Artificial intelligence can seem much more complicated than it really is. You hear terms such as machine learning, neural networks, transformers, large language models, embeddings, reinforcement learning, and generative AI almost every day. The problem is that these concepts are often explained separately, using technical language that makes them harder to understand rather than easier.

The good news is that you do not need a PhD in computer science to understand the foundations of modern AI. Once you see how the major concepts connect to one another, the entire field becomes much easier to follow.

Think of this article as a fast tour through the AI landscape. In roughly 20 minutes, you will understand 15 concepts that form the foundation of most AI systems used today. You will also see how they relate to real applications such as ChatGPT, recommendation systems, autonomous vehicles, image generators, fraud detection, search engines, and intelligent software development tools.

1. Artificial Intelligence

Let’s begin with the broadest concept: Artificial Intelligence, usually called AI.

AI refers to computer systems designed to perform tasks that traditionally require some form of human intelligence. These tasks can include recognizing images, understanding language, making predictions, solving problems, generating content, planning actions, and making decisions.

AI itself is not a single technology. It is an umbrella term covering many different approaches. A simple rule-based system can technically be considered AI, while a sophisticated generative model such as an advanced language model represents a much more complex form of AI.

For example, imagine a banking system that automatically identifies suspicious transactions. It might examine transaction amounts, locations, timing, account behavior, and other patterns before estimating whether a transaction is fraudulent.

The important distinction is that AI describes the overall goal or capability. The techniques used to achieve that capability may include machine learning, deep learning, neural networks, reinforcement learning, and other methods.

2. Machine Learning

Machine learning is one of the most important ideas in modern AI.

Instead of explicitly programming a computer with every rule it needs to follow, machine learning allows a system to learn patterns from data.

Consider an email spam filter. A traditional program might contain hundreds of manually written rules describing suspicious emails. A machine-learning system can instead be trained using thousands or millions of examples of spam and legitimate messages. The algorithm examines those examples and learns statistical patterns that help it distinguish between the two.

This fundamental shift is extremely important.

The programmer does not necessarily tell the machine exactly what constitutes spam. Instead, the programmer creates a learning system and provides appropriate data.

Machine learning is therefore less about writing every rule and more about learning useful relationships from examples.

3. Supervised Learning

Supervised learning is a machine-learning approach in which the model learns from examples that already have known answers.

Imagine you want to build a system that predicts house prices. You give the model historical examples containing information such as house size, location, number of rooms, and age. You also provide the actual selling price for each house.

The model studies the relationship between the input information and the known outcome. After training, you can give it information about a new house and ask it to estimate the price.

The same principle applies to image classification. If you want a system to distinguish cats from dogs, you can provide many labeled images showing which animal appears in each image.

The word “supervised” refers to the presence of known target answers during training.

4. Unsupervised Learning

Unsupervised learning takes a different approach.

Here, the data does not come with predefined labels. Instead, the algorithm attempts to discover interesting structures or patterns within the data itself.

Suppose an online retailer has millions of customers but does not know how to categorize them. An unsupervised-learning algorithm might analyze purchasing behavior and discover groups of customers with similar characteristics.

One group might frequently purchase electronics. Another might primarily purchase household products. A third might make occasional high-value purchases.

Nobody explicitly told the algorithm what these groups should look like. The algorithm discovered patterns in the data.

Clustering is one of the best-known examples of unsupervised learning.

5. Neural Networks

Neural networks are computational models inspired loosely by the structure of biological neural systems.

A neural network consists of interconnected computational units commonly called neurons. These units are organized into layers. Information moves through the network, and the connections contain adjustable parameters known as weights.

Suppose you are training a neural network to recognize handwritten numbers. The network receives an image as input. Early layers may learn simple visual patterns, while deeper layers can combine those patterns into increasingly meaningful representations.

The remarkable part is that the network can learn these representations automatically during training.

Neural networks existed long before today’s generative AI revolution, but advances in computing power, data availability, optimization techniques, and model architectures have made them dramatically more capable.

