تعريفات مباشرة للمصطلحات المستخدمة في برامج ابسلون ايه اي — ماذا يعني كل مصطلح، وبمَ يُخلط عادةً. مكتوبة لمن يقرّر ما إذا كان البرنامج مناسبًا له.
الذكاء الاصطناعي هو برمجيات تؤدّي مهامّ تحتاج عادةً إلى حكم بشري — التعرّف على صورة، أو قراءة مستند، أو التنبّؤ برقم، أو إدارة محادثة.
وهو مصطلح جامع لا تقنية واحدة. ومعظم أنظمة الذكاء الاصطناعي العاملة اليوم نماذج تعلّم آلي مدرَّبة على أمثلة، داخل برمجيات تقليدية تقرّر متى تستدعيها وماذا تفعل بالإجابة.
اطّلع أيضًا: التعلّم الآلي (ML) الذكاء الاصطناعي التوليدي
التعلّم الآلي هو ملاءمة نموذج لأمثلة تاريخية ليتنبّأ بحالات جديدة، بدلًا من اتّباع قواعد كتبها إنسان يدويًا.
والفرق العملي المهم: محرّك القواعد ينفّذ ما قيل له، والنموذج ينفّذ ما دلّت عليه البيانات. وهذا يجعله أفضل في المسائل غير المنتظمة وأصعب في التفسير، ولذلك تكون الحوكمة والمراقبة جزءًا من العمل لا إضافة لاحقة.
اطّلع أيضًا: التعلّم العميق MLOps (عمليات التعلّم الآلي) حوكمة البيانات
التعلّم العميق هو تعلّم آلي بشبكات عصبية متعدّدة الطبقات، تتعلّم سمات مفيدة من البيانات الخام — بكسلات أو صوت أو نص — بدل تلقّي سمات صمّمها محلّل.
وهو ما جعل التعرّف على الصور والكلام ونماذج اللغة الحديثة تعمل. والتكلفة بيانات وحوسبة: إذ يحتاج النموذج العميق عادةً إلى أمثلة أكثر بكثير من النموذج التقليدي ليتفوّق عليه.
اطّلع أيضًا: الشبكة العصبية الرؤية الحاسوبية معالجة اللغة الطبيعية (NLP)
الشبكة العصبية نموذج مبنيّ من طبقات وحدات عددية بسيطة، تُضبَط أوزان الوصلات بينها أثناء التدريب حتى تطابق مخرجاتُها الأمثلةَ التي عُرضت عليها.
والاسم مستعار من علم الأحياء ويتوقّف الشبه عند حدّ مبكر — فهي دالة قابلة للاشتقاق ذات معاملات كثيرة جدًا، تُلاءَم بالانحدار التدرّجي.
اطّلع أيضًا: التعلّم العميق
نموذج اللغة الكبير شبكة عصبية مدرَّبة على كميات ضخمة من النصوص للتنبّؤ بالنص التالي، وهو ما يكفي — كما تبيّن — للتلخيص والترجمة والتصنيف والإجابة والكتابة.
ولا توجد داخله قاعدة بيانات ولا مفهوم للصواب: فهو ينتج أرجح امتداد بالنظر إلى تدريبه وإلى الأمر الموجَّه إليه. وتفسّر هذه الحقيقة وحدها فائدته وهلوسته معًا.
اطّلع أيضًا: الذكاء الاصطناعي التوليدي الهلوسة التوليد المعزَّز بالاسترجاع (RAG) الضبط الدقيق (Fine-tuning)
الذكاء الاصطناعي التوليدي هو فئة النماذج التي تنتج محتوى جديدًا — نصًا أو صورًا أو صوتًا أو شيفرة — بدل أن تُعيد تصنيفًا أو درجة أو رقمًا.
وهو شكل مختلف عن مسائل التنبّؤ، ويُقيَّم بطريقة مختلفة: فنادرًا ما يوجد مخرَج صحيح واحد، ولذلك تُقاس الجودة وفق معايير يضعها إنسان لا وفق مفتاح إجابات محجوز.
اطّلع أيضًا: نموذج اللغة الكبير (LLM) هندسة الأوامر (Prompt engineering) وكيل الذكاء الاصطناعي
التوليد المعزَّز بالاسترجاع نمط يقوم على البحث في مستنداتك عن المقاطع المتعلّقة بالسؤال، ثم تمريرها إلى نموذج لغوي وسؤاله الإجابة منها.
وبه يجيب المساعد عن مواد لم يُدرَّب النموذج عليها قط — دليل سياسات أو مجموعة عقود أو كتالوج منتجات — ولذلك يستطيع الاستشهاد بمصدر. وهو يقلّل الهلوسة ولا يلغيها: فالنموذج الذي يتلقّى المقطع الخطأ يجيب بثقة من المقطع الخطأ.
اطّلع أيضًا: نموذج اللغة الكبير (LLM) التضمين (Embedding) قاعدة البيانات المتجهية الهلوسة
هندسة الأوامر هي كتابة التعليمات المعطاة لنموذج لغوي — المهمّة والسياق والصيغة والقيود — بحيث يكون مخرَجه مفيدًا وقابلًا للتكرار.
