خطة دورة أساسيات الذكا الصناعي (على نمط Elements of AI مع تحديثات 2025)
مقدمة الدورة

هالدورة مصممة للمبتدئين اللي ودهم يتعرفون على أساسيات الذكا الصناعي بطريقة بسيطة وتدريجية. مأخوذة فكرتها من دورة Elements of AI الشهيرة
classcentral.com
، وحنّا عدّلناها وأضافنا عليها حوالي 30% محتوى جديد من أحدث التطورات بالأعوام الأخيرة حتى 2025. الهدف إننا نفكك غموض الذكا الصناعي ونشرح وش ممكن (ووش الـ لا) يقدر يسويه الذكا الصناعي، وكيف قاعد يأثر على حياتنا
classcentral.com
. المميز بالدورة إنها موجهة لكل الناس، مو بس حقين البرمجة – ما تحتاج حساب تفاضل ولا برمجة 😄✋، يكفي تعرف الجمع والطرح وشويّة رياضيات بسيطة. بنستخدم لغة سهلة وأقرب للهجتنا النجديّة عشان تستوعب بسرعة، وبنوضح المصطلحات العلمية بالطريقة المناسبة إذا احتجنا.

هيكل الدورة: مقسمة إلى 6 وحدات (مثل فصول)، تغطي مواضيع متنوعة من تعريف الذكا الصناعي إلى طرق التعلم الآلي والشبكات العصبية ثم الآثار المجتمعية. كل وحدة تعتبر Module مستقل، وتحتوي دروس نظرية وتمارين خفيفة تفاعلية. نبيك تمشي بالترتيب لأن كل وحدة تبني على اللي قبلها.

المدة والتقدم: تقدر تمشي بالوتيرة اللي تناسبك (الدورة ذاتية السرعة). لكن إذا ودك جدول، نقترح تخصيص حوالي أسبوع لكل وحدة، يعني الدورة كلها تخلصها في 6 أسابيع تقريبًا. كل وحدة تحتاج تقريبًا 5 إلى 10 ساعات دراسة (قراءة وفهم وحل تمارين)
classcentral.com
 – طبعًا حسب سرعتك، ممكن بعضكم ينجزها في 4 ساعات وبعضكم ياخذ 8 ساعات، ما في مشكلة. المجموع تقريبًا 30-40 ساعة للدورة كلها.

طريقة التعلّم: المحتوى بيكون على شكل نصوص وصور وتمارين تفاعلية – ما في محاضرات فيديو طويلة، لأننا بنشرح بأسلوب سهل مثل سوالف مبسّطة مع أمثلة
classcentral.com
. في نهاية كل جزء من الوحدة غالبًا في تمرين أو سؤال قصير عشان تطبّق اللي تعلمته. بعض الأسئلة اختيار متعدد، وبعضها مسائل حسابية بسيطة، وفيه حوالي 5 أسئلة جوابها كتابي (مناقشة/رأي) لازم تكتب إجابة قصيرة وتقيم زملائك وهم يقيمونك
classcentral.com
 (peer review). نظام التقييم نفسه مثل الدورة الأصلية: لازم تحل 90% من التمارين على الأقل وإجاباتك الصحيحة تكون 50% أو أكثر عشان تعتبر ناجح بالدورة
classcentral.com
. ولا تخاف – المحاولة وحدة بس للأسئلة الاختيارية، فنبيك تركز بالإجابة، والأسئلة النقاشية بنعطيك نموذج إجابة بعد ما تكتب رأيك عشان تستفيد.

الشهادة: إذا كملت الدورة وحققت شروط النجاح، بتقدر تحمل شهادة إتمام معتمدة مجانًا تثبت فيها إنك فهمت أساسيات الذكا الصناعي. هالدورة معتمدة كـ2 ساعة أكاديمية (ECTS) في فنلندا يوم أطلقوها، لكن أهم شيء عندنا إنك تطلع منها بفهم ومهارات تخليك تناقش مواضيع الذكا الصناعي بثقة
classcentral.com
.

تكييف محلّي: حرصنا نضيف أمثلة وتمارين لها علاقة بمجتمعنا السعودي وحياتنا اليومية عشان تكون الدورة قريبة من واقعنا. بتشوف أمثلة عن استخدام الذكا الصناعي بالحج، وبالنفظ والغاز (مثل أرامكو)، وبالخدمات الحكومية والتطبيقات المحلية. الهدف إنه يكون المحتوى مترابط ثقافيًا مع بيئتنا، فالطالب/ـة النجدي يقدر يتخيّل بسهولة وين ممكن تنطبق التقنيات في حياته أو عمله. ولا تنسى إن رؤية السعودية 2030 تراهن بشكل كبير على التقنيات الناشئة مثل الذكا الصناعي – مثلا أطلقت المملكة استراتيجية وطنية للبيانات والذكا الصناعي وتستهدف تكون من أعلى 15 دولة بالعالم جاهزيةً للذكاء الصناعي بحلول 2030
digitalbricks.ai
، واستثمرت مؤخراً 100 مليار دولار بمبادرة ضخمة اسمها “مشروع التحول” لدعم البنية التحتية والبحوث والشركات الناشئة في الذكا الصناعي
digitalbricks.ai
. فعلى قولتهم: “الجاي أعظم”، وحنا مجهزينك بالأساسيات اللازمة عشان تكون جزء من هالمستقبل الواعد!

الوحدة الأولى: وش هو الذكا الصناعي؟ (يقابل الفصل 1 "ما هو الذكاء الاصطناعي؟" من الدورة الأصلية)

بهالوحدة بنبدأ من الصفر: وش نعني بالذكا الصناعي أصلًا؟ كثير نسمع بالمصطلح بكل مكان اليوم، وناس واجد يخافون منه أو يفهمونه غلط. هنا بنفهم المعنى الصحيح خطوة خطوة، ونميز الحقيقة عن المبالغات.

مواضيع أصلية بهالوحدة:

تعريف الذكا الصناعي – بنناقش وش التعريفات المختلفة لهذا المجال. بنشوف إن ما فيه تعريف واحد متفق عليه تمامًا 😅. البعض يقول “الذكاء الصناعي = أي شي تسويه الحواسيب وما يقدر عليه الإنسان بسهولة”، وبعضهم يتخيل أفلام الخيال العلمي (روبوتات واعية وعبقرية تفكر من نفسها). بالمقدمة هذه بنحاول نعطي تعريف عملي: إن الذكا الصناعي عبارة عن مجموعة طرق خوارزمية تخلي الكمبيوتر يحاكي شيء من الذكاء البشري، مثل حل المشاكل أو التعلم من البيانات
curlynoemi.medium.com
. بنذكر نكتة قديمة معروفة: "الذكاء الصناعي هو كل شيء حلو ما تعرف الحواسيب تسويه..." وإن كل ما تعلمنا كمبيوتر شغلة جديدة، قلنا خلاص هذه صارت برمجة عادية مب ذكاء صناعي 😅 (لأن الناس دايم يطاردون فكرة إن الذكا الصناعي شي سحري خارق)
curlynoemi.medium.com
. المهم إننا نفهم إن المصطلح مرن ويتغير مع الوقت.

المجالات المرتبطة بالذكا الصناعي – وش الفرق بين الذكا الصناعي والتعلم الآلي (Machine Learning) والتعلم العميق (Deep Learning) وعلوم البيانات (Data Science)؟ بنوضح العلاقة بينهم بشكل رسم بياني بسيط (دوائر متداخلة – مثل مخطط إويلر)
curlynoemi.medium.com
. باختصار: التعلم الآلي جزء من الذكاء الصناعي، التعلم العميق جزء من التعلم الآلي، وكلها تعتبر فروع من علوم الحاسب والإحصاء. وبرضو علوم البيانات مجال قريب يهتم بتحليل البيانات ويمكن يستخدم طرق من الذكا الصناعي. بنعطيك تمرين ترسم مخطط يورّي التقسيمات هذي عشان المعلومة تثبت براسك
curlynoemi.medium.com
.