6. Deep Learning

Deep learning is essentially machine learning based on neural networks with many layers.

The word “deep” refers to the depth of the network. A deeper network can potentially learn more complex hierarchical representations of data.

For example, when processing an image, an early layer might detect edges. Later layers can combine those edges into shapes. Deeper layers may identify objects or meaningful visual structures.

This hierarchical learning is one reason deep learning has been so successful in computer vision, speech recognition, natural-language processing, and generative AI.

The rise of GPUs and specialized AI hardware has also been crucial. Training large neural networks requires enormous amounts of computation, and modern hardware makes that computation practical.

7. Training and Inference

Two terms appear constantly when discussing AI systems: training and inference.

Training is the process through which a model learns its parameters from data.

Imagine teaching a model to recognize handwritten digits. During training, the model receives examples, produces predictions, compares those predictions with the expected answers, and adjusts its parameters to reduce the error.

Inference happens after training.

During inference, the model receives new information and produces an output using what it learned previously.

When you send a question to an AI chatbot and receive an answer, the system is performing inference. The model is not necessarily learning its underlying parameters from your individual question at that moment.

This distinction is extremely important when discussing the cost and infrastructure behind AI.

8. Loss Functions and Optimization

How does a machine-learning model know that it is getting better?

This is where loss functions and optimization enter the picture.

A loss function measures how different the model’s prediction is from the desired result. If a model predicts a house price of $300,000 when the actual price is $350,000, the loss function quantifies the error according to the chosen mathematical formulation.

The training process then attempts to minimize this loss.

One of the most important optimization techniques used in neural networks is gradient descent. The model calculates how changes to its parameters would affect the loss and adjusts those parameters in a direction that should reduce the error.

This process happens repeatedly, often millions or billions of times during large-scale model training.

9. Overfitting and Generalization

A model can become very good at its training data without actually becoming good at solving new problems.

This is called overfitting.

Imagine a student who memorizes every answer in a practice test but does not understand the underlying subject. The student may achieve an excellent practice score but perform poorly on a different exam.

A machine-learning model can behave similarly.

If a model becomes too specialized to its training examples, it may perform extremely well on those examples while producing poor results on unseen data.

The opposite goal is generalization. A well-trained model should learn useful patterns that continue to work when it encounters new examples.

Techniques such as regularization, appropriate dataset design, validation procedures, and careful model selection can help reduce overfitting.

10. Transformers

Transformers changed artificial intelligence.

Introduced in the landmark 2017 research paper “Attention Is All You Need,” the transformer architecture became the foundation for many modern language models and later influenced systems working with images, audio, video, and multimodal information.

The key idea behind transformers is the attention mechanism.

Instead of processing a sequence strictly one element at a time, attention allows a model to evaluate relationships between different elements of the input. In language, this helps the model determine which words or tokens are particularly relevant to one another.

For example, consider a sentence containing a pronoun. Understanding what that pronoun refers to may require examining words much earlier in the sentence. Attention gives the model a mechanism for determining which parts of the context matter.

Transformers are one of the major reasons modern language models became so powerful and scalable.

11. Attention

Attention deserves its own explanation because it is central to understanding transformers.

Imagine reading a paragraph and trying to understand one particular sentence. You do not give equal importance to every word you have ever seen. Instead, you naturally focus on the parts of the context that are most relevant to the current meaning.

Attention provides a mathematical mechanism for something conceptually similar.

When processing an input, the model calculates relationships between elements and determines how strongly different pieces of information should influence one another.

This allows a language model to consider context rather than simply looking at words in isolation.

Attention is not human understanding in the literal sense, but it gives neural networks a powerful mechanism for modeling relationships within sequences.

12. Large Language Models

A Large Language Model, or LLM, is a neural-network model trained on enormous amounts of text to model language.

Models in this category learn statistical relationships between tokens and develop internal representations that allow them to perform tasks such as text generation, summarization, translation, question answering, coding, and information extraction.

