عندما تستخدم نموذج ذكاء اصطناعي وتطلب منه أن يتعرف على صورة، أو يتوقع قيمة، أو يكتب نصًا، أو يحلل بيانات، فأنت في الحقيقة ترى النتيجة النهائية لرحلة طويلة تبدأ قبل ذلك بكثير. هذه الرحلة تسمى تدريب نماذج الذكاء الاصطناعي، وهي العملية التي يتحول فيها النموذج من بنية رياضية لا تعرف شيئًا عن المشكلة إلى نظام يستطيع اكتشاف الأنماط وإنتاج توقعات بناءً على البيانات التي تدرب عليها.
الفكرة قد تبدو معقدة في البداية، لكن يمكن فهمها خطوة بخطوة. تخيل أن لديك طالبًا لم يرَ من قبل صور القطط والكلاب، ثم عرضت عليه آلاف الأمثلة وأخبرته في كل مرة ما الصورة الصحيحة. بعد فترة سيبدأ في ملاحظة أنماط معينة؛ شكل الأذن، والوجه، والفرو، وبنية الجسم. النموذج يعمل بطريقة مختلفة عن الإنسان، لكنه يمر بفكرة مشابهة من ناحية وجود أمثلة، ومحاولات، وأخطاء، وتصحيح متكرر. الفرق أن كل ذلك يحدث عبر معادلات رياضية وأوزان واحتمالات وخوارزميات تحسين.
 |
| كيف تُدرَّب نماذج الذكاء الاصطناعي؟ من البيانات إلى التنبؤ |
ما المقصود بتدريب نموذج ذكاء اصطناعي؟
تدريب النموذج يعني ضبط القيم الداخلية التي تحدد طريقة استجابته للبيانات. في البداية تكون هذه القيم غير مهيأة لمعرفة الأنماط المطلوبة، لكن أثناء التدريب يتم تعديلها تدريجيًا حتى يصبح النموذج أفضل في المهمة.
هذه القيم تسمى غالبًا Parameters أو معاملات النموذج. وفي الشبكات العصبية تشمل الأوزان والانحيازات. كل مرة يرى فيها النموذج مثالًا، يصدر توقعًا، ثم يقارن التوقع بالحقيقة، ويحسب مقدار الخطأ، وبعد ذلك تستخدم خوارزمية التدريب هذا الخطأ لتغيير المعاملات قليلًا.
التدريب لا يعني تخزين البيانات حرفيًا
من المهم جدًا أن نفهم أن النموذج الجيد لا يفترض أن يحفظ كل أمثلة التدريب كما هي. الهدف هو أن يكتشف نمطًا عامًا يسمح له بالتعامل مع بيانات جديدة. فإذا حفظ الأمثلة دون أن يتعلم القاعدة العامة، فلن يكون مفيدًا في الواقع.
هذا الفرق بين الحفظ والتعميم هو أحد أهم المفاهيم في تدريب AI.
المرحلة الأولى: تحديد المشكلة التي نريد حلها
قبل جمع البيانات أو كتابة أي كود، يجب أولًا أن نحدد ما الذي نريد من النموذج فعله. هل نريد تصنيف صورة؟ توقع سعر؟ اكتشاف احتيال؟ تلخيص نص؟ الإجابة عن سؤال؟
نوع المشكلة يحدد شكل البيانات والخوارزمية ودالة الخطأ وطريقة التقييم.
كل مشروع يبدأ بسؤال واضح
إذا كان السؤال مثل "هل هذه الرسالة مزعجة؟" فنحن أمام مشكلة تصنيف. إذا كان السؤال "كم سيكون سعر هذا المنزل؟" فنحن أمام مشكلة انحدار. وإذا كان السؤال "أنشئ فقرة مناسبة لهذا الموضوع"، فنحن أمام مشكلة توليد.
كلما كان السؤال أكثر وضوحًا، أصبح تصميم التدريب أكثر دقة.