فلسفة الذكا الصناعي – بنلمّح للأسئلة الفلسفية اللي تنطرح لما نقول "آلة ذكية". مثلًا: هل لازم يكون عندها عقل أو وعي مثل الإنسان؟ هل لو كمبيوتر قدر يخدعنا إنه ذكي (يجتاز اختبار تورنغ مثلا) معناته صار واعي ويفهم أو بس قاعد يتصنّع؟ بنتعرف بسرعة على هالأفكار مثل اختبار تورنغ (اللي اخترعه آلان تورنغ عام 1950 كطريقة判断是否计算机具有人类智能) وعلى فكرة الذكاء الصناعي "القوي" مقابل "الضعيف" – القوي يعني آلة عندها وعي وإدراك حقيقي مثل الإنسان (وهذا للحين في نطاق الخيال العلمي النظري)، والضعيف هو الموجود اليوم: برامج تحل مسائل معينة بذكاء بس ما تفهم ذاتيًا ولا عندها مشاعر
curlynoemi.medium.com
curlynoemi.medium.com
. بنذكر جدال مشهور اسمه غرفة الصينية (طرحه جون سيرل) باختصار شديد – عشان نوضح الفرق بين إن الآلة تتظاهر بالذكاء وبين إنها تفهم فعليًا. الهدف مو نتعمق بالفلسفة، بس نعطيك فكرة إن حتى تعريف "ذكاء" مب أمر بسيط. في النهاية بنتفق مع رأي جون مكارثي (من رواد المجال) لما قال إن فلسفة الذكا الصناعي ما راح تأثر كثير على شغل الباحثين
curlynoemi.medium.com
 – الباحث بيطور أنظمة تحل مشاكل وخلاص، ذكية أو لا هذي مسألة نظرية أكثر.

إضافات جديدة (تحديث 2025):

هبة الذكا الصناعي بعصرنا (مثال ChatGPT) – بنلاحظ إنه حاليًا الذكا الصناعي صار ترند ساخن🔥 بكل مكان: الأخبار، وسائل التواصل، حتى بالدوامات والسوالف اليومية. مثلًا تطبيق الدردشة الذكي ChatGPT (أطلقته OpenAI نهاية 2022) خلال شهرين بس وصل 100 مليون مستخدم شهريًا – أسرع انتشار تطبيق في التاريخ
reuters.com
! الناس فجأة صاروا يجربون يسولفون مع روبوت ويكتب لهم قصايد ويجاوب على أسئلة صعبة. هالشعبية الكبيرة رفعت وعي الناس بالذكا الصناعي كثير، بس برضو زادت التوقعات ويمكن المبالغات حول قدراته. بالدورة بنستفيد من مثال ChatGPT عشان نوضح وين الذكا الصناعي وصل فعلًا، ووش الأشياء اللي إلى الآن ما يقدر يسويها مضبوط (مثل الفهم العميق أو التفكير الإبداعي من نفسه بدون بيانات يتدرب عليها).

مثال محلي – الروبوت صوفيا وجدل الذكاء: يمكن سمعتوا قبل كم سنة إن السعودية منحت الجنسية لروبوت اسمها "صوفيا" عام 2017، وصارت أول روبوت ياخذ جنسية في العالم
en.wikipedia.org
. الخطوة هذي كانت إعلامية وتسويقية، بس خلت الناس يتناقشون: هل صوفيا فعلاً ذكية وتستاهل حقوق؟ طبعًا لا – هي مجرد روبوت بُرمج ليمثل كأنه ذكي ويقلد تعابير وجه ويجاوب إجابات محفوظة. ذكرنا هالقصة كمثال قريب لنا كيف أحيانًا الخيال يسبق الواقع ويشوّش فهم الناس: البعض تخيّل إن صوفيا واعية وتفهم، بينما الحقيقة إنها استعراض لتقنيات البرمجة والروبوتيكس. فعشان كذا نفرّق بالدورة بين الصورة الإعلامية للذكاء الصناعي (الروبوتات الشبيهة بالبشر اللي نشوفها بالمهرجانات والمعارض) وبين التقنيات الحقيقية وراء الكواليس.

تمارين وتطبيقات: بنسألك بأسئلة قصيرة تتأكد إنك تفرق بين أمثلة حقيقية للذكاء الصناعي ومجرد تقنيات عادية. مثل: هل الحاسبة اللي تجمع أرقام تُعتبر ذكاء صناعي؟ 🤔 وبرضو في تمرين ظريف ترسم فيه بيدك مخطط يبيّن العلاقة بين الحقول (ذكاء صناعي، تعلم آلي، تعلم عميق... إلخ)
curlynoemi.medium.com
. هالنشاط بيثبّت المعلومة برأسك. ويمكن نسألك تكتب لنا تصورك: كيف تتوقع الذكا الصناعي يغيّر شغلك أو دراستك بالسنين الجاية؟ – عشان تبدأ تربط العلم بحياتك الواقعية من الآن. (هذا السؤال بيتكرر معنا بآخر الدورة ونشوف إذا تغيرت نظرتك 😉).

الوحدة الثانية: حلّ المشكلات باستخدام الذكا الصناعي (يقابل الفصل 2 "Problem solving in AI" بالدورة الأصلية)

الحين بعد ما أخذنا فكرة عامة، نغطس شوي بالتفاصيل: شلون الذكا الصناعي يحل المسائل؟ بنشوف طرق كلاسيكية يستخدمها الكمبيوتر عشان يخطط وينفذ حلول لمسائل مثل الألعاب والألغاز. ترى مو شرط الطريقة تكون شيء متقدم مرّة – أحيانًا مجرد تفتيش (بحث) ذكي في الاحتمالات يعتبر طريقة قوية من طرق الذكا الصناعي. بهالوحدة بندخل بهالأفكار.

مواضيع أصلية بهالوحدة:

خوارزميات البحث وحل الألغاز – بنتعلم مفهوم فضاء الحالة (State Space): إنك تعبّر عن أي مشكلة (مثل لغز أو لعبة) بحالات ممكنة ونقلات بينها. الكمبيوتر يقدر يفتش هالحالات عشان يلقى الحل الأمثل. بنطبق هالفكرة على لغز تقليدي – مثل لغز الدجاجة والثعلب والذرة مع الرجل اللي بيعديهم النهر (يمكن تعرفونه). بنرمز للحالات بأحرف ونشوف شلون القارب ينقلهم جهة بعد جهة
curlynoemi.medium.com
curlynoemi.medium.com
. بنرسم شجرة (أو رسم بياني) للحالات توضح كل حالة وش الحالات اللي توصل لها بنقلة وحدة
curlynoemi.medium.com
. في البداية شكل الطريقة ممل لأنها تجرب احتمالات واجد، لكنها فعليًا تضمن تلقى حل إذا فيه حل. بنتعلم أنواع خوارزميات بحث مثل عمق-أول أو عرض-أول بشكل مبسط، وليش البحث هذا يعتبر ذكاء لأنه يحل مسألة ما يقدر يحلها التخمين العشوائي بسهولة.

تاريخ مبكر لحل المشكلات بالذكاء الصناعي – بناخذ لمحة عن أوائل أفكار حل المسائل قبل حتى ما يخترعون الكمبيوترات الحديثة. مثل عالم الرياضيات آلان تورنغ (الله يرحمه) كيف تخيّل آلة نظرية تحل أي مسألة قابلة للحوسبة (آلة تورنغ العالمية)
curlynoemi.medium.com
. وبالفعل عقبها بدت أول برامج ذكاء صناعي تحل مسائل منطق وألعاب بالأربعينات والخمسينات. بنذكر إن حتى كسر الشفرات النازية بالحرب العالمية الثانية كان بمساعدة برمجيات بدائية (وتورنغ نفسه اشتغل بهالمجال)
curlynoemi.medium.com
. الفكرة اللي نبي نوصلها: من زمان والبشر يفكرون "كيف نخلّي الآلة تحل مشكلة من نفسها؟"، ومن يوم صار عندنا كمبيوتر قابل للبرمجة بدت التجارب لحل مشاكل بالمنطق والألعاب بشكل أوتوماتيكي.

البحث في الألعاب (مثل الشطرنج) – هذي تطبيق خاص للبحث، بنشوف شجرة اللعب في الألعاب الثنائية (2 لاعبين) مثل التيك-تاك-تو أو الشطرنج
curlynoemi.medium.com
. كل عقدة بالشجرة تمثّل وضعية لعبة، والفروع تمثل الحركات الممكنة. بنشرح خوارزمية مينيمكس (Minimax): اللاعب Max (مثلك) يحاول يزيد فرص الفوز، والخصم Min يحاول العكس يقلل فرصك. فكل عقدة نسند لها قيمة +1 فوز Max أو -1 فوز Min أو 0 تعادل
curlynoemi.medium.com
. وبعدين القرار الأمثل يكون إن Max يختار الحركة اللي تضمن أعلى نتيجة له، وMin العكس
curlynoemi.medium.com
. بتنذهل كيف بطريقة بسيطة نسبياً نقدر نخلي الكمبيوتر يلعب لعبة كاملة باحتراف بس عن طريق تفتيش كل الحركات الممكنة (طبعاً الشطرنج الحقيقي معقد جداً ليفتش كله، في طرق تحسين مثل خفض ألفا-بيتا بنذكرها بسرعة). بننوّه بعد إن هالأساليب تنفع بس لـلعاب معلوماتها كاملة (يعني كل شيء ظاهر لك مثل الشطرنج) وما تنفع للعب عشوائي أو معلومات ناقصة (مثل لعبة الحجر-ورقة-مقص اللي فيها عنصر مفاجأة)
curlynoemi.medium.com
.

