بدون إشراف (Unsupervised Learning) - المستكشف
هنا نترك الآلة وحدها مع كومة ضخمة من البيانات غير المفهومة، ونطلب منها: “جدي لي نظاماً في هذه الفوضى”.
لا يوجد معلم، ولا توجد إجابات صحيحة مسبقة.
الهدف هنا هو الاكتشاف.
الآلة تبدأ في تجميع البيانات المتشابهة في مجموعات (Clusters). تستخدم الشركات هذا الأسلوب لفهم العملاء: “لدينا مليون عميل، صنفيهم لي حسب سلوكهم الشرائي”. الآلة قد تكتشف فئة من العملاء “الأثرياء الذين يشترون ليلاً فقط”، وهو نمط لم ينتبه له أحد.
ثانياً: التعلم التعزيزي (Reinforcement Learning) - اللعب والتجربة
هذا الأسلوب يشبه تدريب الحيوانات أو تعلم المشي. نضع الآلة في بيئة ونطلب منها اتخاذ قرارات. إذا أحسنت نعطيها “مكافأة” (نقطة إيجابية)، وإذا أخطأت نعاقبها (نقطة سلبية).
الآلة تلعب ملايين المرات، وتتعلم من أخطائها لتعظيم مكاسبها. هذا هو الأسلوب الذي جعل الذكاء الاصطناعي يهزم أبطال العالم في الشطرنج ولعبة “Go”.
هو لم يقرأ كتب الشطرنج، بل لعب ضد نفسه ملايين المرات حتى اكتشف استراتيجيات لا يعرفها البشر.
٤. الصندوق الأسود: معضلة الثقة
هناك نقطة فلسفية وتقنية تثير القلق في عالم “تعلم الآلة”.
في البرمجة القديمة، كنا نعرف بالضبط لماذا اتخذ البرنامج هذا القرار (لأن السطر رقم ٥٠ يقول ذلك).
أما في تعلم الآلة، وخاصة في “التعلم العميق”، فالآلة تبني شبكة معقدة جداً من العلاقات الرياضية لدرجة أننا أحياناً لا نعرف لماذا اتخذت هذا القرار.
نحن نرى المدخلات، ونرى المخرجات، لكن ما يحدث في المنتصف هو “صندوق أسود” (Black Box).
إذا رفضت الآلة طلبك للحصول على قرض بنكي، قد لا يستطيع موظف البنك شرح السبب بدقة، لأن القرار جاء بناءً على معادلة معقدة تشمل آلاف المتغيرات المتداخلة.
هذا يضعنا أمام تحدٍ جديد:
نحن نبني أنظمة أذكى منا في مجالات محددة، لكننا نفقد القدرة تدريجياً على تفسير منطقها.
٥. من الخوارزمية إلى القرار: الواقع الجديد
ما الذي يعنيه كل هذا لحياتنا اليومية؟
يعني أن القرارات لم تعد تعتمد فقط على الحدس البشري أو القوانين الجامدة.
عندما يقترح عليك “نيتفليكس” فيلماً ويعجبك فعلاً، هذا ليس سحراً، هذا تعلم آلة حلل سلوكك وسلوك الملايين غيرك.
عندما يكتشف الطبيب ورماً في مرحلة مبكرة جداً بمساعدة الآلة، هذا تعلم آلة رأى آلاف صور الأشعة السابقة.
عندما تتغير أسعار الأسهم في أجزاء من الثانية، هذا تعلم آلة يقرأ السوق أسرع من أي وسيط بشري.
نحن ننتقل من عالم تديره القواعد المكتوبة، إلى عالم تديره الاحتمالات المستنبطة.
خاتمة: لست بحاجة لتكون مبرمجاً، لكن..
الذكاء الاصطناعي وتعلم الآلة ليسا مجرد أدوات تقنية للمهندسين.
إنهما يمثلان طريقة تفكير جديدة. في المستقبل القريب، لن يكون السؤال “هل تعرف كيف تبرمج؟”،
بل سيكون “هل تعرف كيف تختار البيانات الصحيحة لتعليم الآلة؟”
وهل تعرف كيف تقيم نتائجها؟
قيمة الإنسان لن تكمن في القيام بالحسابات، فالآلة تفوقت في ذلك منذ زمن.
قيمة الإنسان ستكمن في طرح الأسئلة الصحيحة، وفي الحكمة اللازمة لتوجيه هذه القدرات الهائلة.
الآلة تتعلم بسرعة مذهلة..
والسؤال الحقيقي هو: هل نحن نتعلم بنفس السرعة لنواكبها؟
هل أعجبك هذا المقال؟
هذه هي الحلقة الثانية من سلسلتنا لتبسيط علوم الذكاء الاصطناعي.
الرحلة ما زالت في بدايتها، وفي المقالات القادمة سنغوص في “التعلم العميق” والشبكات العصبية التي تحاكي دماغ الإنسان.
🔗 لا تفوت المقالات القادمة، اشترك في النشرة البريدية الآن لتصلك التحليلات فور نشرها:
وإذا فاتك المقال الأول “الذكاء ليس سحراً.. بل هو رياضيات”، يمكنك قراءته من هنا.