تعلّم الذكاء الاصطناعي من الصفر: مسار بمراحل وأزمنة

أكثر ما يُهلك المبتدئ ليس نقص المصادر، بل ترتيبها. يبدأ بالجبر الخطي، ثم بالتفاضل، ثم بالاحتمالات، وينتهي بعد أربعة أشهر ولم يدرّب نموذجًا واحدًا، فيظنّ المشكلة في نفسه. المشكلة في الترتيب: الرياضيات هنا أداة تُطلَب عند الحاجة، لا بوابة تُجتاز أولًا.

المسار الذي يعمل يقلب الاتجاه. تبدأ بمخرَج صغير مُقاس، ثم تنزل إلى الطبقة التي تحته كلما اصطدمت بحدّ لا تفهمه. وما يلي مراحل بأزمنة تقديرية لشخص يعطي بين ثماني ساعات واثنتي عشرة أسبوعيًّا، وبتحديد صريح لما يمكن تخطّيه في كل مرحلة.

المرحلة صفر: تسمية الأشياء — أسبوع

قبل أي كود، اضبط المصطلحات، لأن الخلط بينها يجعل كل ما بعده ضبابيًّا. اعرف ما ينصّ عليه التعريف المعياري وما لا ينصّ عليه في ما هو الذكاء الاصطناعي، وافصل بين الحقل والطريقة والمعمارية في الفرق بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق.

ما يمكن تخطّيه: تاريخ الحقل، والجدل الفلسفي حول الوعي، وأسماء الشركات والنماذج. لا شيء منها يدخل في قرار تقني ستتخذه هذا العام.

المرحلة الأولى: مشروع منتهٍ قبل أي نظرية — أسبوعان

درّب مصنّفًا واحدًا على بياناتك، وقِسه ضد خطّ أساس، وانشر واجهةً له. التفاصيل التنفيذية في كيف تبدأ أول مشروع ذكاء اصطناعي. والمخرَج المطلوب من هذه المرحلة ليس دقّةً عالية، بل أن تعرف بيديك معنى تسريب البيانات ومعنى خطّ الأساس.

ما يمكن تخطّيه: كل نموذج غير الانحدار اللوجستي وشجرة القرار. تنوّع الخوارزميات في هذه المرحلة تشتيت.

المرحلة الثانية: المفاهيم بترتيب مصدر واحد — ستة إلى ثمانية أسابيع

اتبع منهجًا واحدًا مكتملًا بدل جمع مقاطع متفرقة. دورة Machine Learning Crash Course من جوجل تغطّي بالترتيب: الانحدار الخطي والخسارة والانحدار التدريجي وضبط المعاملات الفائقة، ثم الانحدار اللوجستي، ثم التصنيف الثنائي مع العتبات ومصفوفات الالتباس والدقّة والاستدعاء وAUC، ثم البيانات الرقمية والفئوية والترميز أحادي الساخن وتقاطعات الخصائص، ثم معماريات الشبكات العصبية والتضمينات، ثم وحدة عن نماذج اللغة الكبيرة وأخرى عن أنظمة الإنتاج والعدالة (Google for Developers).

اقرأ هذا التسلسل بعناية، فهو يخبرك بشيء مهمّ: التقييم يأتي مباشرةً بعد أول نموذجَين، قبل الشبكات العصبية. وهذا ليس ترتيبًا اعتباطيًّا؛ من لا يفهم فرق الدقّة عن الاستدعاء سيبني شبكة عميقة ولا يعرف هل نجحت.

ما يمكن تخطّيه هنا: لا شيء تقريبًا. هذه المرحلة هي الأساس، وكل تخطٍّ فيها يظهر لاحقًا خطأَ تقييم لا نقصَ معرفة.

المرحلة الثالثة: الرياضيات عند نقطة الاحتياج — ستة أسابيع موزّعة

لا تقرأ كتاب رياضيات من غلافه إلى غلافه. كتاب Mathematics for Machine Learning يصرّح بأن غرضه ليس تغطية تقنيات التعلّم الآلي المتقدّمة، بل توفير المهارات الرياضية اللازمة لقراءة تلك الكتب، وهو مقسوم إلى جزأين: أُسُس رياضية في سبعة فصول تشمل الجبر الخطي والهندسة التحليلية وتفكيكات المصفوفات وحساب المتجهات والاحتمال والتوزيعات والتحسين المتصل، ثم خمسة فصول لمسائل تعلّم آلي مركزية (mml-book).

استعمله مرجعًا: عند مصطلح لا تفهمه، افتح فصله وحده. والفصول الأربعة الأكثر عودةً في العمل اليومي هي الجبر الخطي، وحساب المتجهات، والاحتمال، والتحسين المتصل.

ما يمكن تخطّيه: تفكيكات المصفوفات، إلى أن تحتاجها فعلًا في مسألة بعينها.

المرحلة الرابعة: قراءة ورقة أصلية واحدة — أسبوع

اقرأ ورقة Attention Is All You Need بنفسك. تقترح الورقة معمارية Transformer المبنية على آليات الانتباه وحدها، بلا تكرار ولا التفافات، وتذكر نتائج ملموسة: ٢٨٫٤ نقطة BLEU على مهمة WMT 2014 من الإنجليزية إلى الألمانية بتحسّن يتجاوز نقطتَين على أفضل النتائج السابقة، و٤١٫٨ نقطة من الإنجليزية إلى الفرنسية بتدريب دام ثلاثة أيام ونصف على ثماني وحدات معالجة رسوميات (Vaswani وآخرون).

