ما هو التعلم الآلي؟ وكيف تتعلم الآلة من البيانات خطوة بخطوة؟

عندما تسمع عبارة التعلم الآلي Machine Learning، قد تتخيل أن الحاسوب يجلس مثل الطالب أمام كتاب ويتعلم منه شيئًا جديدًا، لكن الواقع التقني مختلف وأدق من ذلك بكثير. الآلة لا "تفهم" البيانات كما يفهمها الإنسان، ولا تمتلك عقلًا واعيًا يقرر وحده ماذا يتعلم، وإنما تستخدم خوارزميات رياضية تسمح لها باكتشاف أنماط وعلاقات داخل البيانات، ثم تعديل نموذج رياضي تدريجيًا حتى يصبح قادرًا على التنبؤ أو التصنيف أو اتخاذ قرار بدرجة مقبولة من الدقة.

وهنا تكمن قوة التعلم الآلي. في البرمجة التقليدية، يكتب المبرمج القواعد بشكل مباشر: إذا حدث كذا، افعل كذا. أما في Machine Learning، فنحن لا نعطي النظام جميع القواعد بالتفصيل، بل نعطيه أمثلة وبيانات، ثم نترك الخوارزمية تستخرج منها النمط. تخيل مثلًا أنك تريد بناء نظام يميز الرسائل المزعجة من الرسائل العادية. بدل كتابة آلاف القواعد يدويًا، يمكنك إعطاء النموذج أمثلة كثيرة مصنفة، ثم تدريبه على اكتشاف الكلمات والأنماط والعلاقات التي تساعده على التمييز بين النوعين.

هذا الانتقال من البرمجة بالقواعد إلى التعلم من البيانات هو ما جعل التعلم الآلي واحدًا من أهم فروع الذكاء الاصطناعي، وهو السبب في أننا نراه اليوم في محركات التوصية، وكشف الاحتيال، والتنبؤ بالمبيعات، وتحليل الصور، والتعرف على الأصوات، وتشخيص الأعطال، وغيرها من الاستخدامات. وفي هذا المقال سنفهم العملية كاملة من الصفر: ما هو التعلم الآلي؟ كيف تتحول البيانات إلى نموذج؟ كيف يعرف النموذج أنه أخطأ؟ وكيف يتعلم تدريجيًا حتى يصبح قادرًا على التعامل مع بيانات جديدة لم يرها من قبل؟

ما هو التعلم الآلي؟ وكيف تتعلم الآلة من البيانات خطوة بخطوة؟

ما هو التعلم الآلي علميًا؟

التعلم الآلي هو فرع من فروع الذكاء الاصطناعي يهتم ببناء نماذج تستطيع تحسين أدائها في مهمة معينة من خلال التعرض للبيانات. بدل كتابة كل القواعد يدويًا، يتم تعريف هدف واضح ثم استخدام خوارزمية تبحث عن علاقات داخل البيانات تساعدها على تحقيق هذا الهدف.

إذا أردنا مثلًا توقع سعر منزل، فإننا لا نكتب قاعدة تقول إن كل متر مربع يزيد السعر بمقدار ثابت، لأن الواقع أكثر تعقيدًا من ذلك. بدلًا من ذلك، نعطي النموذج بيانات حقيقية عن منازل سابقة تشمل المساحة والموقع وعدد الغرف وعمر المبنى والسعر النهائي، ثم تحاول الخوارزمية تعلم العلاقة بين هذه الخصائص والسعر.

ما الفرق بين البرنامج التقليدي ونموذج التعلم الآلي؟

في البرنامج التقليدي، تكون العلاقة واضحة: بيانات + قواعد مكتوبة = نتيجة. أما في Machine Learning فالصورة مختلفة: بيانات + نتائج معروفة = نموذج يتعلم القواعد تقريبًا. بعد التدريب، يمكن استخدام هذا النموذج مع بيانات جديدة للحصول على توقعات.

هذه الفكرة بسيطة نظريًا، لكنها قوية جدًا عمليًا، لأنها تسمح ببناء أنظمة تعمل في مشكلات يصعب فيها تحديد جميع القواعد يدويًا.

الخطوة الأولى: تحديد المشكلة قبل جمع البيانات

أي مشروع Machine Learning يبدأ قبل كتابة الكود. البداية الصحيحة هي تحديد السؤال الذي تريد من النموذج الإجابة عنه. إذا كان السؤال غامضًا، سيكون من الصعب اختيار البيانات أو النموذج أو حتى طريقة التقييم.