المرحلة الثانية: جمع البيانات
البيانات هي المادة التي يتعلم منها النموذج. لذلك لا يمكن بناء نموذج قوي من دون بيانات مناسبة. لكن كلمة "مناسبة" هنا مهمة جدًا، لأن كمية البيانات وحدها ليست كافية.
إذا كنت تريد تدريب نموذج على التعرف على الحيوانات، فيجب أن تحتوي البيانات على أمثلة متنوعة من الزوايا والإضاءة والخلفيات المختلفة، لا على صور متشابهة جدًا فقط.
لماذا التنوع مهم؟
لأن النموذج سيتعلم مما يراه. إذا رأى القطط دائمًا على خلفية بيضاء، فقد يتعلم بطريقة خاطئة أن الخلفية البيضاء مرتبطة بفئة "قطة". وعندما يرى قطة في حديقة، قد يفشل.
هذا مثال بسيط على أن البيانات لا تعلم النموذج فقط، بل تحدد نوع المعرفة التي يكتسبها.
المرحلة الثالثة: تنظيف البيانات
نادراً ما تكون البيانات جاهزة فورًا للتدريب. قد توجد أخطاء، أو قيم مفقودة، أو تكرارات، أو صور تالفة، أو نصوص غير مناسبة، أو فئات غير متوازنة.
هذه المرحلة تسمى Data Cleaning، وهي غالبًا واحدة من أكثر مراحل المشروع استهلاكًا للوقت.
البيانات السيئة تنتج نموذجًا سيئًا
حتى أفضل الخوارزميات لا تستطيع تعويض بيانات مليئة بالأخطاء. إذا كانت Labels خاطئة، فإن النموذج سيتعلم علاقات خاطئة. وإذا كانت البيانات منحازة، فقد تظهر هذه الانحيازات في النتائج.
لذلك تدريب AI يبدأ فعليًا من جودة البيانات، لا من لحظة تشغيل الخوارزمية.
المرحلة الرابعة: تحويل البيانات إلى شكل يمكن للنموذج فهمه
الحاسوب لا يفهم الصور أو النصوص أو الصوت كما يفهمها الإنسان، لذلك يجب تحويل البيانات إلى تمثيلات رقمية.
الصورة تصبح مصفوفات من أرقام البكسلات. النص يتحول إلى Tokens ثم إلى تمثيلات رقمية. الصوت يمكن تحويله إلى موجات أو تمثيلات طيفية. أما البيانات الجدولية فتكون أصلًا في شكل رقمي غالبًا لكنها قد تحتاج إلى تطبيع أو ترميز.
ما المقصود بـ Preprocessing؟
Preprocessing هو مجموعة العمليات التي تجهز البيانات قبل التدريب. قد تشمل تحويل القيم، وتوحيد النطاقات، وترميز الفئات، وإزالة الضوضاء، وتقسيم النصوص، أو تغيير حجم الصور.
هذه الخطوة تؤثر بشكل مباشر في قدرة النموذج على التعلم.
المرحلة الخامسة: تقسيم البيانات
بعد تجهيز البيانات، لا نستخدمها كلها في التدريب. عادة نقسمها إلى مجموعات مختلفة، أهمها Training Set وValidation Set وTest Set.
مجموعة التدريب هي التي يتعلم منها النموذج. مجموعة التحقق تستخدم أثناء تطوير النموذج وضبط إعداداته. أما مجموعة الاختبار فتستخدم في النهاية للحصول على تقييم أكثر واقعية لأداء النموذج على بيانات لم يرها.
لماذا لا نختبر النموذج على بيانات التدريب؟
لأن ذلك يشبه أن تعطي طالبًا الامتحان نفسه الذي تدرب عليه ثم تقول إنه متفوق. ما نحتاج إليه هو معرفة هل فهم القاعدة أم حفظ الإجابات.
وهذا هو سبب أهمية بيانات الاختبار.
