الفرق بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق

عند قراءة أي مقال عن الذكاء الاصطناعي تصادف ثلاثة مصطلحات متجاورة: «ذكاء اصطناعي»، و«تعلم آلي»، و«تعلم عميق». وكثيرًا ما تُستعمل وكأنها مترادفات.

ليست كذلك، والخلط بينها ليس خطأً لغويًّا فحسب. حين تختار أداة لمشروعك، أو تقرأ توثيقًا تقنيًّا، أو تقرّر ما تتعلّمه بعد ذلك، فإن معرفة أيّ من الثلاثة تحتاجه بالضبط تختصر عليك شهورًا — وتمنعك من شراء عتاد لا يلزمك أو تعلّم رياضيات لن تستعملها.

الذكاء الاصطناعي: المظلّة الأوسع

الذكاء الاصطناعي (Artificial Intelligence) هو المجال الذي يهدف إلى بناء أنظمة تؤدّي مهامّ كانت تتطلّب ذكاءً بشريًّا: التعلّم، وحلّ المشكلات، واتخاذ القرار، والإدراك، وفهم اللغة.

يعرّفه إطار NIST لإدارة مخاطر الذكاء الاصطناعي بأنه نظام هندسي أو قائم على الآلات يستطيع — لمجموعة أهداف محدّدة — توليد مخرجات مثل التوقّعات أو التوصيات أو القرارات التي تؤثّر في بيئات حقيقية أو افتراضية [1].

ولاحظ ما لا يقوله التعريف: لا يشترط أن «يفكّر» النظام كما يفكّر الإنسان. يشترط أن يُنتج مخرجًا مؤثّرًا لهدف معلَن. ولذلك يدخل تحت المظلّة نظامان مختلفان تمامًا: نظام يعمل بقواعد كتبها مهندس بيده، ونظام تعلّم أنماطه من بيانات. كلاهما ذكاء اصطناعي.

التعلم الآلي: التعلّم من البيانات

التعلم الآلي (Machine Learning) مجموعة فرعية من الذكاء الاصطناعي، تركّز على تمكين الأنظمة من التعلّم من البيانات دون برمجة صريحة لكل حالة.

وأشهر تعريف له صاغه توم ميتشل: يُقال إن برنامجًا يتعلّم من الخبرة E فيما يتعلّق بفئة من المهامّ T ومقياس أداء P، إذا تحسّن أداؤه في T — مقيسًا بـP — مع الخبرة E [2].

التعريف يبدو مجرّدًا، ومعناه العملي بسيط: بدل أن تكتب قاعدة مثل «إن كانت الصورة تحوي حوافّ دائرية فهي قطّة»، تُعطي النظام آلاف الصور المصنَّفة ويستخرج هو الأنماط المميّزة لكل فئة.

وثلاثة عناصر في تعريف ميتشل تستحقّ الانتباه، لأنها ما تقيسه فعلًا حين تبني نظامًا: الخبرة (بياناتك)، والمهمّة (ما تريده أن يفعل)، ومقياس الأداء (كيف تعرف أنه نجح). غياب الثالث هو سبب أكثر مشاريع التعلم الآلي التي تُبنى ولا يُعرف أنجحت أم لا.

من تطبيقاته المألوفة: أنظمة التوصية، وتصفية البريد العشوائي، وتوقّع الأسعار من بيانات تاريخية، واكتشاف الاحتيال في المعاملات.

التعلم العميق: الطبقات التي تستخرج الميزات

التعلم العميق (Deep Learning) مجموعة فرعية من التعلم الآلي، تستعمل شبكات عصبية اصطناعية متعدّدة الطبقات [3].

وكلمة «عميق» تعني تحديدًا: عدّة طبقات، لا طبقة واحدة. كل طبقة تتعلّم تمثيلًا أكثر تجريدًا من التي قبلها. في تصنيف الصور مثلًا، قد تكتشف الطبقة الأولى حوافّ، والتالية أشكالًا، والتي بعدها أجزاءً من وجه.

وهنا الفرق الجوهري الذي يُغفَل كثيرًا: في التعلم الآلي التقليدي يحدّد المهندس الميزات بيده — اللون، والشكل، والملمس — ويُطعمها للنموذج. وفي التعلم العميق تستخرج الشبكة الميزات بنفسها من البيانات الخام.

هذا الفرق ليس تفصيلًا أكاديميًّا؛ هو الذي يفسّر لماذا يحتاج التعلم العميق بيانات أكثر بكثير: استخراج الميزات تلقائيًّا مهمّة تُتعلَّم، وتعلّمها يحتاج أمثلة.

كيف ترتبط الثلاثة

الذكاء الاصطناعي
├── التعلم الآلي
│   ├── التعلم العميق
│   ├── أشجار القرار
│   ├── آلات المتّجهات الداعمة
│   └── الانحدار اللوجستي
├── الأنظمة القائمة على القواعد
└── معالجة اللغة الطبيعية التقليدية

مثال واحد بثلاث طرق

لنفترض أنك تبني نظامًا يميّز أنواع الفواكه من الصور.

بقواعد يدوية: تكتب «إن كانت الدائرة حمراء وصغيرة فهي تفّاحة». يعمل على صور مثالية، وينهار عند أول صورة بإضاءة مختلفة أو زاوية غير متوقّعة.