لنفترض أنك تدير متجرًا إلكترونيًا وتريد معرفة العملاء الذين قد يتوقفون عن الشراء. السؤال هنا يمكن صياغته بوضوح: هل نستطيع استخدام سلوك العميل السابق للتنبؤ باحتمال مغادرته؟ من هذه الصياغة نعرف أن المهمة غالبًا تصنيف Classification، لأن النتيجة قد تكون "سيغادر" أو "لن يغادر".

نوع المشكلة يحدد كل ما يأتي بعدها

إذا كانت النتيجة رقمًا مستمرًا، مثل سعر أو درجة حرارة أو مبيعات متوقعة، فنحن أمام Regression. وإذا كانت النتيجة فئة، فنحن أمام Classification. وإذا لم تكن لدينا إجابة صحيحة مسبقًا ونريد اكتشاف مجموعات داخل البيانات، فقد نستخدم Clustering أو أساليب التعلم غير الخاضع للإشراف.

هذه الخطوة مهمة لأن اختيار نوع المشكلة الخاطئ يشبه استخدام أداة قياس درجة الحرارة لقياس المسافة؛ لن تكون المشكلة في جودة الأداة فقط، بل في أنك اخترت أداة لمهمة مختلفة.

الخطوة الثانية: جمع البيانات المناسبة

بعد تحديد المشكلة، يأتي السؤال الأهم: ما البيانات التي يمكن أن تساعد النموذج على التعلم؟ البيانات هي المادة الخام التي سيبني منها النموذج معرفته، ولذلك فإن جودتها تؤثر مباشرة في النتيجة.

في مثال العملاء، قد نجمع عدد عمليات الشراء، وقيمة الإنفاق، ومدة الاشتراك، وعدد مرات زيارة التطبيق، ومدة عدم النشاط. هذه المتغيرات تسمى Features أو خصائص.

ما المقصود بالـ Features؟

الـ Feature هي معلومة يستخدمها النموذج لفهم الحالة. في نموذج أسعار المنازل، قد تكون المساحة Feature، وعدد الغرف Feature أخرى، والموقع Feature ثالثة.

أما القيمة التي نريد التنبؤ بها فتسمى غالبًا Target أو Label.

البيانات لا تكون مفيدة لمجرد أنها كثيرة

قد يكون لديك مليون سجل لكنها لا تحتوي على معلومات مرتبطة فعليًا بالمشكلة. في المقابل، قد تكون مجموعة أصغر لكنها أكثر دقة وفائدة. لذلك لا يجب الخلط بين كمية البيانات وجودتها.

الخطوة الثالثة: تنظيف البيانات ومعالجتها

نادراً ما تأتي البيانات في صورة مثالية. قد توجد قيم ناقصة، أو سجلات مكررة، أو أخطاء إدخال، أو فئات مكتوبة بأكثر من شكل. قبل التدريب، يجب معالجة هذه المشكلات.

تخيل أن لديك عمود العمر وفيه قيم مثل 25 و31 و40 ثم قيمة 900. هذه القيمة قد تكون خطأ. وإذا استخدمتها كما هي، فقد تؤثر في النموذج.

لماذا تنظيف البيانات جزء من التعلم نفسه؟

لأن النموذج يتعلم مما تعطيه له. إذا كانت البيانات مليئة بالأخطاء، فسيتعلم منها أنماطًا خاطئة. ولهذا يقال في علوم البيانات: Garbage In, Garbage Out؛ أي إذا كانت المدخلات رديئة، فلا تتوقع مخرجات ممتازة.

تحويل البيانات إلى شكل يفهمه النموذج

بعض الخوارزميات لا تتعامل مباشرة مع النصوص أو الفئات، لذلك نحتاج إلى تحويلها إلى أرقام. يمكن مثلًا تحويل فئة "مدينة" إلى ترميز عددي، أو تمثيل الكلمات بمتجهات رقمية.

وهذه الخطوة تسمى غالبًا Preprocessing.

الخطوة الرابعة: تحليل البيانات قبل التدريب

قبل بناء النموذج، من الأفضل تنفيذ تحليل استكشافي للبيانات EDA. الهدف هو فهم ما لديك: توزيع القيم، العلاقات، القيم الشاذة، الفئات النادرة، والأنماط المحتملة.