المرحلة السادسة: اختيار بنية النموذج
بعد تجهيز البيانات، يجب اختيار النموذج المناسب للمشكلة. قد يكون نموذجًا بسيطًا مثل Linear Regression، أو خوارزمية مثل Random Forest، أو شبكة عصبية عميقة، أو Transformer.
الاختيار لا يعتمد على الشهرة، بل على نوع البيانات والمهمة وحجم المشروع.
النموذج المعقد ليس دائمًا الأفضل
قد تكون المشكلة بسيطة بما يكفي لنموذج صغير وسريع وقابل للتفسير. استخدام نموذج ضخم في كل شيء قد يزيد التكلفة دون فائدة حقيقية.
الاحتراف يعني اختيار أبسط نموذج يحقق الهدف بكفاءة.
المرحلة السابعة: تهيئة المعاملات
في الشبكات العصبية، تبدأ الأوزان بقيم ابتدائية معينة. هذه القيم لا تمثل معرفة مفيدة بعد، لكنها تمنح التدريب نقطة بداية.
إذا كانت التهيئة سيئة، قد يصبح التدريب بطيئًا أو غير مستقر.
المعاملات هي ذاكرة النموذج الرياضية
كل ما يتعلمه النموذج يتم تمثيله جزئيًا داخل هذه القيم. أثناء التدريب تتغير مرارًا حتى يصبح السلوك النهائي أفضل.
في النماذج الكبيرة قد يوجد ملايين أو مليارات المعاملات.
المرحلة الثامنة: تمرير البيانات للأمام
عندما ندخل مثالًا إلى النموذج، تمر البيانات عبر طبقاته حتى ينتج توقعًا. هذه العملية تسمى Forward Pass.
في نموذج صور مثلًا، تدخل قيم البكسلات، ثم تمر عبر الطبقات، وفي النهاية قد يخرج النموذج احتمالات لكل فئة.
التوقع الأول غالبًا يكون ضعيفًا
في بداية التدريب، لأن الأوزان لم تتعلم بعد، قد تكون التوقعات قريبة من العشوائية. لكن هذا أمر طبيعي. التدريب كله يعتمد على تحسين هذه النتائج تدريجيًا.
المرحلة التاسعة: حساب الخطأ
بعد أن ينتج النموذج توقعه، نحتاج إلى معرفة مدى قربه من الحقيقة. هنا نستخدم Loss Function أو دالة الخسارة.
دالة الخسارة تحول الخطأ إلى قيمة رقمية. كلما كانت القيمة أكبر، كان التوقع أسوأ.
نوع المشكلة يحدد نوع Loss
في التصنيف قد تستخدم دالة مختلفة عن الانحدار. وفي النماذج اللغوية توجد دوال مرتبطة بتوقع الرموز.
المهم أن تعبر دالة الخسارة عن الهدف الذي نريد تحسينه.
المرحلة العاشرة: الانتشار العكسي
في الشبكات العصبية، بعد حساب Loss، نحتاج إلى معرفة كيف ساهم كل وزن في هذا الخطأ. تستخدم هنا عملية Backpropagation.
هذه العملية تحسب التدرجات أو Gradients، أي مقدار التغير المتوقع في الخسارة إذا تغير وزن معين قليلًا.
لماذا هذه الخطوة مهمة؟
لأن النموذج لا يستطيع تحسين نفسه إذا لم يعرف أي القيم يجب تعديلها وبأي اتجاه.
Backpropagation تعطيه هذه المعلومة بصورة رياضية.
المرحلة الحادية عشرة: تحديث الأوزان
بعد حساب Gradients، نستخدم خوارزمية تحسين مثل Gradient Descent أو أحد تطويراتها لتحديث الأوزان.
كل تحديث يكون عادة صغيرًا، لأن الهدف هو التحرك تدريجيًا نحو قيم أفضل.