بالتعلم الآلي التقليدي: تستخرج ميزات بيدك — اللون، والشكل، ونسبة الأبعاد — ثم تدرّب مصنِّفًا عليها. أمتن من القواعد، لكن جودته محكومة بجودة الميزات التي اخترتها أنت.

بالتعلم العميق: تُعطي شبكة عميقة آلاف الصور المصنَّفة، فتستخرج الميزات وتتعلّم التصنيف معًا. أقوى في الحالات المعقّدة، وأغلى في البيانات والعتاد والوقت.

الفروق الثلاثة تلخّص المقايضة كلّها: كلّما قلّ تدخّلك في تحديد الميزات، زادت حاجة النظام إلى البيانات.

خمسة أخطاء شائعة

١. أن الذكاء الاصطناعي والتعلم الآلي شيء واحد. التعلم الآلي جزء من الذكاء الاصطناعي لا كلّه؛ وأنظمة قائمة على قواعد مكتوبة يدويًّا تُعدّ ذكاءً اصطناعيًّا ولا تتعلّم شيئًا.

٢. أن التعلم العميق أفضل دائمًا. يحتاج بيانات ضخمة وعتادًا مكلفًا. وفي المهامّ ذات البيانات المنظَّمة — الجداول تحديدًا — تسبقه النماذج التقليدية سرعةً وتكلفةً وأحيانًا دقّةً.

٣. أن النظام «يفهم» كما يفهم الإنسان. يتعلّم أنماطًا إحصائية من بياناته، ويخطئ في المواقف التي لم يرَ شبيهًا لها.

٤. أن التعلم الآلي بلا تدخّل بشري. البشر يجمعون البيانات ويصنّفونها، ويختارون النموذج، ويضبطون المعاملات، ويحكمون على النتائج. كلمة «آلي» تصف الاستنتاج لا العملية.

٥. الخلط بين التعلم العميق والشبكات العصبية. كل تعلم عميق يستعمل شبكات عصبية، وليس كل شبكة عصبية تعلّمًا عميقًا: شبكة بطبقة مخفيّة واحدة ليست عميقة.

متى لا تحتاج التعمّق في هذا

المعرفة السطحية كافية تمامًا — ولا تخجل منها — إن كنت:

• تستعمل واجهات جاهزة من مزوّدي النماذج، وتبني فوقها لا تحتها.
• تبني تطبيقًا يستهلك نموذجًا مُدرَّبًا مسبقًا دون تعديله.
• تعمل في الواجهات أو إدارة المنتج أو التحليلات.

والتعمّق يصير ضروريًّا حين:

• تدرّب نموذجًا من الصفر أو تضبط نموذجًا قائمًا.
• تواجه التجهيز الزائد (Overfitting) أو الناقص (Underfitting) وتحتاج تشخيصهما.
• تختار بنية نموذج تناسب مشكلتك بعينها.

وهذا التمييز نفسه هو ما يوفّر الشهور: كثيرون يبدأون بالجبر الخطي والتفاضل قبل أن يعرفوا أنهم لن يحتاجوهما في العمل الذي يريدونه.

الأسئلة الشائعة

هل أستطيع دخول المجال دون رياضيات متقدّمة؟

نعم للبناء فوق الأدوات الجاهزة. ولا للتعمّق في بناء النماذج وفهم سبب نجاحها أو فشلها — هناك تحتاج أساسًا في الجبر الخطي والاحتمالات والتفاضل.

ما ترتيب التعلّم المعقول؟

أساسيات الذكاء الاصطناعي، ثم خوارزميات التعلم الآلي الكلاسيكية (الانحدار، التصنيف، التجميع)، ثم الشبكات العصبية، ثم التعلم العميق. القفز إلى الأخير مباشرةً يجعل أخطاءك غامضة لأنك تفتقد ما تقارن به.

هل أحتاج وحدة معالجة رسومية؟

لا لأغلب خوارزميات التعلم الآلي التقليدية؛ المعالج العادي يكفي. تصير ضرورية عند تدريب نماذج تعلم عميق كبيرة.

ما الفرق بين النموذج والخوارزمية؟

الخوارزمية هي الطريقة (مثل «الانحدار اللوجستي»)، والنموذج هو ناتج تدريبها على بياناتك. الخوارزمية واحدة، والنماذج منها بعدد مجموعات البيانات.

هل يحلّ التعلم العميق محلّ التعلم الآلي التقليدي؟

لا. لكلٍّ مجاله: العميق للمهامّ المعقّدة كالصور والنصوص، والتقليدي أسرع وأرخص وكثيرًا ما يكون أدقّ على البيانات المنظَّمة.

المراجع

1. NIST. Artificial Intelligence Risk Management Framework (AI RMF 1.0). nvlpubs.nist.gov
2. Mitchell, T. Machine Learning. McGraw-Hill, 1997. cs.cmu.edu
3. Fundamentals of Artificial Neural Networks and Deep Learning. NCBI Bookshelf. ncbi.nlm.nih.gov
4. NIST CSRC. Artificial Intelligence — Glossary. csrc.nist.gov
5. Oracle. الذكاء الاصطناعي مقابل التعلم الآلي. oracle.com
6. AWS. الفرق بين التعلم الآلي والتعلم العميق. aws.amazon.com