إضافات جديدة (تحديث 2025):

الذكاء الصناعي يتحدى أمهر اللاعبين (AlphaGo وغيره) – بنذكر مثال حديث ومثير: برنامج AlphaGo اللي طورته Google DeepMind وقدر لأول مرة يهزم بطل عالمي بلعبة الـ Go سنة 2016. لعبة Go معروفة بأصعبية تفوق الشطرنج بمراحل (عدد الاحتمالات ضخم جدًا)، ومع ذلك AlphaGo فاز على البطل الكوري لي سيدول بنتيجة 4–1
en.wikipedia.org
. هالإنجاز كان علامة فارقة إن الذكا الصناعي وصل مستوى جديد، لأنه استخدم خليط من البحث + التعلم الآلي العميق (مو بس تفتيش brute force مثل أيام الشطرنج مع حاسوب ديب بلو عام 1997). بنحكي القصة بسرعة لأنها ملهمة، وكيف التطورات اللاحقة (مثل AlphaZero اللي علم نفسه الشطرنج والجو من دون بيانات بشر تمامًا) صارت تغير مفهومنا عن حل المشكلات بالذكاء الصناعي.

أمثلة واقعية قريبة – مب بس ألعاب وألغاز، ترى حتى تطبيقات الملاحة اللي نستخدمها يومي وراها خوارزميات بحث ذكية. مثلًا وإنت جاي الدوام تستخدم خرائط Google تشوف أقصر طريق أو أسرع درب وسط الزحمة – التطبيق يستعمل خوارزمية (زي دايكسترا أو A* وغيرها) تفتش آلاف الاحتمالات للمسارات عشان تطلع لك الطريق الأمثل بثواني. هذا شكل من الذكاء الصناعي اليومي اللي يمكن ما تحس فيه بس قاعد يخدمك بالخفاء. نفس الكلام ينقال عن الروبوتات (مث robots مستودعات أمازون) كيف تخطط حركتها وتتفادى التصادم عن طريق البحث في مساحة حالات الحركة. فحبّينا نربط المفاهيم هذي بأمثلة من حياتنا عشان تستوعب إنها مو نظريات بعيدة – لكنها تقنيات نستخدمها بدون ما ندري.

التمارين: في هالوحدة يمكن نعطيك لغز بسيط تحله بتتبع جميع الاحتمالات، مثل لغز عبور النهر اللي شرحناه – نحط لك الرسم البياني فاضي وانت ترتب الحالات في أماكنها
curlynoemi.medium.com
. ونسألك بعض الاختيارات: مثلاً، أي من الألعاب التالية ما يصلح معها طريقة شجرة البحث التقليدية؟ ونقترح خيارات مثل الشطرنج، لعبة ورق (كوت/بلوت)، لعبة حركة عشوائية… وتستنتج إن الألعاب العشوائية أو اللي تعتمد على معلومات مخفية (ورق الخصم) تحتاج طرق مختلفة. ممكن بعد نسألك سؤال نقاش قصير: برأيك ليش الناس كانوا يعتقدون إنه مستحيل كمبيوتر يغلب بطل غو؟ وش تغير عشان قدر؟ ونخليك تقارن بين بحث الشطرنج وغو. هالأسئلة بتخليك تفكر في حدود وقدرات الذكا الصناعي بمنطق أعمق.

الوحدة الثالثة: الذكا الصناعي بالعالم الواقعي (يقابل الفصل 3 "Real World AI" بالدورة الأصلية)

بهالوحدة بنشوف جانب مهم: كيف يتعامل الذكا الصناعي مع الواقع والعدم اليقين (uncertainty). العالم الحقيقي مو لعبه لوحة كل شيء فيها واضح – فيه عشوائية واحتمالات. فشلون نخلّي الكمبيوتر يتوقع ويتعامل مع الاحتمالات؟ هنا يدخل دور الإحصاء والاحتمالات في الذكا الصناعي.

مواضيع أصلية بهالوحدة:

فهم الاحتمالات والأُسس الرياضية البسيطة – راح نشرح لك وش الفرق بين الاحتمال (Probability) والأُسُس (Odds)
curlynoemi.medium.com
. هذي أشياء يمكن مرت عليك بالرياضيات أو حتى بالرهانات الرياضية 🙈. بنوضح بطريقة سهلة: لما نقول احتمال 20% هذا يساوي أُسُس 1:4 (لأن مقابل كل مرة تصير فيها الحدث، فيه 4 مرات ما يصير) – بنعطي أمثلة رقمية. كثير ناس يلخبطون بين 1:5 كاحتمال وبين 20%
curlynoemi.medium.com
، فبنحرص تفهمها مضبوط لأن بتفيدنا بعدين. بنعطي تمارين بسيطة: نحول لك كم نسبة مئوية إلى صورة كسرية Odds وبالعكس
curlynoemi.medium.com
، تتدرب عليها. الهدف إنك ما تنخدع بالتعبير عن البيانات الاحتمالية وتعرف وش معناته بالضبط (لان الذكا الصناعي يتعامل مع الاحتمالات كثير).

قاعدة بايز (Bayes’ Rule) – هذي معادلة ذهبية في علم الإحصاء والتعلم الآلي. بنشرح وش تفيدنا: تحديث الاحتمالات إذا جانا معلومة جديدة
curlynoemi.medium.com
. مثلًا: احتمال تمطر اليوم كذا% بشكل عام (هذا نسميه prior – احتمالية قبل المعلومة)، بعدين إذا شفنا غيوم الصبح نحدث الاحتمال (نسميه posterior – احتمالية بعد المعلومة)
curlynoemi.medium.com
. كيف نحسبه؟ هنا تجي قاعدة بايز. لا تشيل هم – بنشرحها كلاميًا وبأمثلة بدون ما نتعمق بصيغ رياضية معقدة. مثال مشهور بنمر عليه: مشكلة فحص المرض (مثال تحليل سرطان الثدي) – الاختبار طلع موجب، وش احتمالية المريضة يكون فيها سرطان فعليًا؟ بنوريك ليه حتى لو الاختبار دقته عالية، احتمال الإصابة يمكن يطلع منخفض لأن المرض نادر (هذي مفاجأة لكثير ناس)
curlynoemi.medium.com
. كل هذا باستخدام قاعدة بايز بشكلها البسيط.

التصنيف باستخدام نايف بايز (Naive Bayes) – عقب ما فهمنا فكرة بايز، بنطبقها على مشكلة واقعية: فلترة الرسائل الغير مرغوبة (سبام). هذي طريقة كانت وما زالت تُستخدم بالبريد الإلكتروني عشان يقرر إذا الرسالة Spam أو لا. بنشرح فكرة نايف بايز: نفترض الكلمات بالرسالة تجي بشكل مستقل (فرضية "naive" يعني مبسطّة)، وبعدين نحسب لكل كلمة احتمال أنها تظهر بالسبام مقابل البريد العادي
curlynoemi.medium.com
curlynoemi.medium.com
. بالأمثلة: كلمة زي "مليون دولار" تزيد احتمال إنها سبام، كلمة زي "اجتماع العمل" تقلل الاحتمال. نجمع هالمعلومات لكل الكلمات ونستخدم قاعدة بايز نطلع احتمال الرسالة سبام
curlynoemi.medium.com
. بنشوف إن الطريقة هذي سهلة لكنها فعّالة بشكل مدهش إذا عندك بيانات تدريب (مجموعة رسائل معروفة Spam أو Ham). هذي مقدمة لمفهوم أوسع هو التصنيف الإحصائي – كيف تتخذ قرار بناءً على مجموعة ميزات (هنا الميزات هي الكلمات).

إضافات جديدة (تحديث 2025):

الاحتمالات في قلب تقنيات الذكا الأحدث – بنشد انتباهك إن حتى أذكى الأنظمة اليوم مثل ChatGPT وغيرها، شغالها الرئيسي هو حساب احتمالات! مثلاً نموذج لغة مثل ChatGPT لما يبي يولّد كلمة جملة، هو يختار الكلمة التالية بناءً على أعلى احتمال يتوقعه من خلال تدريبه
medium.com
. يعني لو الجملة "القطو جلس على الـ___", النموذج يتوقع مثلاً "السجاد" باحتمال 85% و"الكنبة" 10%... إلخ
medium.com
. فهمك للترتيب والاحتمالات الحين يخليك تعرف إن الذكا الصناعي غالبًا مو أكيد 100%، بل يشتغل بالاحتمالات ويعطينا أفضل تخمين مدعوم بالبيانات. حتى بشغلات أكبر مثل توقع الطقس بالذكاء الصناعي أو قيادة السيارة الذاتية، الموضوع حساب احتمالات حالات كثيرة ثم اختيار الأرجح. فمن زين أنك الحين عندك خلفية بهالأمور الرياضية البسيطة لأنك بتشوفها بكل مكان في الذكاء الحديث.