ما هو Learning Rate؟
معدل التعلم يحدد حجم الخطوة أثناء تحديث الأوزان. إذا كان كبيرًا جدًا، قد يصبح التدريب غير مستقر. وإذا كان صغيرًا جدًا، فقد يستغرق الوصول إلى نتيجة جيدة وقتًا طويلًا.
اختيار Learning Rate مناسب يعتبر من أهم قرارات التدريب.
كيف تتكرر عملية التدريب؟
النموذج لا يرى البيانات مرة واحدة وينتهي. تمر البيانات عليه مرات متعددة، وفي كل مرة تتحسن الأوزان.
كل مرور كامل على بيانات التدريب يسمى Epoch.
ما فائدة تكرار Epochs؟
لأن التعلم تدريجي. قد يحتاج النموذج إلى عشرات أو مئات الدورات حتى تبدأ العلاقات المهمة في الاستقرار.
لكن التدريب لعدد كبير جدًا قد يؤدي إلى Overfitting، لذلك يجب مراقبة الأداء.
ما هي Batches؟
بدل تمرير مجموعة البيانات بالكامل دفعة واحدة، نقسمها غالبًا إلى مجموعات صغيرة تسمى Batches. على سبيل المثال، إذا كان لديك 100 ألف صورة، يمكن تمرير 64 صورة في كل خطوة.
لماذا نستخدم Batches؟
لأنها تقلل الحاجة إلى ذاكرة ضخمة، وتسمح بتحديث الأوزان أكثر من مرة خلال Epoch واحدة.
اختيار حجم Batch يؤثر في السرعة والاستقرار واستهلاك الذاكرة.
كيف نعرف أن التدريب يتحسن؟
نراقب عادة Loss ومقاييس الأداء عبر الزمن. إذا كانت الخسارة تقل والأداء على Validation يتحسن، فهذا مؤشر جيد.
لكن إذا استمرت نتائج التدريب في التحسن بينما بدأت نتائج Validation في التدهور، فقد يكون النموذج بدأ في حفظ بيانات التدريب.
هنا يظهر Overfitting
Overfitting يعني أن النموذج أصبح متخصصًا جدًا في بيانات التدريب، لكنه لا يتعامل جيدًا مع بيانات جديدة.
هذه واحدة من أشهر المشكلات في تدريب AI.
كيف نعالج Overfitting؟
هناك عدة طرق حسب المشكلة. قد نزيد البيانات، أو نستخدم Data Augmentation، أو نقلل تعقيد النموذج، أو نضيف Regularization، أو نستخدم Dropout في الشبكات، أو نوقف التدريب مبكرًا.
الأهم هو فهم السبب بدل تطبيق حلول عشوائية.
التعميم هو الهدف الحقيقي
النموذج الناجح هو الذي يعمل جيدًا خارج مجموعة التدريب، لأن هذا هو السيناريو الحقيقي بعد النشر.
ما هو Underfitting؟
المشكلة العكسية هي Underfitting، وفيها يكون النموذج ضعيفًا لدرجة أنه لا يتعلم حتى بيانات التدريب جيدًا.
قد يحدث ذلك إذا كان النموذج بسيطًا جدًا أو إذا لم يتدرب وقتًا كافيًا.
التدريب الجيد يبحث عن التوازن
نريد نموذجًا لا يكون بسيطًا جدًا فيفشل في التعلم، ولا معقدًا جدًا فيحفظ البيانات. هذا التوازن هو جوهر كثير من قرارات تصميم النماذج.
ما الفرق بين Parameters وHyperparameters؟
Parameters هي القيم التي يتعلمها النموذج أثناء التدريب. أما Hyperparameters فهي إعدادات نختارها نحن قبل أو أثناء عملية التدريب.
من أمثلة Hyperparameters:
Learning Rate.
Batch Size.
عدد Epochs.
عدد الطبقات.
حجم بعض الطبقات.
قوة Regularization.
اختيار هذه القيم يمكن أن يغير الأداء بشكل كبير.