A common misconception is that an LLM simply stores a giant database of sentences and retrieves them whenever someone asks a question.

That is not an accurate description.

The model learns parameters that encode statistical patterns and relationships from its training process. When generating text, it uses the context provided to calculate likely continuations token by token.

This explains both the impressive capabilities and some of the limitations of LLMs.

A model can produce remarkably coherent answers while still generating incorrect information because fluency and factual accuracy are not identical properties.

13. Tokens and Embeddings

Two concepts that often confuse beginners are tokens and embeddings.

A token is a unit of text processed by a language model. Depending on the tokenizer, a token can represent a whole word, part of a word, punctuation, or another text fragment.

When you enter a sentence into an LLM, the text is converted into tokens before being processed by the neural network.

Embeddings go a step further.

An embedding represents information as a numerical vector. These vectors allow machine-learning systems to represent semantic and contextual relationships mathematically.

For example, words or sentences with related meanings can have embeddings that are relatively close to one another in a learned vector space.

Embeddings are extremely useful outside chatbots. They are widely used in semantic search, recommendation systems, document retrieval, classification, and retrieval-augmented generation.

14. Generative AI

Generative AI refers to AI systems capable of producing new content.

That content can include text, images, audio, video, computer code, and other forms of media.

A traditional AI system might classify an image as a cat. A generative system can create an entirely new image of a cat based on a description.

Similarly, a traditional language-processing system might classify a customer message as a complaint. A generative language model can draft a response to that complaint.

Generative AI therefore changes the role of AI from simply analyzing existing information to producing new outputs.

However, “generative” does not mean that the system creates information from nothing. Generative models learn patterns from training data and use those learned representations to produce new outputs.

15. Reinforcement Learning

The final concept is reinforcement learning.

Reinforcement learning is a machine-learning approach in which an agent learns by interacting with an environment and receiving feedback in the form of rewards or penalties.

Imagine teaching an AI system to play a video game. You do not necessarily tell it every correct action. Instead, the system takes actions, observes what happens, and receives rewards for desirable outcomes.

Over many interactions, it learns strategies that tend to produce higher rewards.

Reinforcement learning has been used in games, robotics, optimization, control systems, and other environments where sequential decision-making is important.

It has also influenced the development of modern AI assistants through techniques that use human or AI-generated feedback to improve how models behave.

The important idea is simple: instead of learning only from static examples, the system learns from feedback associated with actions and outcomes.

How These 15 AI Concepts Fit Together

At this point, the terminology can seem like a collection of unrelated ideas. In reality, these concepts form a connected hierarchy.

AI is the broad field.

Machine learning is one major approach within AI.

Deep learning is a powerful form of machine learning based primarily on neural networks.

Transformers are a particular neural-network architecture that became especially important for language and multimodal systems.

Attention is a central mechanism inside transformer architectures.

Large language models are large neural models, commonly transformer-based, trained to model language.

Tokens are units of text processed by language models, while embeddings provide numerical representations that AI systems can use to capture relationships between pieces of information.

Generative AI describes systems capable of producing new content.

Supervised learning, unsupervised learning, and reinforcement learning describe different approaches to how models can learn.

Training is the process of learning model parameters, while inference is the process of using those parameters to generate outputs.

Loss functions and optimization provide the mathematical machinery that allows models to improve during training.

Overfitting and generalization help explain why a model that performs well on training data may still fail in the real world.

Once these relationships become clear, much of today’s AI terminology becomes significantly easier to understand.

A Real-World Example: What Happens When You Ask an AI Assistant a Question?

Let’s connect everything with a simple example.

Suppose you type:

“Explain quantum computing to me like I’m a beginner.”

Your text is first converted into tokens. Those tokens are processed by the language model.

The model uses its learned parameters and transformer architecture to analyze the relationships between the tokens and the surrounding context. Attention mechanisms help determine which parts of the context are relevant.

The model then predicts a sequence of tokens that forms the response.