إذا وجدت أن متغيرًا معينًا مرتبط بقوة بالهدف، فقد يكون مهمًا. وإذا وجدت أن عمودًا لا يتغير تقريبًا، فقد لا يكون مفيدًا.

لماذا التحليل مهم للمبتدئ؟

لأنه يعلمك أن Machine Learning ليس عملية "ضع البيانات داخل الخوارزمية واضغط تشغيل". النموذج جزء من سلسلة أوسع، وفهم البيانات غالبًا هو الذي يحدد جودة القرار.

الخطوة الخامسة: تقسيم البيانات إلى تدريب واختبار

بعد تجهيز البيانات، لا يجب أن تستخدمها كلها لتدريب النموذج ثم تقيس الأداء عليها نفسها. إذا فعلت ذلك، قد يبدو النموذج ممتازًا لأنه رأى الأمثلة بالفعل.

لذلك يتم عادة تقسيم البيانات إلى Training Set وTest Set، وأحيانًا إلى Training وValidation وTest.

ما وظيفة بيانات التدريب؟

بيانات التدريب هي الأمثلة التي يستخدمها النموذج لتعديل نفسه وتعلم الأنماط.

وما وظيفة بيانات الاختبار؟

بيانات الاختبار لا يجب أن يراها النموذج أثناء التدريب. بعد انتهاء التدريب نعرضها عليه لنقيس قدرته على التعامل مع بيانات جديدة.

هذه الفكرة هي أساس التعميم

إذا نجح النموذج فقط في البيانات التي تدرب عليها، فهو لا يتعلم فعليًا بشكل مفيد. الهدف أن يستطيع Generalize، أي تطبيق ما تعلمه على أمثلة جديدة.

الخطوة السادسة: اختيار الخوارزمية المناسبة

بعد ذلك نختار خوارزمية Machine Learning. توجد خوارزميات كثيرة، مثل Linear Regression وLogistic Regression وDecision Trees وRandom Forest وSupport Vector Machines وغيرها.

لا توجد خوارزمية أفضل في كل الحالات. الاختيار يعتمد على نوع البيانات، وحجمها، وطبيعة المشكلة، ودرجة التفسير المطلوبة.

لماذا لا يجب أن تبدأ بأعقد نموذج؟

لأن النموذج البسيط يساعدك على بناء Baseline تعرف من خلاله مستوى الأداء الأساسي. إذا لم يتفوق النموذج المعقد بوضوح على نموذج بسيط، فقد لا يستحق التكلفة الإضافية.

الخطوة السابعة: ماذا يحدث أثناء التدريب؟

هنا نصل إلى قلب التعلم الآلي. أثناء التدريب، يحاول النموذج إنتاج توقعات ثم تتم مقارنتها بالنتائج الصحيحة. الفرق بين التوقع والحقيقة يتم قياسه باستخدام دالة خطأ Loss Function.

لنفترض أن السعر الحقيقي لمنزل هو 500 ألف، والنموذج توقع 450 ألفًا. يوجد خطأ مقداره 50 ألفًا. الهدف هو تعديل النموذج بحيث تقل هذه الأخطاء تدريجيًا على مجموعة التدريب.

كيف يعرف النموذج ما الذي يجب تغييره؟

يعتمد هذا على الخوارزمية. في بعض النماذج توجد معاملات Parameters تتغير أثناء التدريب. الخوارزمية تبحث عن القيم التي تجعل التنبؤات أقرب إلى النتائج الحقيقية.

في الشبكات العصبية، يمكن استخدام خوارزميات تحسين مثل Gradient Descent لتعديل الأوزان تدريجيًا.

التعلم يعني تعديل النموذج وليس تخزين الإجابات

هذه نقطة مهمة. النموذج الجيد لا يحفظ كل مثال حرفيًا، بل يحاول اكتشاف القاعدة العامة التي تربط المدخلات بالمخرجات.

كيف يعمل Gradient Descent بطريقة مبسطة؟

تخيل أنك تقف فوق جبل في ضباب كثيف وتريد الوصول إلى أدنى نقطة. لا ترى الخريطة كاملة، لذلك تنظر إلى الميل من حولك وتتحرك خطوة في الاتجاه الذي ينخفض فيه الارتفاع.