كيف يتم ضبط Hyperparameters؟
يمكن تجربتها يدويًا، أو استخدام أساليب منظمة للبحث عن أفضل القيم، مثل Grid Search أو Random Search أو تقنيات أكثر تطورًا.
لكن حتى هنا يجب أن يكون التقييم على Validation وليس على Test.
لماذا لا نستخدم Test أثناء الضبط؟
لأننا إذا عدلنا النموذج مرارًا بناءً على Test، تصبح Test جزءًا غير مباشر من عملية التدريب، وبالتالي تفقد قدرتها على إعطاء تقييم نزيه في النهاية.
ما دور البيانات غير المتوازنة؟
إذا كانت إحدى الفئات أكبر بكثير من الأخرى، فقد يتعلم النموذج الميل إلى الفئة الأكبر.
مثلًا إذا كانت 99% من المعاملات سليمة و1% احتيالية، فقد يحقق النموذج Accuracy مرتفعة جدًا بمجرد توقع "سليم" دائمًا.
لهذا لا يكفي Accuracy وحدها
يجب استخدام مقاييس مثل Precision وRecall وF1 حسب المشكلة، وربما معالجة عدم التوازن بطرق مناسبة.
ما أهمية Data Leakage؟
Data Leakage يحدث عندما تصل إلى النموذج أثناء التدريب معلومات لن تكون متاحة له في الواقع وقت التنبؤ. هذا قد يجعل الأداء يبدو ممتازًا بشكل وهمي.
مثال مبسط
إذا كنت تحاول توقع هل العميل سيغادر، ثم استخدمت عمودًا تم تسجيله فقط بعد مغادرته، فأنت أعطيت النموذج الإجابة بطريقة غير مباشرة.
هذه من أخطر الأخطاء لأنها قد تمر دون ملاحظة بسهولة.
كيف تُدرَّب نماذج الصور؟
في الرؤية الحاسوبية، يتم إدخال الصور في شكل مصفوفات رقمية. أثناء التدريب تتعلم الشبكات أنماطًا مختلفة عبر الطبقات.
قد تتعلم الطبقات الأولى الحواف، ثم أشكالًا، ثم أجزاء من كائنات، ثم تمثيلات أكثر تعقيدًا.
زيادة البيانات قد تساعد
تقنيات Data Augmentation تسمح بإنشاء نسخ معدلة من الصور عبر التدوير أو الاقتصاص أو التغيير الطفيف في الإضاءة، مما يساعد النموذج على التعميم.
كيف تُدرَّب نماذج اللغة؟
في النماذج اللغوية، يتم تحويل النص إلى Tokens، ثم يتعلم النموذج عادة مهمة مرتبطة بتوقع الرمز التالي أو جزء من النص.
من خلال التكرار على كميات ضخمة من البيانات، يتعلم أنماط اللغة والسياق والعلاقات بين الكلمات.
التدريب المسبق Pretraining
في النماذج الكبيرة، توجد مرحلة Pretraining على بيانات واسعة جدًا، ثم يمكن بعد ذلك تخصيص النموذج لمهام محددة باستخدام Fine-Tuning أو تقنيات أخرى.
النموذج لا يحفظ القواعد النحوية ككتاب
بل يتعلم أنماطًا إحصائية وعلاقات داخل اللغة من خلال البيانات والتنبؤ.
ما هو Fine-Tuning؟
بعد وجود نموذج مدرب مسبقًا، يمكن مواصلة تدريبه على بيانات أكثر تخصصًا، وهذا يسمى Fine-Tuning.
مثلًا يمكن تخصيص نموذج لغوي للتعامل مع نصوص قانونية أو تقنية.
لماذا لا ندرب من الصفر دائمًا؟
لأن التدريب من الصفر مكلف جدًا ويحتاج إلى كميات ضخمة من البيانات والحوسبة. استخدام نموذج موجود يوفر كثيرًا من الوقت والموارد.