The process happens during inference because the trained model is being used to produce an output.

Behind that seemingly simple interaction are years of research involving machine learning, neural networks, optimization, massive datasets, transformer architectures, language modeling, and large-scale computing infrastructure.

What appears to be a simple conversation is actually the visible endpoint of a very sophisticated computational pipeline.

Why These Concepts Matter Beyond ChatGPT

It is tempting to think that learning AI means learning how chatbots work. That would be far too narrow.

The same underlying concepts appear in medical imaging, cybersecurity, autonomous systems, financial forecasting, recommendation engines, search technology, robotics, manufacturing, marketing, scientific research, and software engineering.

A recommendation engine uses machine learning to identify patterns in user behavior.

A cybersecurity system can use anomaly detection to identify unusual activity.

A medical imaging model can use deep learning to identify patterns in scans.

A translation system can use transformer-based architectures to model relationships between languages.

A robotics system can combine computer vision, deep learning, and reinforcement learning to interact with its environment.

Understanding the foundations therefore gives you a transferable mental model rather than knowledge tied to one particular AI product.

The Biggest Mistake Beginners Make When Learning AI

The biggest mistake is trying to memorize hundreds of AI terms without understanding how they relate to one another.

You do not need to memorize every architecture, optimization algorithm, benchmark, or research paper before you can understand artificial intelligence.

Start with the hierarchy.

Understand AI first.

Then understand machine learning.

Then understand neural networks and deep learning.

After that, learn transformers, attention, tokens, embeddings, and language models.

Once those foundations are clear, concepts such as fine-tuning, retrieval-augmented generation, multimodal models, agents, vector databases, and model alignment become much easier to understand.

AI becomes far less intimidating when you stop treating every new term as an isolated technology.

What Should You Learn Next?

If these 15 concepts have given you a basic map of AI, the next step depends on what you want to do with that knowledge.

If you want to become an AI engineer, you should move toward Python, linear algebra, probability, statistics, machine learning frameworks, deep learning, transformers, model deployment, APIs, and AI infrastructure.

If your goal is to use AI professionally rather than build models from scratch, focus more heavily on prompting, AI workflows, APIs, automation, retrieval systems, evaluation, and practical applications.

If you are interested in AI research, you will eventually need a much stronger mathematical foundation along with statistics, optimization, deep learning theory, experimental methodology, and the ability to read research papers.

The important thing is not to learn everything simultaneously. Build the conceptual foundation first, then specialize.

Final Thoughts

Artificial intelligence is moving incredibly quickly, but its rapid development does not mean that the fundamentals have become irrelevant. Quite the opposite. The more AI technologies appear, the more valuable a strong understanding of the underlying concepts becomes.

AI is the broad field. Machine learning provides methods for learning from data. Neural networks provide the foundation for deep learning. Transformers introduced a powerful architecture for modeling relationships in sequences and other forms of data. Attention helps these models focus on relevant information. LLMs use these ideas to model language at enormous scale, while generative AI extends the capabilities of models into the creation of new content.

Once you understand these connections, AI stops looking like a collection of mysterious technologies and starts looking like a system of related ideas.

And that is perhaps the most important lesson: you do not need to understand every AI technology that appears in the news. You need to understand the principles that allow those technologies to exist.

Master those principles, and learning the next generation of AI becomes much easier.

Frequently Asked Questions

Is AI the same as machine learning?

No. AI is the broader field. Machine learning is one approach used to build AI systems. There are also rule-based and other computational approaches that fall under the broader AI umbrella.

What is the difference between machine learning and deep learning?

Deep learning is a subset of machine learning that relies heavily on multi-layer neural networks. Machine learning is the broader category.

Why are transformers so important?

Transformers provide an efficient and powerful way of modeling relationships between elements in sequences. Their scalability and effectiveness made them foundational to modern language models and increasingly important in other AI domains.

What is an LLM?