Gradient Descent يعمل بطريقة مشابهة. النظام يحسب اتجاه التغيير الذي يقلل Loss، ثم يعدل القيم قليلًا في هذا الاتجاه، ويكرر العملية.

ما هو Learning Rate؟

معدل التعلم أو Learning Rate يحدد حجم الخطوة التي يأخذها النموذج أثناء التعديل. إذا كانت الخطوة كبيرة جدًا، قد يتجاوز الحل الأفضل. وإذا كانت صغيرة جدًا، قد يصبح التدريب بطيئًا.

وهذه واحدة من الأمثلة التي توضح أن تدريب النموذج ليس مجرد تشغيل آلي، بل يحتاج إلى ضبط وفهم.

الخطوة الثامنة: قياس أداء النموذج

بعد التدريب يجب تقييم النموذج. لكن طريقة التقييم تختلف حسب المشكلة.

في التصنيف، قد تستخدم Accuracy، وPrecision، وRecall، وF1-score. وفي الانحدار قد تستخدم MAE أو MSE أو RMSE.

لماذا لا يكفي Accuracy دائمًا؟

إذا كانت لديك 1000 حالة، منها 990 حالة عادية و10 فقط خطيرة، يمكن لنموذج أن يقول إن الجميع عادي ويحقق Accuracy تساوي 99% تقريبًا. لكن هذا النموذج فشل تمامًا في اكتشاف الحالات المهمة.

هنا نحتاج إلى مقاييس مثل Recall وPrecision حتى نفهم الأداء بصورة أدق.

ما هو Overfitting ولماذا يعتبر خطرًا؟

Overfitting يحدث عندما يتعلم النموذج تفاصيل بيانات التدريب بدرجة كبيرة حتى يفشل في التعميم.

يمكن تشبيه ذلك بطالب حفظ الأسئلة والإجابات دون فهم القاعدة. إذا تغير السؤال قليلًا، يتعثر.

كيف نكتشف Overfitting؟

إذا كان الأداء مرتفعًا جدًا على بيانات التدريب وأقل بكثير على بيانات الاختبار، فهذه علامة واضحة.

كيف نعالجه؟

يمكن استخدام تقنيات مثل تبسيط النموذج، أو زيادة البيانات، أو Regularization، أو تحسين عملية اختيار الخصائص.

وما هو Underfitting؟

المشكلة العكسية هي Underfitting، وفيها يكون النموذج بسيطًا جدًا لدرجة أنه لا يتعلم العلاقات المهمة حتى في بيانات التدريب.

إذن لدينا توازن: نموذج بسيط جدًا لا يتعلم بما يكفي، ونموذج معقد جدًا قد يحفظ البيانات.

الهدف هو الوصول إلى التوازن

أفضل نموذج ليس الأكثر تعقيدًا، بل الذي يحقق أفضل قدرة على التعميم.

الخطوة التاسعة: تحسين النموذج

بعد التقييم، يبدأ التحسين. قد تغيّر الخوارزمية، أو تضبط Hyperparameters، أو تضيف Features أفضل، أو تعالج عدم التوازن في البيانات.

المهم أن يكون التحسين منظمًا. لا تغير كل شيء مرة واحدة؛ لأنك لن تعرف ما الذي أدى إلى التحسن.

ما هي Hyperparameters؟

هي إعدادات نحددها قبل التدريب وليست قيمًا يتعلمها النموذج مباشرة. مثل عمق شجرة القرار أو معدل التعلم أو عدد الجيران في بعض الخوارزميات.

اختيارها يؤثر في الأداء ويحتاج إلى تجارب مدروسة.

الخطوة العاشرة: اختبار النموذج على بيانات جديدة

بعد الوصول إلى نسخة جيدة، يتم اختبارها على بيانات لم تشارك في التدريب أو التحسين. هذه المرحلة تعطينا تقييمًا أكثر واقعية.

إذا كان الأداء جيدًا هنا، يمكن التفكير في استخدام النموذج عمليًا.

التقييم الواقعي أهم من النتيجة داخل المختبر

قد يعمل النموذج جيدًا على بيانات معينة ثم يواجه صعوبة في الواقع لأن البيانات الجديدة مختلفة.

وهذا يقود إلى مفهوم مهم يسمى Data Drift، أي تغير طبيعة البيانات مع الوقت.

هل ينتهي العمل بعد نشر النموذج؟

لا. في التطبيقات الحقيقية، النشر هو بداية مرحلة جديدة. يجب مراقبة أداء النموذج، لأن سلوك المستخدمين أو البيئة قد يتغير.