مثال محلّي – التنبؤ بالحشود في الحج: بنوريك تطبيق عملي مذهل سويناه بالسعودية: إدارة الحشود أثناء الحج. موسم الحج يجينا ملايين الناس بوقت محدد ومكان محدد – تحدي إداري مهول. السعودية استخدمت منصات ذكا صناعي ذكية عام 2025 تراقب كاميرات (أكثر من 15 ألف كاميرا حول مكة)
arabnews.com
، وتحلل حركة الحشود وتطلع تنبؤ إذا بيصير تزاحم أو خطر تدافع (لا قدر الله)
arabnews.com
. النظام يتعرف على الحركة غير الطبيعية بسرعة ويتوقع أين ومتى ممكن يصير اختناق عشان يتدخلون المنظمين بدري
arabnews.com
. الحمد لله حسب التقارير هالسنة (1446هـ) حج 2025 كان ناجح بدون حوادث كبيرة، ويُشاد إنه استخدام الذكاء الصناعي بالتحليل التنبؤي ساهم بوضع معيار عالمي لإدارة الحشود
arabnews.com
. ذكرنا هالشي هنا لأن وراه علم احتمال وبايز بعد – النظام ياخذ بيانات (مثلاً زيادة مفاجئة بكثافة الناس عند باب كذا) ويحدث توقعاته لخطر الازدحام بناء على المعطيات الجديدة، وهذا بالضبط جوهر قاعدة بايز.

التطبيقات والتمارين: بتواجه مسائل بسيطة تحوّل فيها احتمالات إلى أُسس أو العكس للتأكد إنك فهمتها
curlynoemi.medium.com
. فيه تدريب عملي على قاعدة بايز: بنعطيك معطيات عن مرض وفحص، ونبيك تحسب احتمال الإصابة بعد اختبار موجب – طبعًا بالأرقام البسيطة اللي تعلمتها. إذا احتجت ممكن تستخدم الآلة الحاسبة، بس المهم تفهم الخوارزمية. وبعدها، تمرين خفيف على تصنيف: بنجيب لك رسالة مثال “عندنا عرض million dollars لك” ونخليك تطبّق خطواط نايف بايز عشان تشوف كيف القرار ينحسب (هذا كان من التمارين بالدورة الأصلية)
curlynoemi.medium.com
. أيضًا ممكن نسألك: اعطنا مثال من حياتك تشوف فيه استخدام التصنيف التنبؤي؟ – مثلًا كشف احتيال بطاقات الائتمان (البنك يوقف بطاقتك لو شاف عملية مشبوهة بناءً على نمط الصرف) أو حتى فلترة سناب شات للوجوه (يحدد إذا بالصورة وجه أو لا). هالمناقشة بتخلينا نتشارك أمثلة ونوسع مداركنا للتطبيقات العملية.

الوحدة الرابعة: التعلّم الآلي (يقابل الفصل 4 "Machine Learning" بالدورة الأصلية)

بهالوحدة بندخل على لبّ موضة الذكاء الصناعي الحالية: التعلم الآلي. يمكن أكثر شي تسمعه اليوم "خوارزميات تتعلم من البيانات". هنا بنشرح وش معنى تتعلم الآلة، وش الأنواع الرئيسية للتعلم الآلي، مع أمثلة سهلة. هذي الوحدة تعتبر قلب الدورة لأن أغلب التقدم بالذكاء الصناعي جاء من هالمجال.

مواضيع أصلية بهالوحدة:

أنواع التعلّم الآلي – أول شي بنوضّح إن مو كل تعلم آلي نفس الشكل. فيه تعلم تحت إشراف (Supervised) يعني نعطي الآلة أمثلة مع الإجابات الصحيحة وهي تتدرب تطلع نفس الإجابات – هذا يشمل التصنيف Classification (لما تكون الإجابة فئة مثل بريد مزعج/عادي) والانحدار Regression (لما تكون الإجابة رقم مثل توقع سعر بيت)
curlynoemi.medium.com
curlynoemi.medium.com
. وفيه تعلم غير تحت إشراف (Unsupervised) يعني نعطي الآلة بيانات بدون أي إجابات وتخليها تكتشف نمط أو تصنيف من نفسها (مثل تجميع العملاء إلى مجموعات متشابهة). وفيه نوع تعلم معزز (Reinforcement Learning) – هذا بيجيك لمحة عنه لاحق يمكن – فكر فيه كأنك تعلم آلة تلعب لعبة وتعطيها مكافأة إذا ربحت وعقاب إذا خسرت فتتعلم بالإعادة والتجربة. بنركّز على التعلم تحت الإشراف باعتباره الأكثر شيوعًا وسهولة للبداية. بنعطي أمثلة بسيطة: تدريب برنامج يتعرف على صور قطط/كلاب عنده صور آلاف ومعروف أيهم قط وأيهم كلب، أو تدريب نموذج يتوقع درجات الحرارة بناءً على أرشيف درجات قديمة. بنأكد على مفهوم مهم: خطر overfitting – لما البرنامج يتعلم التدريب زيادة عن اللزوم ويحفظ البيانات حرفيًا بدل ما يتعلم النمط
curlynoemi.medium.com
. ونشرح أهمية تقسيم البيانات إلى تدريب واختبار عشان نضمن النموذج يعمم زين برى بيانات التدريب
curlynoemi.medium.com
.

خوارزمية الجار الأقرب (Nearest Neighbor) – هذي طريقة تعلم آلي كلاسيكية وسهلة الاستيعاب. الفكرة: إذا بنصنّف عنصر جديد، نشوف أقرب عنصر له بالمسافة من بين الأمثلة اللي عندنا ونعطيه نفس تصنيفه
curlynoemi.medium.com
. مثال: عندنا نقاط مصنفة أزرق وأحمر مرسومة، وجتنا نقطة جديدة (مرسومة نجمة مثلاً) نشوف أقرب نقطة لها هل هي حمراء ولا زرقاء
curlynoemi.medium.com
. إذا أقرب وحدة حمراء نقول يمكن نجمتنا حمراء. وطبعاً ممكن نطور الطريقة ناخذ أقرب 3 جيران مثلاً بالتصويت. بنشرح كيف نحدد المسافة أو التشابه: إذا البيانات رقمية، المسافة الإقليدية تنفع، بس إذا كانت غير، لازم نلاقي طريقة. بنذكر مثال شبّه متجر: موقع يبي يوصي لك بمنتجات، ياخذ تاريخ مشترياتك ويشوف أقرب زبائن لك (اللي اشتروا أشياء مشابهة)
curlynoemi.medium.com
، ثم يرشح لك منتجات هم اشتروها وانت ما اشتريتها. هنا المسافة تنقاس بعدد المنتجات المشتركة أو غير المشتركة مثلاً
curlynoemi.medium.com
. يعني مفهوم "الأقرب" مو شرط مكاني، ممكن يكون تشابه بالصفات. هالخوارزمية بسيطة لكنها قوية بمواقف معينة، وبرضه بنذكر عيوبها: زي إنها بطيئة لو البيانات مره كثيرة (لازم تحسب المسافة لكل نقطة) وما تعطيك نموذج واضح تقدر تفسّره (النموذج فعليًا هو نفس بيانات التدريب)
curlynoemi.medium.com
.

الانحدار (Regression) – هذي تقنية ثانية أساسية. إذا عندنا نقاط بيانات (س، ص) ونبي نتنبأ بقيمة رقمية – مثلًا أسعار البيوت من مساحتها، نقدر نرسم علاقة تقريبية. أسهل شكل هو الانحدار الخطي: نلقى خط مستقيم يمر بأقرب شكل من النقاط
curlynoemi.medium.com
. الخط هذا نقدر نستعمله لتوقعات: تعطيني مساحة بيت أقول لك سعره التقريبي. بنشرح كيف إيجاد أفضل خط كان مسألة معروفة من القرن الـ19 (طريقة المربعات الصغرى)، والعلم وراها بسيط إنه يقلل الخطأ الكلي
curlynoemi.medium.com
. بعدين نذكر الانحدار اللوجستي (Logistic) اللي يستخدم لما تبي تتوقع احتمال فئة من شيء (كأنه تصنيف بس بطريقة انحدار) – هذا يستعمل كثير مثلاً بتوقع احتمال افلاس شركة أو احتمال إصابة مريض وغيره
curlynoemi.medium.com
. والزبدة: فيه مئات الخوارزميات للتعلم الآلي غير هذولي، بس الأغلبية تشترك إنها تحاول استخراج نمط من البيانات عشان تستخدمه بتوقع المستقبل
curlynoemi.medium.com
. فانك تركز تفهم هالأمثلة البسيطة (جار أقرب، انحدار خطي) بيعطيك أساس قوي تفهم الباقي بعدين.