ما هو Transfer Learning؟
Transfer Learning يعني نقل المعرفة من مهمة أو بيانات سابقة إلى مهمة جديدة. النموذج يبدأ بمعرفة مكتسبة بدل أن يبدأ من الصفر.
هذا مفيد جدًا خصوصًا عندما تكون بيانات المهمة الجديدة محدودة.
ما الفرق بين التدريب والاستدلال؟
Training يعني تعديل النموذج وتغيير أوزانه باستخدام البيانات. أما Inference فهو استخدام النموذج بعد التدريب لإنتاج توقعات جديدة.
مثال واضح
عندما يتعلم النموذج على مليون صورة، هذه مرحلة التدريب. عندما ترفع صورة واحدة بعد ذلك وتسأل "ما هذا؟"، فهذه مرحلة الاستدلال.
الفرق مهم لأن التدريب عادة أغلى حسابيًا بكثير من الاستخدام العادي.
كيف يتحول النموذج من التدريب إلى التنبؤ؟
بعد الانتهاء من التدريب، يتم حفظ الأوزان والبنية. عندما يدخل مثال جديد، لا يحتاج النموذج عادة إلى التعلم من جديد. يستخدم القيم التي تعلمها سابقًا ويحسب النتيجة مباشرة.
في التنبؤ، تمر البيانات عبر الشبكة في Forward Pass فقط في كثير من الحالات، دون Backpropagation.
هل النموذج يتعلم بعد النشر تلقائيًا؟
ليس بالضرورة. كثير من النماذج لا تتغير أثناء الاستخدام. لكي تتعلم من بيانات جديدة، تحتاج إلى عملية تدريب أو تحديث مخصصة.
التعلم المستمر يحتاج إلى تصميم خاص
بعض الأنظمة يمكن أن تعيد التدريب دوريًا على بيانات جديدة، لكن ذلك يحتاج إلى مراقبة حتى لا يتعلم النموذج أخطاء أو تحيزات جديدة.
لماذا نراقب النموذج بعد النشر؟
لأن البيانات في العالم الحقيقي تتغير. قد تتغير سلوكيات العملاء، أو الأسعار، أو الأجهزة، أو اللغة المستخدمة.
هذه الظاهرة تسمى أحيانًا Data Drift.
النموذج الذي كان جيدًا اليوم قد يضعف لاحقًا
لذلك تحتاج المؤسسات إلى مراقبة الأداء وإعادة التدريب عند الحاجة.
كيف نقيس جودة نموذج قبل استخدامه؟
لا يكفي النظر إلى رقم واحد. يجب تحليل الأخطاء، وفحص الأداء عبر شرائح مختلفة من البيانات، واختبار الحالات الصعبة.
قد يكون النموذج جيدًا في المتوسط لكنه ضعيفًا جدًا مع فئة معينة.
التقييم الحقيقي متعدد الجوانب
يتضمن الدقة، والاستقرار، والعدالة، والسرعة، والتكلفة، وقابلية التفسير، حسب نوع التطبيق.
ما علاقة القدرة الحاسوبية بالتدريب؟
كلما زاد حجم النموذج والبيانات، زادت الحاجة إلى موارد حسابية. لذلك تستخدم GPUs وTPUs في التدريب المتقدم لأنها قادرة على تنفيذ عمليات متوازية ضخمة.
لكن المبتدئ لا يحتاج عادة إلى أجهزة خارقة. يمكن تدريب نماذج صغيرة على جهاز عادي أو باستخدام بيئات سحابية.
هل النموذج الأكبر يتدرب دائمًا بشكل أفضل؟
لا. الحجم يزيد القدرة الممكنة، لكنه قد يزيد أيضًا التكلفة ويجعل التدريب أكثر صعوبة.
نموذج صغير مناسب للمشكلة قد يكون أفضل عمليًا من نموذج ضخم.
الاختيار الجيد أهم من الاستعراض التقني
الهدف هو حل المشكلة، لا استخدام أكبر نموذج ممكن.