وفي بيئة التشغيل لا تعني العبارات البارعة بقدر ما تعني الوضوح: تحديد الدور، وتقديم أمثلة، وتعريف بنية المخرَج، وبيان ما يُفعل عندما لا تكون الإجابة في المواد.
اطّلع أيضًا: نموذج اللغة الكبير (LLM) الذكاء الاصطناعي التوليدي
الهلوسة عبارة سلسة وواثقة يصدرها نموذج لغوي وهي غير صحيحة — استشهاد مختلَق، أو رقم معقول، أو دالّة لا وجود لها.
وليست خللًا يُرقَّع بل نتيجة لطريقة عمل النموذج: فهو يتنبّأ بنصّ معقول، والمعقول ليس الصحيح. والدفاعات العملية هي الاسترجاع والاستشهاد ومراجعة بشرية لكلّ ما له أثر.
اطّلع أيضًا: نموذج اللغة الكبير (LLM) التوليد المعزَّز بالاسترجاع (RAG)
التضمين قائمة أعداد تمثّل نصًا أو صورة أو عنصرًا، موضوعة بحيث تتجاور الأشياء المتقاربة في المعنى.
وبه يعثر البحث على «الإجازة السنوية» بينما يقول المستند «استحقاق الأجازات» — فالمطابقة على المعنى لا على الألفاظ.
اطّلع أيضًا: قاعدة البيانات المتجهية التوليد المعزَّز بالاسترجاع (RAG)
قاعدة البيانات المتجهية تخزّن التضمينات وتجيب بسرعة عن سؤال «أيّ العناصر المخزَّنة أقرب في المعنى إلى هذا؟» عبر ملايين السجلات.
وهي نصف الاسترجاع في نظام RAG. وبإمكان قاعدة بيانات تقليدية القيام بذلك على نطاق صغير؛ أمّا المتخصّصة فوُجدت للسرعة وبنى الفهرسة لا لفكرة مختلفة.
اطّلع أيضًا: التضمين (Embedding) التوليد المعزَّز بالاسترجاع (RAG)
الضبط الدقيق هو مواصلة تدريب نموذج مدرَّب على أمثلتك الخاصة، ليتبنّى أسلوبًا أو صيغة أو مهمّة لم يُتقنها جاهزًا.
وهو يعلّم سلوكًا لا حقائق. وحين يكون الهدف أن يعرف النموذج مستنداتك، يكون الاسترجاع أرخص وأسهل صيانة — فالمستندات تتغيّر والنموذج المضبوط لا يتغيّر.
اطّلع أيضًا: نموذج اللغة الكبير (LLM) التوليد المعزَّز بالاسترجاع (RAG)
وكيل الذكاء الاصطناعي نظام يستخدم نموذجًا ليقرّر الخطوات التي يتّخذها والأدوات التي يستدعيها — بحثًا أو قراءةً أو كتابةً في نظام — بدل إنتاج إجابة واحدة والتوقّف.
والسؤال الهندسي ليس النموذج قطّ بل الحدود: ما الذي يحقّ للوكيل فعله دون إشراف، وما الذي يجب اعتماده، وما الذي يسجّله ليتمكّن أحد من المراجعة لاحقًا.
اطّلع أيضًا: الذكاء الاصطناعي التوليدي أتمتة العمليات الروبوتية (RPA) حوكمة البيانات
معالجة اللغة الطبيعية هي المجال المعنيّ بجعل البرمجيات تتعامل مع اللغة البشرية — تصنيفها واستخراج المعلومات منها وترجمتها وتلخيصها.
والعربية تضيف عملًا لا تضيفه الإنجليزية: تصريف غنيّ، وتشكيل اختياري، ولهجات تختلف عن الفصحى المكتوبة — ولذلك قد يؤدّي نموذج جيّد بالإنجليزية أداءً ضعيفًا في المهمّة نفسها بالعربية.
اطّلع أيضًا: نموذج اللغة الكبير (LLM) التعلّم العميق
الرؤية الحاسوبية هي المجال المعنيّ باستخراج المعلومات من الصور والفيديو — ما الموجود في اللقطة، وأين هو، وهل تغيّر، وهل به عيب.
وفي الصناعة هي في الغالب فحص وعدّ وسلامة: قراءة عدّاد، ورصد عيب على خطّ الإنتاج، وملاحظة وجود شخص في منطقة لا ينبغي أن يكون فيها.
اطّلع أيضًا: التعلّم العميق الصيانة التنبّؤية
التنبّؤ بالسلاسل الزمنية هو توقّع قيم مستقبلية لشيء يُقاس مرارًا عبر الزمن — طلب أو حِمل أو سعر أو استهلاك — اعتمادًا على تاريخه وعلى ما يتحرّك معه.
والمزلق هو تقييمه كأيّ نموذج آخر: فالسلسلة الزمنية يجب أن تُختبر على المستقبل لا على تقسيم عشوائي، وإلّا قُيِّم النموذج على معلومات ما كانت لتتوفّر له.