إضافات جديدة (تحديث 2025):

التعلم الآلي بكل مكان (أمثلة صناعية) – بنصلّط الضوء إنه خلال السنوات الأخيرة صار التعلم الآلي قلب الكثير من الصناعات. مثلاً شركة أرامكو عندها نظام تنبؤ يعتمد على التعلم الآلي للصيانة الوقائية – يراقب حساسات بالمعامل والمعدات (حرارة، اهتزاز... إلخ) ويتوقع إذا معدّة معينة ممكن تخترب قبل لا تخترب
digitaldefynd.com
digitaldefynd.com
. النتيجة: أرامكو قللت تكاليف الصيانة 30% لأن الصيانة صارت وقت الحاجة بس مو بشكل دوري ثابت
digitaldefynd.com
، وخفضوا التوقفات المفاجئة 40% لأنهم صاروا يتداركون الأعطال قبل وقوعها
digitaldefynd.com
. هالنوع من التطبيقات قائم على التعلم تحت الإشراف: نموذج يتدرّب على بيانات سنوات من عمل الآلات مع سجلات الأعطال، فيتعلّم يميّز الأنماط اللي تسبق العطل. مثل هالأمثلة بتخلينا نستوعب كيف التعلم الآلي مو بس نظريات أكاديمية – صار عمليًا “العقل” اللي يشغّل قطاعات كاملة من الطاقة للصحة للتجارة. وبرضو بنتكلم عن أمثلة يومية: مثل خوارزميات توصية الأفلام والمسلسلات (نتفلكس وغيره) اللي تتعلم ذوقك من بيانات مشاهدتك وتنبؤ وش يعجبك، أو مساعدات الهاتف الذكية (سيري وقوقل) اللي قاعدة تتحسن بالفهم باللهجة العربية شوي شوي عبر التعلم الآلي.

تطور مجال ML – بيانات أكبر ونماذج أعقد – بنشير إنه من 2010 وطالع، صار عندنا طفرة بيانات ضخمة Big Data، ومعالجات أسرع، فالتعلم الآلي استفاد وقفز قفزة هائلة. مثال: في 2020 طلع نموذج لغة GPT-3 يحوي 175 مليار معامل
developer.nvidia.com
 وتدرب على تقريبًا كل نصوص الإنترنت! مثل هالحجم الهائل من النماذج ما كان ممكن قبل بسبب محدودية البيانات والحوسبة. لكن طبعًا مو لازم ندخل بتفاصيل GPT-3 هنا (بنحكيه أكثر بوحدة الشبكات العصبية الجاية)، الفكرة نقول: اليوم عندنا القدرة ندرّب موديلات أضخم بألف مرة من أمثالها قبل 10 سنين، وهذا ليش صرنا نشوف أداء أفضل بكثير. بس بننبه إن هالشي بعد يتطلب حرص أكبر: لما البيانات هائلة ممكن تدخل انحيازات أكثر (إذا كانت البيانات منحازة)، ولما النماذج معقدة تصير صندوق أسود ما نفهم ليش قررت كذا. بهالوحدة بنأكد على أساس إن البيانات الجيدة والتنويع مهم عشان نموذجك يتعلم بدون انحياز (مثل ما شفنا بمثال أمازون الجاي في الوحدة الأخيرة عن انحياز التوظيف).

التمارين: هنا التمارين ممتعة وعملية. بيعطيك مثلاً مجموعة نقاط مبعثرة على رسم (وكل لون يمثل تصنيف) وتحدد وين نحط النقطة الجديدة بأي لون تتوقع (هذا تمرين الجار الأقرب). وفي تمرين ثاني صغير: نعرض لك رسم بياني لبيانات ونخلّي الخط الانحداري يتغير وانت تحاول تقدر أفضل خط بصريًا – بعدين نقيس فهمك بسؤال: لو نقطة شاذة بعيدة طلعت خارج النمط، وش يصير بالخط؟ الهدف تستوعب مفهوم تأثير البيانات الشاذة والـoverfitting بشكل بصري تفاعلي. أما الأسئلة النقاشية، ممكن نسألك: إذا عندك مشكلة تحتاج تختار لها خوارزمية تعلم آلي – مثلاً تتنبأ بدرجة طالب من وقت مذاكرته – تختار جار أقرب ولا انحدار خطي وليش؟ وتتناقشون فيها. بنشجع أيضًا تشاركون أمثلة من محيطكم شفتوا فيها تعلم آلي (يمكن أحد يقول: نظام أبشر للتعرف على الوجه مثلاً عشان يسجل الدخول، أو كاميرات ساهر تتعرف على لوحة السيارة – كلها تعلم آلي). هذا جزء مهم إنه يربطك باللي حولك.

الوحدة الخامسة: الشبكات العصبية (يقابل الفصل 5 "Neural Networks" بالدورة الأصلية)

هنا بندخل على التقنية اللي فجّرت ثورة الذكا الصناعي الحديثة: الشبكات العصبية الاصطناعية. بنفهم فكرتها الأساسية وكيف تشتغل، وليش صارت إنطلاقة التعلم العميق اللي قدر يحل مشاكل كان الذكاء التقليدي يعجز عنها (زي فهم الصور واللغات). لا تخاف من الاسم – بنشرحها ببساطة أول شي بخلايا عصبية صغيرة وممكن نعطي مثال يدوي.

مواضيع أصلية بهالوحدة:

أساسيات الشبكات العصبية – بنبدأ نشرح إن الشبكة العصبية مستلهمة من مخ الإنسان: عندنا عُقد (نسميها نيوّرونات) كثيرة تتوصل مع بعض
curlynoemi.medium.com
. كل عقدة تستقبل إشارات (أرقام) من عقد ثانية، وتطبق عليها معادلة بسيطة وتطلع ناتج لعقد ثانية بعدها. شبكة كبيرة من هالعقد مع بعض تقدر تتعلّم أنماط معقدة جدا. بنرسم لك طبقات من الخلايا: طبقة تدخلها البيانات (مثلاً بكسلات صورة أو خصائص) وتمرر عبر طبقات وسطى وتطلع بالنهاية طبقة قرار (مثلاً هل صورة قطة أو لا)
curlynoemi.medium.com
. بتسمع مصطلح “التعلم العميق” كثير – ونعني فيه شبكات عصبية فيها طبقات وسطى متعددة (عميقة يعني أكثر من طبقة مخفية وحدة). بنوضح وش المميز بالشبكات: إنها تتعلم بنفسها تحديد الميزات المهمة من البيانات عكس الطرق التقليدية اللي كنا حنا نختار الميزات. مثال: في رؤية الكمبيوتر زمان كنا نحن نحدد: "لون البشرة ووجود عينين وأنف" كميزات لكشف الوجه. مع الشبكات العصبية، نعطيها ملايين صور الوجوه وهي بنفسها تدريجيًا تكتشف أنماط تمثل الوجه – أول طبقة تلتقط خطوط بسيطة، اللي بعدها تجمع الخطوط لأشكال (عيون، فم)، اللي بعدها تجمع العيون والفم لتركيب الوجه… إلخ. كأنها تتعلم من الصفر زي الطفل يتعلم تمييز الأشياء
curlynoemi.medium.com
curlynoemi.medium.com
. بنأكد ان هالنموذج رغم أنه مستوحى من المخ البشري بس مهو نفسه – عقولنا أعقد بكثير وترى حتى أبسط مخ حشرة أعقد من شبكات اليوم، لكن هالفكرة التبسيطية كافية تطلع نتايج عملية مذهلة.