An LLM, or large language model, is a large neural model trained on extensive text data to learn patterns in language. Modern LLMs can perform tasks including text generation, summarization, translation, coding, and question answering.

What are embeddings used for?

Embeddings convert information into numerical vectors that capture useful relationships. They are commonly used for semantic search, recommendations, classification, document retrieval, and AI applications that need to find related information.

Does generative AI understand what it creates?

This depends heavily on what is meant by “understand.” Generative models can represent highly complex relationships and produce sophisticated outputs, but their capabilities should not automatically be equated with human understanding or consciousness.

Why do AI models sometimes give incorrect answers?

AI models optimize for producing outputs according to patterns learned during training and the objectives used during their development. A response can therefore be linguistically convincing without being factually correct. This is one reason evaluation, verification, and reliable retrieval systems are important.

١٥ مفهوماً في الذكاء الاصطناعي يجب على الجميع فهمها في ٢٠ دقيقة فقط

قد يبدو الذكاء الاصطناعي أكثر تعقيداً مما هو عليه في الواقع، فنسمع مصطلحات مثل التعلّم الآلي والشبكات العصبية والمحوّلات ونماذج اللغة الضخمة والتضمينات والتعلّم المعزز والذكاء الاصطناعي التوليدي بشكل شبه يومي، إذ تكمن المشكلة في أن هذه المفاهيم غالباً ما تُشرح بشكل منفصل باستخدام لغة تقنية تجعل فهمها أصعب بدلاً من تسهيله 

الخبر السار هو أنك لست بحاجة إلى شهادة دكتوراه في علوم الحاسوب لفهم أساسيات الذكاء الاصطناعي الحديث، فبمجرد أن ترى كيف ترتبط المفاهيم الرئيسية ببعضها البعض يصبح المجال بأكمله أسهل بكثير في المتابعة 

اعتبر هذه المقالة جولة سريعة في عالم الذكاء الاصطناعي في غضون ٢٠ دقيقة تقريباً بحيث ستفهم ١٥ مفهوماً تُشكّل أساس معظم أنظمة الذكاء الاصطناعي المستخدمة اليوم، وستتعرف أيضاً على كيفية ارتباطها بتطبيقات حقيقية

 وأنظمة التوصية والمركبات ذاتية القيادة ChatGPT مثل

ومولدات الصور وكشف الاحتيال ومحركات البحث وأدوات تطوير البرمجيات الذكية

١. الذكاء الاصطناعي

لنبدأ بالمفهوم الأوسع: الذكاء الاصطناعي

AI والذي يُشار إليه عادةً بـ

 إذ يشير الذكاء الاصطناعي إلى أنظمة الحاسوب المصممة لأداء مهام تتطلب تقليدياً شكلاً من أشكال الذكاء البشري، تشمل هذه المهام التعرف على الصور وفهم اللغة والتنبؤ وحل المشكلات وإنشاء المحتوى وتخطيط الإجراءات واتخاذ القرارات

لا يُعد الذكاء الاصطناعي تقنية واحدة بحد ذاته بل هو مصطلح شامل يغطي العديد من المناهج المختلفة، إذ يمكن اعتبار نظام بسيط قائم على القواعد ذكاءً اصطناعياً من الناحية التقنية، بينما يمثل نموذج توليدي متطور مثل نموذج اللغة المتقدم شكلاً أكثر تعقيداً من الذكاء الاصطناعي

على سبيل المثال: تخيل نظاماً مصرفياً يحدد المعاملات المشبوهة تلقائياً، قد يفحص هذا النظام مبالغ المعاملات ومواقعها وتوقيتها وسلوك الحساب وأنماطاً أخرى قبل تقدير ما إذا كانت المعاملة احتيالية

يكمن الفرق الجوهري في أن الذكاء الاصطناعي يصف الهدف أو القدرة العامة، بحيث تشمل التقنيات المستخدمة لتحقيق هذه القدرة التعلم الآلي والتعلم العميق والشبكات العصبية والتعلم المعزز وغيرها من الأساليب