اطّلع أيضًا: التعلّم الآلي (ML) الصيانة التنبّؤية
الصيانة التنبّؤية هي استخدام بيانات المستشعرات وسجلّ الصيانة لتقدير الوقت المرجّح لعطل الآلة، فتُخدَم قبل وقوعه بدل الاعتماد على جدول ثابت.
وتؤتي ثمارها حيث يكون التوقّف غير المخطّط مكلفًا وحيث تترك الأعطال أثرًا في البيانات قبل وقوعها. وحيث لا يتحقّق ذلك تكون الصيانة المجدولة أرخص، وقول ذلك جزء من التحليل.
اطّلع أيضًا: التنبّؤ بالسلاسل الزمنية الرؤية الحاسوبية
MLOps هي ممارسة تشغيل نماذج التعلّم الآلي في بيئة الإنتاج — إصدار البيانات والنماذج ونشرها ومراقبة أدائها وإعادة تدريبها حين يتغيّر الواقع.
ووُجدت لأنّ النموذج الدقيق عند إطلاقه يتوقّف بهدوء عن كونه دقيقًا: فالمدخلات تنجرف، والعمل يتغيّر، ولا شيء يُعلن العطل. والمراقبة هي الجزء الأكثر إهمالًا والأكثر ندمًا عليه.
اطّلع أيضًا: التعلّم الآلي (ML) خطّ معالجة البيانات حوكمة البيانات
أتمتة العمليات الروبوتية برمجيات تؤدّي عملًا مكتبيًا متكرّرًا قائمًا على قواعد بالطريقة التي يؤدّيه بها الإنسان — فتح النظام، ونسخ الحقل، وحفظ السجلّ.
وهي ليست تعلّمًا آليًا ولا تتعلّم؛ بل تتّبع مسارًا محدّدًا بدقّة. ويلتقي الاثنان حين تُقرَن بنموذج يقرأ المستند غير المهيكل الذي يعتمد عليه المسار.
اطّلع أيضًا: وكيل الذكاء الاصطناعي التعلّم الآلي (ML)
ETL هي عملية سحب البيانات من أنظمتها المصدرية، وإعادة تشكيلها وتنظيفها، وتحميلها حيث ستُحلَّل.
وELT هي الخطوات الثلاث نفسها بترتيب مختلف — التحميل أولًا ثم التحويل داخل المستودع — وهو ما جعلته مستودعات السحابة الحديثة عمليًا وأقلّ كلفة في الغالب.
اطّلع أيضًا: خطّ معالجة البيانات البيانات الضخمة
خطّ معالجة البيانات هو المسار المؤتمت الذي تسلكه البيانات من موضع إنتاجها إلى موضع استخدامها، بما فيه خطوات التحقّق والتحويل والجدولة.
ومعظم العمل في مشروع تحليلات أو ذكاء اصطناعي هنا لا في النموذج، وكذلك معظم الإخفاقات — فالخطّ الذي يسلّم بيانات قديمة بصمت ينتج إجابات خاطئة واثقة فيما بعده.
اطّلع أيضًا: ETL (الاستخراج والتحويل والتحميل) البيانات الضخمة حوكمة البيانات
تصف البيانات الضخمة مجموعات بيانات كبيرة أو سريعة بما يكفي لتعجز معه الأدوات التقليدية على جهاز واحد، فتُوزَّع المعالجة على عنقود من الأجهزة.
والعتبة عملية لا رقمية: تُبلَغ حين لا تعود البيانات تتّسع للجهاز أو للموعد النهائي، ولذلك تهمّ الأدوات أكثر من التسمية.
اطّلع أيضًا: خطّ معالجة البيانات ETL (الاستخراج والتحويل والتحميل)
ذكاء الأعمال هو إعداد التقارير وتحليل ما وقع فعلًا — لوحات المعلومات والمؤشرات والاستعلامات خلفها — ليرى الناس حال العمل ويتصرّفوا بناءً عليه.
والفارق عن التعلّم الآلي بسيط ويستحقّ الحفاظ عليه: ذكاء الأعمال يخبرك بما حدث، والنموذج يقدّر ما سيحدث. ولوحة لا يتصرّف أحد بناءً عليها مشكلةُ تقارير لا مشكلةُ بيانات.
اطّلع أيضًا: ETL (الاستخراج والتحويل والتحميل) التعلّم الآلي (ML)
حوكمة البيانات هي مجموعة القواعد والسجلات التي تحدّد من يجوز له استخدام أيّ بيانات ولأيّ غرض، ومن أين جاء كلّ رقم، ومن يتحمّل مسؤولية صحّته.
وهي ما يجعل نتيجة الذكاء الاصطناعي قابلة للدفاع عنها لاحقًا. وبلا تتبّع للأثر وضبط للوصول تبدو الإجابة الصحيحة والخاطئة سواءً في شريحة عرض.
اطّلع أيضًا: خطّ معالجة البيانات MLOps (عمليات التعلّم الآلي)
Security Features
Verification successful
Secure · Private · Verified