كيف ننشيء شبكة عصبية؟ – بندخل شوي بالتفاصيل التقنية على خفيف. نشرح إن تصميم الشبكة يشمل تحديد عدد الطبقات وعدد الخلايا بكل طبقة وكيف تربطهم. في مصطلحات مثل وزن (Weight) لكل اتصال – هذي اللي تتغير أثناء التدريب وتحمل “تعلم” الشبكة. كيف ندربها؟ نعطي أمثلة مع الإجابات ونخلي خوارزمية تحدّث الأوزان شوي شوي بحيث تقلل الخطأ بالناتج. خوارزمية التدريب الرئيسية تسمى خوارزمية الانتشار العكسي (Backpropagation)
curlynoemi.medium.com
 – بنعطيك الفكرة بدون تعقيد رياضي: إنها تاخذ الفرق بين الناتج الصح والناتج الحالي وتوزعه راجعًا على الوصلات لتعديلها بقدار صغير باتجاه تحسين النتيجة. نضرب مثال بسيط: شبكة عصبية صغيرة تتوقع رقم، لو أخطأت، الباك برباقيشن يعدل الأوزان بنسبة الخطأ. التكرار الكثير على آلاف الأمثلة هو اللي يخلي الشبكة تتعلّم. بنذكر أنواع خاصة من الطبقات: مثلاً الدالة التنشيطية (Activation Function) – هذه بكل خلية وتحول المجموع الخطي لإشارة غير خطية (sigmoid أو ReLU وغيره)
curlynoemi.medium.com
. وليش نحتاجها؟ عشان الشبكة تقدر تتعلم أنماط غير خطية ومعقدة. وبنذكر إن الشبكات الحديثة ممكن تحتوي ملايين أو حتى مليارات الأوزان – فالعملية تدريبها تحتاج بيانات هائلة وقدرة حسابية كبيرة
curlynoemi.medium.com
curlynoemi.medium.com
.

تقنيات متقدمة في الشبكات العصبية – بعد الأساسيات، بنعطي لمحات سريعة لبعض التطويرات اللي خلت الشبكات العصبية قوية بهالشكل:

الشبكات الالتفافية (Convolutional Neural Networks – CNNs): نوع خاص ممتاز لمعالجة الصور. فيه طبقة تتعلم الفلاتر اللي تكتشف ميزات بالصورة (زي حواف أو بقع لونية) وتتكرر عبر الصورة. هالطريقة تقلل عدد الأوزان بشكل هائل
curlynoemi.medium.com
 لأنها بدل ما كل خلية ترتبط بكل بكسل، نخلي الفلتر يطبق عكل جزء من الصورة بنفسه. CNNs هي اللي خلت الكمبيوتر يتعرف عالصور بدقة تفوق البشر في كثير من المهام، ووراء نجاح أشياء مثل سيارات ذاتية ورؤية حاسب للصناعة.

الشبكات التوليدية الخصومية (GANs): نوعين من الشبكات تتنافس وحدة تولّد صور (مولّد) والثانية تقيّم إذا الصورة حقيقية أو توليف (مميّز)
curlynoemi.medium.com
. يتدربون سوى لحد ما المولد يصنع صور ما تفرق عن الحقيقي، والمميز يعجز يفرق. نتيجة GANs إنها تقدر تولّد صور ومنتجات جديدة – مثلاً توليد وجوه أشخاص غير موجودين ولكن واقعية جدًا. بنذكر مثال DeepFake اللي يقدر يبدّل وجه شخص بمقطع فيديو بوجه شخص آخر مقنع جدًا – هذا بفضل تقنيات GAN وشبيهاتها. (طبعاً هالتقنية سلاح ذو حدين – بنطرق لها أخلاقيًا بالوحدة القادمة).

رؤية ما تتعلمه الشبكة (التصوير العميق): بنوضح إنك تقدر تاخذ شبكة مدربة وتخليها تولّد صور توضح وش الميزات اللي تعرّفتها. مثل مشروع DeepDream من قوقل اللي يطلع لك أشكال غريبة يقول هذي شلون الشبكة تشوف صورة معينة
curlynoemi.medium.com
. هذا يساعد الباحثين يفهمون شوية وش قاعد يصير داخل “الصندوق الأسود” للشبكات العصبية. طبعاً الشبكة ما تحلم فعلًا ولا تفهم مفهوم "قطو" مثلنا، لكن يوريك شلون مبرمج بداخلها شكل القطط مثلاً
curlynoemi.medium.com
.

إضافات جديدة (تحديث 2025):

نماذج اللغة العملاقة (Transformers و GPT) – أحدث ثورة بالشبكات العصبية هي ظهور بنية “المحوّل” (Transformer) عام 2017، اللي صارت الأساس لأقوى نماذج اللغة. بعكس الشبكات التقليدية اللي شرحناها فوق (كت layers مترابطة تتابعيًا)، المحولات تقدر تنتبه لأجزاء مختلفة من المدخلات دفعة وحدة (آلية الانتباه). هالشي خلّى النماذج تفهم تسلسل الكلمات بالنص بشكل أفضل بكثير. GPT-3 مثلاً (ذكرناه قبل) يعتمد على Transformers وفيه 175 مليار وزن! وقدر يحقق أداء خرافي بترجمة النصوص والإجابة على الأسئلة وتأليف المقالات اللي بالكاد تفرقها عن الإنسان
developer.nvidia.com
. وبعام 2023 جاء GPT-4 حتى أقوى وقدرات إضافية (يقدر يفهم صور ويولد ردود أدق وأطول). بندردش عن هالتطور على إنه امتداد للشبكات العصبية اللي تعلمناها لكن بحجم وبنية مختلفة – يعني المبدأ نفسه (أوزان وتدريب بالانتشار العكسي)، لكن مع ابتكار معماري كبير. النتيجة: اليوم الموديلات اللغوية هذه تقدر تأدي مهام كانت خيال علمي: محادثة طبيعية، كتابة كود، تلخيص كتب... الخ.

النماذج التوليدية للصور والفيديو – الشبكات العصبية الحين ما توقف على التمييز أو التنبؤ، صار بإمكانها الإبداع والتوليد. بعد الـGANs اللي ذكرناها، جاء جيل جديد من النماذج اسمه النماذج الانتشارية (Diffusion Models). هذي قلبت الدنيا في 2022 لما صدر نموذج Stable Diffusion مفتوح المصدر، وصار أي أحد يقدر يكوّن صور من وصف نصي
bentoml.com
. تكتب له "منظر غروب في البر مع جمل يمشي" ويولّد لك صورة كأنها فوتوغرافية أو لوحة فنية – وانتشرت هالتقنية وصارت متاحة لعامة الناس في مواقع وبرامج
bentoml.com
. هالتطور مهم نذكره لأن الشبكات العصبية دخلت الآن مجال الفن والإعلام مو بس تحليل البيانات. وبداية 2023 شفنا برضو نماذج تولّد الصوت (تقليد صوت شخص بأريحية)، وتولّد فيديو قصير (لسه في بداياتها). يعني الشبكات العصبية الحين تقدر تبتكر مخرجات جديدة مو بس تتعرف على الموجود – وهذا يفتح فرص إبداعية ضخمة، وبرضو يثير مخاوف زي ما بنناقش بعد شوي.

التمارين: عشان تفهم الشبكات، يمكن نسوي نشاط تفاعلي: نعطيك شبكة عصبية افتراضية صغيرة (مثلا 3 خلايا دخل -> 2 خلايا مخفية -> خلية خرج وحدة) وانت تتلاعب بالأوزان وتشوف كيف المخرجات تتغير. أو نعطي مثال أرقام بسيط: شبكة تتعلم دالة جمع رقمين (فرضًا)، ونوريك خطوة بخطوة شلون الأوزان تتعلم الصحيح عبر تدريب متكرر. أيضًا يمكن نسألك سؤال قصير: ليش نحتاج دوال تنشيط غير خطية بالشبكة العصبية؟ وخيارات: (عشان تجعل النموذج أقوى ويقدر يمثل علاقات معقدة
curlynoemi.medium.com
، أو مجرد ديكور 🤭، إلخ). وبيكون في نقاش: بما إن الشبكات صارت ضخمة ومعقدة، هل تعتقد الآلة "تفهم" اللي تسويه أو مجرد حسابات؟ – هنا حلو نسمع آراء، البعض يمكن يقول "لا زالت ما تفهم بس تتنبأ وفق نمط، الدليل أحيان تخطئ أخطاء غبية"، وبعض يمكن يتحمس "الفرق يتضاءل بين الفهم والتنفيذ". هالموضوع ممتع للنقاش ويربط التقنية بالفلسفة اللي ذكرناها أول.

الوحدة السادسة: التبعات المستقبلية والاعتبارات المجتمعية (يقابل الفصل 6 "Implications" بالدورة الأصلية)

حان الوقت نوسع نظرتنا ونسأل: وش أثر انتشار الذكا الصناعي على المجتمع والبشر؟ هالوحدة نختم فيها الدورة بنقاش عام عن التغييرات اللي جايبه التقنية هذي في حياتنا، شلون ممكن المستقبل يتشكل بسببها، وش المخاوف والمشاكل الأخلاقية اللي لازم ننتبه لها، خصوصًا لنا بالمملكة. هذي وحدة تفكير نقدي أكثر من إنها تعليم تقني.