مثلًا، نموذج اكتشاف الاحتيال الذي يعمل اليوم قد يصبح أقل كفاءة إذا تغيرت أساليب المحتالين.

Machine Learning عملية مستمرة

قد تحتاج إلى جمع بيانات جديدة، وإعادة التدريب، ومراجعة الأداء بانتظام.

هذا ما يجعل Machine Learning جزءًا من نظام مستمر وليس مجرد ملف نموذج يتم إنشاؤه مرة واحدة.

ما هي الأنواع الرئيسية للتعلم الآلي؟

يمكن تقسيم المجال إلى عدة أنواع أساسية، ولكل نوع طريقة مختلفة في التعلم.

التعلم الخاضع للإشراف Supervised Learning

يتم التدريب باستخدام بيانات تحتوي على إجابات صحيحة. الهدف هو تعلم العلاقة بين المدخلات والمخرجات.

التعلم غير الخاضع للإشراف Unsupervised Learning

لا توجد Labels جاهزة. يحاول النظام اكتشاف بنية أو مجموعات داخل البيانات.

التعلم بالتعزيز Reinforcement Learning

يتعلم الوكيل من خلال التفاعل مع بيئة والحصول على Rewards أو عقوبات.

كل نوع يحل نوعًا مختلفًا من المشكلات

لا يوجد نوع واحد يناسب جميع الحالات، ولذلك يجب أن تبدأ دائمًا من طبيعة المشكلة نفسها.

كيف "تتعلم" الآلة فعليًا؟

إذا أردنا تبسيط العملية كلها، يمكن النظر إليها كسلسلة متكررة: النموذج يحصل على بيانات، ينتج توقعًا، يقارن هذا التوقع بالحقيقة، يحسب الخطأ، ثم يعدل نفسه، ويكرر العملية.

هذا لا يعني أن الآلة أصبحت واعية. ما يحدث هو تحسين رياضي منظم.

التعلم هنا هو تغيير في المعاملات

في كثير من النماذج، يوجد عدد من المعاملات الداخلية. التدريب يبحث عن قيم أفضل لهذه المعاملات.

كل مرة تتحسن فيها القيم، تتحسن التوقعات عادة.

ما الفرق بين التعلم الآلي والتعلم العميق؟

Deep Learning هو فرع داخل Machine Learning يعتمد على شبكات عصبية عميقة.

التعلم الآلي التقليدي قد يعمل جيدًا مع البيانات الجدولية ومشكلات كثيرة، بينما Deep Learning أصبح قويًا جدًا في الصور والصوت واللغة.

التعلم العميق لا يلغي Machine Learning التقليدي

في بعض المشكلات، نموذج بسيط يكون أسرع وأرخص وأكثر قابلية للتفسير من شبكة عميقة. اختيار التقنية يجب أن يعتمد على المشكلة وليس على شهرة الأداة.

مثال عملي مبسط: توقع سعر منزل

لنفترض أن لدينا بيانات عن ألف منزل. لكل منزل نعرف المساحة وعدد الغرف والموقع والسعر.

نبدأ بتنظيف البيانات، ثم نحول الموقع إلى تمثيل رقمي مناسب، وبعد ذلك نقسم البيانات إلى تدريب واختبار. ندرب نموذج Regression على جزء التدريب، ثم نقيس الخطأ على الجزء الآخر.

إذا كان الخطأ كبيرًا، نحاول فهم السبب. ربما نحتاج إلى Features إضافية، أو أن العلاقة غير خطية، أو أن هناك قيمًا شاذة.

هذا المثال البسيط يحتوي تقريبًا على دورة Machine Learning كاملة.

مثال آخر: كشف الرسائل المزعجة

هنا لدينا نصوص ورسائل وتصنيف معروف مسبقًا: Spam أو Not Spam. يتم تحويل النص إلى تمثيل رقمي، ثم تدريب نموذج Classification.

بعد التدريب، نستخدم مقاييس مثل Precision وRecall لتقييم الأداء.

إذا كان النظام يمنع رسائل مهمة بالخطأ، فقد نحتاج إلى تحسين Precision. وإذا كان يسمح بمرور كثير من الرسائل المزعجة، فقد نهتم أكثر بـ Recall.