والفائدة ليست حفظ المعمارية، بل التمرّن على قراءة ادعاء علمي بحدوده: مهمّتان محدَّدتان، ومقياس محدَّد، وتكلفة حساب مذكورة. ومن يعتاد هذا لا تنطبق عليه العناوين الترويجية.

المرحلة الخامسة: هندسة الأنظمة، وهي الأطول — ثمانية أسابيع وما بعدها

هنا يقع أكبر خلل في خرائط الطرق المتداولة. توثيق جوجل لعمليات التعلّم الآلي ينصّ على أن جزءًا صغيرًا فقط من نظام التعلّم الآلي الواقعي يتكوّن من كود التعلّم الآلي، ويسرد ما يحيط به: الإعداد، والأتمتة، وجمع البيانات، والتحقّق منها، والاختبار والتنقيح، وإدارة الموارد، وتحليل النموذج، وإدارة العمليات والبيانات الوصفية، وبنية الخدمة، والمراقبة (Google Cloud). ويصف ثلاثة مستويات نضج، ويسمّي مخاطر بعينها منها انحراف التدريب عن الخدمة وتقادم النموذج وانحراف المفهوم.

ويؤسّس هذا بحثٌ أقدم: ورقة Hidden Technical Debt in Machine Learning Systems تحذّر من أن اعتبار المكاسب السريعة من التعلّم الآلي مجانيةً أمر خطير، وأن الأنظمة الواقعية تتحمّل تكاليف صيانة مستمرّة ضخمة، وأن دَينها التقني يصعب كشفه لأنه يقع على مستوى النظام لا مستوى الكود؛ وتذكر أن الحلول التي تمنح فائدة دقّة ضئيلة مقابل زيادة هائلة في تعقيد النظام نادرًا ما تكون ممارسة حكيمة (Sculley وآخرون).

وإن كان مسارك بناء تطبيقات فوق نماذج اللغة، فأضف طبقة الأمان صراحةً عبر قائمة OWASP لأهمّ عشرة مخاطر لتطبيقات نماذج اللغة الكبيرة (OWASP GenAI).

ما يمكن تخطّيه وما لا يُغتفَر

متى لا تحتاج هذه الخارطة

إن كان هدفك استعمال أدوات جاهزة في عملك — تحرير نصوص، أو تلخيص، أو توليد صور — فلا تحتاج مرحلتَي الرياضيات وقراءة الأوراق. تحتاج فهم حدود المخرَج وطريقة التحقّق منه، وذلك في المرحلتين صفر والأولى. وإن كنت مهندس برمجيات وتريد إضافة قدرة نموذج لغوي إلى تطبيق قائم، فابدأ من المرحلة الخامسة مباشرةً: التكامل والمراقبة والأمان، وأخّر النظرية. وإن كنت تتعلّم لتغيير مسارك نحو البحث، فهذه الخارطة قصيرة عليك؛ سقفها هندسي لا بحثي.

الأسئلة الشائعة

كم أحتاج فعلًا حتى أبني شيئًا مفيدًا؟

المرحلتان الأولى والثانية معًا تقعان بين ثمانية وعشرة أسابيع بوتيرة ثماني إلى اثنتي عشرة ساعة أسبوعيًّا، وتنتهيان بنظام تصنيف مُقاس ومنشور. أمّا الكفاءة في تشغيل الأنظمة فمرحلة مفتوحة، لأن ما يحيط بكود التعلّم الآلي أوسع من الكود نفسه (Google Cloud).

هل أحتاج دراسة رياضيات جامعية أولًا؟

لا يلزم البدء بها. الكتاب المرجعي يصرّح بأن غايته إعطاء المهارات اللازمة لقراءة كتب التعلّم الآلي المتقدّمة، أي أنه وسيلة قراءة لا شرط دخول (mml-book). خُذ فصوله عند الاحتياج.

أتعلّم الشبكات العصبية أم التعلّم الآلي الكلاسيكي أولًا؟

الكلاسيكي أولًا. المنهج المرجعي يضع الانحدار الخطي واللوجستي والتقييم قبل معماريات الشبكات (Google for Developers)، والسبب عملي: النماذج البسيطة تُدرَّب في ثوانٍ، فتتعلّم منها التقييم بتكلفة قريبة من الصفر.

ماذا أضيف إن كان عملي بناء تطبيقات على نماذج اللغة؟

أضف طبقة أمان تطبيقات صريحة. قائمة OWASP لمخاطر تطبيقات نماذج اللغة الكبيرة قائمة على جهد مجتمعي يتابع الثغرات المستجدّة وطرائق مواجهتها (OWASP GenAI)، وهي نقطة بداية أنسب من التعميمات الأمنية العامة.

المراجع

1. Google for Developers. Machine Learning Crash Course. developers.google.com
2. Deisenroth, Faisal, Ong. Mathematics for Machine Learning, Cambridge University Press, 2020. mml-book.github.io
3. Vaswani et al. Attention Is All You Need. arXiv:1706.03762
4. Sculley et al. Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015. proceedings.neurips.cc
5. Google Cloud. MLOps: Continuous delivery and automation pipelines in machine learning. cloud.google.com
6. OWASP GenAI Security Project. OWASP Top 10 for LLM Applications. genai.owasp.org