مواضيع أصلية بهالوحدة:

صعوبة توقّع مستقبل الذكا الصناعي – بنبدأ باعتراف مهم: التنبؤ بالمستقبل صعب جدًا، خصوصًا بمجال يتطور بسرعة مثل AI
curlynoemi.medium.com
. فيه ناس متفائلين بقوة: يتخيلون مستقبل يوتوبي مثالي بذكاء صناعي يحل كل مشاكلنا ويخلينا بطلنا نشتغل ونعيش برخاء. وفيه ناس متشائمين يتخيلون سيناريو المدمر (Terminator) والآلات تستعبد البشر. الحقيقة غالبًا بتكون وسط بين هالتوقعات
curlynoemi.medium.com
curlynoemi.medium.com
. بنعطيك منظور منطقي: صحيح التطور سريع، لكن فكرة إنه ذكاء صناعي خارق يظهر بين يوم وليلة ويطور نفسه لحاله بشكل انفجاري شوي بعيدة – حتى لو يقدر يحسن نفسه بيواجه صعوبات ومشاكل أكبر كل ما تحسن (زي العلم البشري يحتاج جهد تصاعدي)
curlynoemi.medium.com
. فبنقول لك: خلك واقعي، لا تنخدع بالكلام التسويقي اللي يوعد بثورة أسطورية بين عشية وضحاها. ركز بدل ذلك على الخطوات العملية اللي قاعد يصير حولنا.

التبعات الاجتماعية للذكاء الصناعي – هنا بنستعرض أهم أربع مواضيع ساخنة لازم تعرفها:

الانحياز والأخلاقيات – الذكا الصناعي يعكس بياناته. إذا دربناه على بيانات منحازة أو غير عادلة، بيطلع قرارات منحازة
curlynoemi.medium.com
. مثال مشهور: شركة أمازون جربت نظام توظيف آلي، اكتشفوا إنه يفضّل المتقدمين الرجال ويهمل السيرات الذاتية اللي فيها كلمة "نساء" بشكل سلبي – لأن البيانات التدريبية كانت من واقع أغلب موظفي الشركة رجال
reuters.com
reuters.com
. اضطروا يوقفونه
reuters.com
. كذلك أنظمة التعرف على الوجه كانت أحيانًا أقل دقة على أصحاب البشرة الداكنة لأن البيانات أقل
reuters.com
. بنناقش كيف لازم ننتبه لهالأمور ونعالجها (مثلاً بتقنيات مثل الخصوصية التفاضلية
curlynoemi.medium.com
 أو بتحسين تمثيل الفئات المختلفة بالبيانات). أيضًا بندخل في سؤال أخلاقي: إذا AI قرر قرار مصيري (مثل قبول جامعة أو قرض بنكي)، من المسؤول لو غلط؟ الخوارزمية؟ المبرمج؟ الشركة؟ – فلازم من الحين نفكر بإطار أخلاقي وقانوني لها.

الخصوصية والبيانات – بنشرح كيف شركات التقنية تجمع عنّا كما هائل من البيانات: مواقعنا، بحثنا، مشترياتنا، أوقات تصفحنا...
curlynoemi.medium.com
. هالبيانات وقود الذكا الصناعي – كل ما عندهم بيانات أكثر قدروا يدربون موديلات أدق. بس وين المشكلة؟ المشكلة إن خصوصيتنا بخطر. حتى لو ما شاركت معلومات حساسة، التحليل AI يقدر يستنتج أشياء عنك من نمط استخدامك
curlynoemi.medium.com
. مثلًا نموذج AI يحلل بيانات لموقع تواصل ممكن يحدد ميولك أو اهتماماتك الدقيقة وحتى أشياء شخصية جدًا. بنذكر مفهوم إعادة تحديد الهوية (Re-identification)
curlynoemi.medium.com
: لو شركة تقول بننشر بيانات مجهولة (بدون أسماء) لأغراض علمية، ممكن بالتحليل تتعرف على بعض الأشخاص من نمط بياناتهم. عشان كذا طلع مجال الخصوصية التفاضلية مثل ما قلنا، اللي يضيف ضوضاء إحصائية تمنع الكشف عن هوية أي فرد
curlynoemi.medium.com
. بالمختصر، بننبه إن لازم يكون فيه توازن بين استفادة AI من البيانات وحماية خصوصية الأفراد.

تأثيره على الوظائف والعمل – هذا موضوع يهمنا كلنا. بنطرح السؤال الشهير: "هل الروبوت بياخذ وظيفتي؟" 😅. تاريخيًا كل تقنية جديدة تستبدل وظائف معينة لكنها تخلق وظائف جديدة
curlynoemi.medium.com
. مثل اختراع الآلات الزراعية قلل المزارعين وزاد عمال المصانع؛ الكمبيوتر قلل الحاجة للكثير من الأعمال الكتابية اليدوية لكن خلق وظائف برمجة وصيانة أنظمة. فالذكاء الصناعي متوقع يسوي نفس الشي: الأتمتة بتشيل مهام روتينية (مثال: خدمة العملاء البسيطة ممكن يتولّاها شات بوت AI، بعض أعمال التشخيص الطبي المبدئي بتسويها خوارزمية). بس بالمقابل نحتاج ناس يطورون هالخوارزميات ويشرفون عليها. طبعًا الفترة الانتقالية بتكون صعبة عبعض العاملين، وهنا يجي دور إعادة التأهيل والتدريب – مثل رؤية 2030 عندنا مركزة على تدريب الشباب بمجالات رقمية جديدة. فبنختم هالنقطة برسالة: المستقبل بيكون فيه تحوّل وظيفي مو بطالة جماعية بإذن الله، لكن الأكيد إن المهارات المطلوبة بتتغيّر، فلازم الواحد يتطور ويتعلم تقنيات جديدة (وانت بسجلّك بهالدورة قاعد تسوي الشي الصح 🎉).

المحتوى المولَّد بالذكاء (الديبفايك والمعلومات) – قبل كم سنة كان كل المحتوى اللي تشوفه من صنع البشر. اليوم لا: الصور ممكن تكون مرسومة آليًا، الصوت ممكن يكون مركب، والفيديوهات المزيفة (deepfakes) تنتشر. هذا له جانب ممتع وإبداعي – شفنا ناس يستخدمون الذكاء يصنعون محتوى تسلية (مثلاً مقاطع واحد مغير وجهه بممثل مشهور بشكل متقن). لكن له جانب خطير: التضليل الإعلامي. ممكن نشوف فيديو لرئيس دولة يقول تصريح وهو عمره ما قاله، والفيديو شكله واقعي تمامًا. هذا بيصعّب علينا نفرّق الحقيقة من التزوير. بنناقش هالتحدي وكيف لازم نتأكد من المصادر أكثر من أول. وكذلك المحتوى النصي: صار ممكن AI يكتب مقالات كاملة – ممكن يفيد الصُحفي ينجز أسرع، لكنه ممكن يستخدَم لنشر سبام أو معلومات مغلوطة بكميات ضخمة. بنذكر مثال: ChatGPT أثار قلق في التعليم، البعض الطلاب صاروا يخلونه يكتب لهم واجباتهم 😅 وهذا خلّى مدارس وجامعات تفكر شلون تعدّل سياساتها لمنع الغش وتوجيه الطلاب لاستخدام الأدوات هذي بطريقة صحيحة
reuters.com
. يعني حتى مؤسسات التعليم بدأت تتكيّف مع وجود هالأدوات الذكية.

الخلاصة وختام الدورة – بنرجع نلخص هدفنا: إنك الحين صرت تعرف أساسيات الذكاء الصناعي وفهمك لها يساعدك تدخل النقاشات حول AI بعقلية منطقية وعلمية
curlynoemi.medium.com
 بدل الخوف أو التهويل. تعلمنا سوا كثير: من التعاريف، للحلول الخوارزمية، للتعلم الآلي والشبكات، إلى القضايا الأخلاقية
curlynoemi.medium.com
. بس التقنية تركض لقدّام، فلا توقف هنا! ننصحك تكمل مشوار التعلم – سواء بدورات متقدمة (في جزء ثاني من Elements of AI عن "بناء الذكاء الصناعي" إذا تبي تتعمق بالبرمجة)، أو بمتابعة الأخبار والمصادر الموثوقة. وندعوك تنضم لمجتمعنا أو منتدى النقاش (إذا متوفر) عشان تستمر تتعلم حتى بعد ما تخلصنا الفصل الأخير
curlynoemi.medium.com
. مستقبلنا كشباب سعودي واعد بهالمجال – حكومة السعودية واضحة إنها داعمة بقوة (أصدروا مثلاً ضوابط لاستخدامات الذكاء التوليدي بالمؤسسات لضمان الأخلاقية
digitalbricks.ai
، وشاركوا بصياغة أنظمة دولية زي تبنيهم لمبادئ منظمة OECD للذكاء الصناعي المسؤول). فخلك جزء من الحوار وكون أنت من الجيل اللي يوجه استخدام التقنية للخير والمنفعة.