2. التعلم الآلي

يُعد التعلم الآلي أحد أهم الأفكار في الذكاء الاصطناعي الحديث ، فبدلاً من برمجة الحاسوب بشكل صريح بكل قاعدة يحتاج إلى اتباعها يسمح التعلم الآلي للنظام بتعلم الأنماط من البيانات، لنفترض وجود فلتر للبريد الإلكتروني العشوائي، فقد يحتوي البرنامج التقليدي على مئات القواعد المكتوبة يدوياً لوصف الرسائل الإلكترونية المشبوهة، أما نظام التعلم الآلي فيمكن تدريبه باستخدام آلاف أو ملايين الأمثلة من الرسائل العشوائية والرسائل المشروعة، فتفحص الخوارزمية هذه الأمثلة وتتعلم أنماطاً إحصائية تساعدها على التمييز بينهما 

هذا التحول الجذري بالغ الأهمية، إذ لا يُحدد المبرمج بالضرورة للآلة ما يُعتبر بريداً عشوائياً تحديداً، وبدلاً من ذلك يُنشئ المبرمج نظام تعلم ويُزوّده بالبيانات المناسبة 

لذا لا يركز التعلم الآلي على كتابة كل قاعدة على حدة بل على تعلم العلاقات المفيدة من الأمثلة

3. التعلم الخاضع للإشراف

التعلم الخاضع للإشراف هو أحد أساليب التعلم الآلي حيث يتعلم النموذج من أمثلة لها إجابات معروفة مسبقاً

فتخيل أنك تريد بناء نظام يتنبأ بأسعار المنازل بحيث تُزوّد ​​النموذج بأمثلة تاريخية تحتوي على معلومات مثل مساحة المنزل وموقعه وعدد غرفه وعمره كما تُزوّده بسعر البيع الفعلي لكل منزل

يدرس النموذج العلاقة بين المعلومات المُدخلة والنتيجة المعروفة، فبعد التدريب يمكنك تزويد النظام بمعلومات عن منزل جديد وطلب تقدير سعره

ينطبق المبدأ نفسه على تصنيف الصور، فإذا أردت نظاماً يميز بين القطط والكلاب يمكنك تزويده بالعديد من الصور المصنفة التي توضح نوع الحيوان الظاهر في كل صورة

تشير كلمة “مُشرف” إلى وجود إجابات مستهدفة معروفة مسبقاً أثناء التدريب

4. التعلم غير المُشرف

يتبع التعلم غير المُشرف نهجاً مختلفاً، ففي هذا النوع من التعلم لا تأتي البيانات بتصنيفات مُحددة مسبقاً، وبدلًا من ذلك تحاول الخوارزمية اكتشاف هياكل أو أنماط مثيرة للاهتمام داخل البيانات نفسها 

لنفترض أن متجراً إلكترونياً لديه ملايين العملاء ولكنه لا يعرف كيفية تصنيفهم، وهنا قد تقوم خوارزمية التعلم غير المُشرف بتحليل سلوك الشراء واكتشاف مجموعات من العملاء ذوي خصائص متشابهة 

قد تشتري إحدى المجموعات الإلكترونيات بشكل متكرر، وقد تشتري مجموعة أخرى المنتجات المنزلية بشكل أساسي، وقد تقوم مجموعة ثالثة بعمليات شراء عالية القيمة من حين لآخر 

لم يُحدد أحد للخوارزمية بشكل صريح كيف ينبغي أن تبدو هذه المجموعات، اكتشفت الخوارزمية الأنماط في البيانات، إذاً يُعد التجميع أحد أشهر الأمثلة على التعلم غير الخاضع للإشراف 

٥. الشبكات العصبية

الشبكات العصبية هي نماذج حسابية مستوحاة بشكل عام من بنية الأنظمة العصبية البيولوجية