ما الفرق بين التدريب من الصفر واستخدام نموذج جاهز؟
التدريب من الصفر يعني أن النموذج يبدأ بأوزان ابتدائية ويكتسب كل المعرفة خلال تدريبك أنت. أما النموذج الجاهز فقد تم تدريبه سابقًا ويمكنك استخدامه مباشرة أو تخصيصه.
اليوم تعتمد تطبيقات كثيرة على نماذج مدربة مسبقًا لأن ذلك أكثر كفاءة.
أين تحدث الأخطاء الأكبر في عملية التدريب؟
غالبًا لا تكون المشكلة في الخوارزمية فقط، بل في البيانات أو تصميم التجربة. قد تكون Labels ضعيفة، أو توجد Data Leakage، أو تم تقسيم البيانات بطريقة خاطئة، أو اختيار مقياس لا يناسب الهدف.
لهذا فإن تدريب AI يحتاج إلى تفكير علمي أكثر من مجرد تشغيل كود.
مثال عملي مبسط: تدريب نموذج يتوقع أسعار المنازل
لنفترض أن لدينا بيانات عن عدة آلاف من المنازل. نبدأ بجمع معلومات مثل المساحة، وعدد الغرف، والموقع، والعمر، والسعر. بعد ذلك ننظف القيم، ونعالج البيانات النصية، ونقسم البيانات إلى تدريب واختبار.
نختار نموذج Regression، وندربه على بيانات التدريب، ثم نقيس الخطأ. إذا كان الأداء ضعيفًا، قد نضيف Features أو نغير النموذج أو نضبط Hyperparameters.
في النهاية نختبر أفضل نسخة على Test Set، وإذا كان الأداء مناسبًا يمكن استخدام النموذج على منازل جديدة.
هذه الدورة هي جوهر التدريب
حتى لو تغير نوع البيانات أو النموذج، تبقى الفكرة الأساسية متشابهة: بيانات، معالجة، تدريب، خطأ، تحسين، تقييم، ثم استخدام.
الخلاصة: التدريب هو رحلة تحويل البيانات إلى قدرة على التنبؤ
تدريب نماذج الذكاء الاصطناعي هو العملية التي يتعلم فيها النموذج من الأمثلة عن طريق تعديل معاملاته تدريجيًا. تبدأ الرحلة بتحديد المشكلة وجمع البيانات، ثم تنظيفها وتحويلها إلى شكل رقمي مناسب، ثم تقسيمها، واختيار النموذج، وبدء التدريب.
أثناء التدريب، تمر البيانات عبر النموذج ليصدر توقعًا، ثم تتم مقارنة هذا التوقع بالحقيقة باستخدام Loss Function. بعد ذلك تُحسب Gradients، وتستخدم خوارزمية تحسين لتعديل الأوزان. تتكرر العملية عبر Batches وEpochs حتى يتحسن الأداء، مع مراقبة مشاكل مثل Overfitting وUnderfitting وData Leakage.
بعد ذلك يتم تقييم النموذج على بيانات جديدة للتأكد من أنه تعلم نمطًا قابلًا للتعميم، لا أنه حفظ الأمثلة فقط. وإذا نجح، ينتقل إلى مرحلة الاستدلال، حيث يستخدم ما تعلمه لإنتاج توقعات جديدة.
الفكرة التي يجب أن تبقى في ذهنك هي أن النموذج لا يولد المعرفة من فراغ. كل قدرته ناتجة عن تفاعل البيانات مع الخوارزمية والتدريب والتقييم. وكلما فهمت هذه الرحلة، أصبح من السهل عليك فهم كيف يتم تدريب نماذج الصور واللغة والتنبؤ والذكاء الاصطناعي التوليدي، لأن الأساس واحد: البيانات تعطي الأمثلة، والخطأ يعطي الإشارة، والخوارزمية تحول هذه الإشارة إلى تعلم.
0 تعليقات