إضافات جديدة (تحديث 2025): (مدمجة فوق ضمن النقاط، حطينا المستجدات بكل نقطة) لكن للتأكيد:

تنظيم الذكاء الصناعي عالميًا: بنشير إن الاتحاد الأوروبي تبنّى أول قانون شامل للذكاء الصناعي في يونيو 2024 اسمه قانون الذكاء الصناعي (AI Act) يصنّف أنظمة الذكاء حسب خطورتها ويضبطها
europarl.europa.eu
. هالنقلة بتنفرض على شركات التقنية مراعاة متطلبات أمان وشفافية معينة خصوصًا بالأنظمة عالية الخطورة (مثل أنظمة التوظيف، أو القيادة الذاتية). وبالمقابل، سدايا عندنا أصدرت إرشادات للاستخدام المسؤول للذكاء التوليدي للشركات والجهات الحكومية
digitalbricks.ai
، وهذا يدل إن حتى محليًا صرنا واعين لضرورة التنظيم مو بس التطوير. فالتطور ماشي على الجبهتين – تقنية أقوى وتشريعات أقوى للتأكد إنها بأمان علينا.

التمارين وختامية: نختم بأسئلة مفتوحة تحفزك تفكر وترتب معلوماتك: اذكر أهم مشكلتين برأيك تصاحب انتشار الذكاء الصناعي وكيف ممكن نتعامل معها؟ هذا بيخليك تسترجع أشياء مثل الخصوصية، البطالة، الانحياز… وغيرها. ممكن نسألك بعد وين تشوف نفسك تقدر توظف اللي تعلمته؟ – يمكن تقول بمشروع تخرج، أو بشغلك تطوّر شغلة، أو على الأقل صرت تفهم الأخبار التقنية بشكل أفضل. وآخر شي بنسوي استبيان تقييم سريع عشان نعرف رأيك بالدورة ونطورها مستقبلًا. وبكذا نكون أنهينا الرحلة التعليمية سوا. 🎉👏

خطة زمنية مقترحة وعبء العمل لكل أسبوع

الأسبوع 1: الوحدة 1 (وش هو الذكا الصناعي؟) – الوقت المتوقع: 5-6 ساعات. قراءة مقدمة عن التعريفات والفلسفة + حل تمرين رسم مخطط المجالات + مشاركة رأيك حول تأثير الذكاء على وظيفتك المستقبلية.

الأسبوع 2: الوحدة 2 (حل المشكلات بالذكاء الصناعي) – الوقت المتوقع: 4-8 ساعات. تعلم خوارزميات البحث والتطبيق على لغز/لعبة بسيطة + حل أسئلة قصيرة عن لعبة الشطرنج واطلاع على قصة AlphaGo كمطالعة إضافية.

الأسبوع 3: الوحدة 3 (التعامل مع الاحتمالات في الواقع) – الوقت المتوقع: 5 ساعات. فهم أساسيات الاحتمالات وتطبيقها على أمثلة واقعية (تمارين حسابية على بايز) + تجربة تصنيف بريد مزعج بنايف بايز.

الأسبوع 4: الوحدة 4 (التعلم الآلي) – الوقت المتوقع: 6-7 ساعات. استيعاب أنواع التعلم الآلي مع تمارين تفاعلية (جار أقرب، رسم خط الانحدار) + قراءة أمثلة تطبيقية (مثل قصة أرامكو) ومناقشة حولها.

الأسبوع 5: الوحدة 5 (الشبكات العصبية) – الوقت المتوقع: 6-8 ساعات. استكشاف مفهوم الشبكات العصبية عبر شروحات مبسطة وتمارين تفاعلية + الاطلاع على التطورات الحديثة (مثل GPT وStable Diffusion) من خلال أمثلة وصور.

الأسبوع 6: الوحدة 6 (التبعات والاعتبارات الأخلاقية) – الوقت المتوقع: 5 ساعات. نقاشات حول تأثير الذكاء الصناعي مجتمعياً، قراءة دراسات حالة (انحياز أمازون بالتوظيف، تنظيم EU AI Act)
reuters.com
europarl.europa.eu
 + كتابة مشاركة ختامية عن رؤيتك الشخصية لمستقبل الذكاء الصناعي (تكون هي التمرين النهائي الكتابي).

إجمالي وقت الدراسة المقدر: ~30-40 ساعة مقسمة على 6 أسابيع كما هو موضح. طبعاً إذا انت فاضي وتبي تخلص أسرع، براحتك! تقدر تخلّص بدري لأن الدورة ذاتية بالكامل وكل المواد متاحة لك من البداية. أهم شيء إنك تستوعب وتطبق، مو بس تخلص بسرعة.

التقييم وتوزيع الدرجات

عشان تاخذ الشهادة لازم مثل ما قلنا تحل على الأقل 90% من التمارين وتحصل درجة 50% فأعلى. توزيع التمارين تقريباً كذا:

أسئلة اختيار متعدد وحسابية قصيرة (حوالي 20 سؤال منتشر عبر الوحدات) – هذي عليها 50% من الدرجة. تصحح تلقائي. أمثلة: اختيار التعريف الصحيح، حساب احتمال، تحديد ناتج خوارزمية بسيطة، الخ. محاولة وحدة لكل سؤال لتشجيعك تجاوب بدقة من أول مرة
classcentral.com
.

تمارين كتابية نقاشية (5 تمارين تقريباً) – عليها 50% من الدرجة. كل تمرين تطلب تكتب فقرة قصيرة (200-300 كلمة) عن موضوع محدد (مثلاً أثر الذكاء على وظيفتك، مشاكل أخلاقية، أفكارك عن مستقبل AI). إجاباتك يراجعها زملاء آخرين بالدورة (3 مراجعات لكل إجابة بشكل مجهول)
classcentral.com
. بيقيمونك وفق معايير: الشمولية، منطقية الإجابة، وضوحها، والتزامها بالموضوع
classcentral.com
. تأخذ متوسط تقييماتهم كنقاط. إذا إجابتك ما عجبها المقيمين (مثلا أحد حطلك تقييم منخفض)، فيه مراقبين من فريق الدورة يشوفون إذا تحتاج تكتب من جديد أو يصححون التقييم لضمان العدالة
classcentral.com
. لا تخاف، طول ما أنت كاتب بمجهودك ومغطّي النقاط المطلوبة، غالبًا بتاخذ تقييم زين. وبعد ما ترسل إجابتك، يظهر لك نموذج إجابة مكتوب من قبلنا تتعلم منه
classcentral.com
، وتروح أنت بدورك تقيّم 3 إجابات لزملاء غيرك (التعلم جزء من تقييم غيرك برضه).

المشاركة بالمنتدى (اختياري) – ما عليه درجات رسمية، بس ننصحك تشارك بأسئلة أو تستعرض أفكارك مع المتعلمين الآخرين. فريقنا بيتواجد يجاوب على الاستفسارات العامة.

بالنهاية، تقييمك الكلي يكون ناجح/راسب بناءً على تحقيق الشروط أعلاه. ما في ترتيب أو معدل، أهم شي إنك تاخذ المعرفة.

المصادر والمراجع: خلال الدورة بنعطي روابط لمصادر خارجية إذا تبي تتوسع: مثل مقالات، فيديوهات قصيرة، أو مواقع تفاعلية. مثلاً: رابط لموقع يشرح بايز بشكل مرح، أو فيديو يوتيوب وثائقي عن AlphaGo. كل وحدة عند نهاية صفحتها قائمة "اقرأ أكثر" اختيارية. إذا لغتك الانجليزية جيدة، هذي بتفيدك كثير. وبرضو أي شي أخذناه من الدورة الأصلية أو أضفناه من أخبار ودراسات بتلقى له مرجع موثق زي ما شفّت بالهوامش أثناء قراءتك لهذا المخطط.

نتمنى لك رحلة ممتعة معانا في هالدورة. يلا نبدأ ونكتشف أسرار الذكا الصناعي سوا! 🎓🤖