تتكون الشبكة العصبية من وحدات حسابية مترابطة تُسمى عادةً بالخلايا العصبية، بحيث تُنظَّم هذه الوحدات في طبقات، وتنتقل المعلومات عبر الشبكة وتحتوي الروابط على معلمات قابلة للتعديل تُعرف بالأوزان 

لنفترض أنك تُدرّب شبكة عصبية على التعرّف على الأرقام المكتوبة بخط اليد، فتستقبل الشبكة صورة كمدخل، وقد تتعلم الطبقات الأولى أنماطاً بصرية بسيطة بينما تستطيع الطبقات الأعمق دمج هذه الأنماط لتكوين تمثيلات ذات دلالة متزايدة

الأمر اللافت هو أن الشبكة تستطيع تعلّم هذه التمثيلات تلقائياً أثناء التدريب

كانت الشبكات العصبية موجودة قبل ثورة الذكاء الاصطناعي التوليدي الحالية بفترة طويلة ولكن التطورات في قوة الحوسبة وتوافر البيانات وتقنيات التحسين وهياكل النماذج جعلتها أكثر قدرة بشكل كبير 

٦. التعلّم العميق

التعلّم العميق هو في جوهره تعلّم آلي قائم على الشبكات العصبية متعددة الطبقات

تشير كلمة “عميق” إلى عمق الشبكة فكلما زاد عمق الشبكة زادت قدرتها على تعلّم تمثيلات هرمية أكثر تعقيداً للبيانات

على سبيل المثال: عند معالجة صورة قد تكتشف طبقة مبكرة الحواف ثم تقوم الطبقات اللاحقة بدمج هذه الحواف لتكوين أشكال، أما الطبقات الأعمق فقد تحدد الكائنات أو البنى البصرية ذات الدلالة

يُعدّ هذا التعلّم الهرمي أحد أسباب نجاح التعلّم العميق في مجالات رؤية الحاسوب والتعرّف على الكلام ومعالجة اللغة الطبيعية والذكاء الاصطناعي التوليدي

(GPUs) كما كان لظهور وحدات معالجة الرسومات

 وأجهزة الذكاء الاصطناعي المتخصصة دورٌ حاسم، إذ يتطلب تدريب الشبكات العصبية الكبيرة كميات هائلة من الحوسبة وتجعل الأجهزة الحديثة هذه الحوسبة عملية

٧. التدريب والاستدلال

يظهر مصطلحان باستمرار عند مناقشة أنظمة الذكاء الاصطناعي: التدريب والاستدلال 

التدريب هو العملية التي يتعلم من خلالها النموذج معاييره من البيانات 

تخيّل تدريب نموذج على التعرّف على الأرقام المكتوبة بخط اليد، أثناء التدريب يتلقى النموذج أمثلة ويُنتج تنبؤات ويُقارن هذه التنبؤات بالإجابات المتوقعة ويُعدّل معاييره لتقليل الخطأ 

يحدث الاستدلال بعد التدريب، فأثناء الاستدلال يتلقى النموذج معلومات جديدة ويُنتج مخرجات باستخدام ما تعلمه سابقاً

عندما تُرسل سؤالاً إلى روبوت محادثة يعمل بالذكاء الاصطناعي وتتلقى إجابة يكون النظام قد بدأ عملية الاستدلال، لا يتعلم النموذج بالضرورة معاييره الأساسية من سؤالك تحديداً في تلك اللحظة 

هذا التمييز بالغ الأهمية عند مناقشة تكلفة وبنية الذكاء الاصطناعي التحتية 

8. دوال الخسارة والتحسين

كيف يعرف نموذج التعلم الآلي أنه يتحسن؟

هنا تبرز أهمية دوال الخسارة والتحسين

تقيس دالة الخسارة مدى اختلاف تنبؤ النموذج عن النتيجة المرجوة، فإذا تنبأ نموذج بسعر منزل قدره 300,000 دولار أمريكي بينما سعره الفعلي 350,000 دولار أمريكي فإن دالة الخسارة تُحدد مقدار الخطأ وفقًا للصيغة الرياضية المُختارة 