المقياس مرتبط بالهدف

وهذه فكرة مهمة جدًا: جودة النموذج لا تقاس برقم واحد منفصل عن المشكلة.

لماذا تعتبر البيانات أهم من الخوارزمية أحيانًا؟

لأن النموذج لا يستطيع اختراع معلومات غير موجودة في البيانات. إذا كنت تحاول توقع شيء ما ولا توجد أي إشارة مرتبطة به داخل البيانات، فلن يحل النموذج المشكلة مهما كان متقدمًا.

البيانات النظيفة والمتنوعة والممثلة للواقع قد ترفع الأداء أكثر من الانتقال إلى نموذج أكثر تعقيدًا.

هل يمكن أن يتعلم النموذج تحيزات البيانات؟

نعم. إذا كانت البيانات تحتوي على تحيزات، يمكن للنموذج أن يتعلمها أو حتى يضخم أثرها.

لهذا يجب تقييم العدالة والتمثيل، خصوصًا في المجالات الحساسة.

الخوارزمية لا تعرف تلقائيًا ما هو عادل

هي تتعلم العلاقات الموجودة في البيانات. المسؤولية تقع على المصممين والمطورين في تحليل هذه المخاطر.

هل التعلم الآلي يحتاج دائمًا إلى بيانات ضخمة؟

ليس دائمًا. حجم البيانات المطلوب يعتمد على نوع المشكلة وتعقيد النموذج.

بعض النماذج التقليدية تعمل جيدًا مع مجموعات صغيرة نسبيًا، بينما الشبكات العميقة غالبًا تستفيد من بيانات أكثر.

الجودة والتنوع قد يكونان أهم من الحجم

بيانات كثيرة لكنها متشابهة جدًا قد لا تكون مفيدة مثل بيانات أقل لكنها تمثل الحالات الواقعية بشكل أفضل.

كيف تبدأ تعلم Machine Learning عمليًا؟

إذا كنت مبتدئًا، فمن الأفضل أن تبدأ بالبيانات الجدولية والخوارزميات البسيطة قبل الدخول إلى Deep Learning.

تعلم Python وPandas وNumPy، ثم Scikit-learn، وبعد ذلك نفذ مشروعات تصنيف وانحدار.

حاول في كل مشروع أن تمر بالمراحل كاملة: فهم البيانات، التنظيف، التحليل، التقسيم، التدريب، التقييم، والتحسين.

المشروع الكامل أهم من حفظ عشرات الخوارزميات

عندما تنفذ مشروعًا من البداية إلى النهاية، تبدأ في فهم العلاقة بين الخطوات. وهذا ما يبني الخبرة الحقيقية.

الخلاصة: تعلم الآلة هو عملية تحسين مستمرة تعتمد على البيانات

التعلم الآلي Machine Learning ليس سحرًا، وليس عقلًا إلكترونيًا يتعلم بنفس الطريقة التي يتعلم بها الإنسان. هو مجموعة من الأساليب الرياضية والحاسوبية التي تسمح للنظام باكتشاف الأنماط داخل البيانات وتحسين أدائه في مهمة محددة.

تبدأ العملية بتحديد المشكلة، ثم جمع البيانات وتنظيفها وتحليلها، وبعدها تقسيمها واختيار خوارزمية مناسبة. أثناء التدريب ينتج النموذج توقعات، ويقارنها بالحقيقة، ويقيس الخطأ، ثم يعدل نفسه تدريجيًا. بعد ذلك يتم تقييمه على بيانات جديدة للتأكد من أنه لم يحفظ بيانات التدريب فقط.

وهنا تظهر الفكرة الجوهرية: الهدف من التعلم الآلي ليس حفظ الماضي، بل استخراج نمط يسمح بالتعامل مع المستقبل. عندما ينجح النموذج في التعميم، يمكن استخدامه في التنبؤ والتصنيف واتخاذ قرارات مبنية على البيانات.

إذا فهمت هذه الدورة جيدًا، فأنت قد فهمت الأساس الذي تقوم عليه مساحة ضخمة من الذكاء الاصطناعي الحديث. ومن هذه النقطة يصبح الانتقال إلى التعلم العميق والشبكات العصبية والنماذج التوليدية أسهل بكثير، لأنك تعرف بالفعل كيف تتحول البيانات إلى نموذج، وكيف يتحول الخطأ إلى تعلم، وكيف تتحول التجربة إلى قدرة على التنبؤ.