ثم تسعى عملية التدريب إلى تقليل هذه الخسارة 

إحدى أهم تقنيات التحسين المستخدمة في الشبكات العصبية هي خوارزمية التدرج الهبوطي، إذ يحسب النموذج كيفية تأثير تغييرات معاييره على الخسارة ويُعدّل تلك المعايير في اتجاه يُفترض أن يُقلل الخطأ 

تتكرر هذه العملية بشكل متكرر غالباً ملايين أو مليارات المرات أثناء تدريب النماذج واسعة النطاق 

9. التجاوز والتعميم

قد يُصبح النموذج بارعاً جداً في بيانات التدريب دون أن يُصبح بارعاً في حل المشكلات الجديدة، يُسمى هذا التجاوز 

تخيل طالباً يحفظ كل إجابة في اختبار تجريبي لكنه لا يفهم المادة الأساسية، قد يُحقق الطالب درجة ممتازة في الاختبار التجريبي لكنه يُؤدي أداءً ضعيفاً في اختبار آخر 

قد يتصرف نموذج التعلم الآلي بشكل مشابه 

إذا أصبح النموذج مُتخصصاً جداً في أمثلة التدريب فقد يُؤدي أداءً ممتازاً على تلك الأمثلة، بينما يُنتج نتائج ضعيفة على البيانات غير المرئية 

الهدف المُعاكس هو التعميم، فيجب أن يتعلم النموذج المُدرّب جيداً أنماطاً مفيدة تستمر في العمل عند مواجهة أمثلة جديدة 

التعميم هو الهدف المُعاكس، إذ يمكن أن تساعد تقنيات مثل التنظيم وتصميم مجموعة البيانات المناسبة وإجراءات التحقق واختيار النموذج بعناية في تقليل التجاوز 

١٠. المحولات

أحدثت المحولات ثورة في مجال الذكاء الاصطناعي 

ظهرت بنية المحولات لأول مرة في ورقة بحثية رائدة عام ٢٠١٧ بعنوان “الانتباه هو كل ما تحتاجه” وأصبحت أساساً للعديد من نماذج اللغة الحديثة وأثرت لاحقاً على الأنظمة التي تتعامل مع الصور والصوت والفيديو والمعلومات متعددة الوسائط 

الفكرة الأساسية وراء المحولات هي آلية الانتباه 

فبدلاً من معالجة التسلسل عنصراً تلو الآخر يسمح الانتباه للنموذج بتقييم العلاقات بين عناصر المدخلات المختلفة، وفي اللغة يساعد هذا النموذج على تحديد الكلمات أو الرموز الأكثر صلة ببعضها البعض  

على سبيل المثال: لنفترض جملة تحتوي على ضمير، فيتطلب فهم ما يشير إليه هذا الضمير فحص كلمات في وقت سابق من الجملة، إذاً يمنح الانتباه النموذج آلية لتحديد أجزاء السياق المهمة 

تُعد المحولات أحد الأسباب الرئيسية التي جعلت نماذج اللغة الحديثة قوية وقابلة للتوسع 

١١. الانتباه

يستحق الانتباه شرحاً خاصاً لأنه أساسي لفهم المحولات 

تخيل أنك تقرأ فقرة وتحاول فهم جملة معينة، وهنا أنت لا تُولي أهمية متساوية لكل كلمة رأيتها من قبل، بل تُركز بشكل طبيعي على أجزاء السياق الأكثر صلة بالمعنى الحالي، وعليه يُوفر الانتباه آلية رياضية لمفهوم مُشابه 

عند معالجة مُدخلات يحسب النموذج العلاقات بين العناصر ويُحدد مدى تأثير المعلومات المختلفة على بعضها البعض 

يُمكّن هذا نموذج اللغة من مراعاة السياق بدلاً من النظر إلى الكلمات بمعزل عن بعضها، فالانتباه ليس فهماً بشريًا بالمعنى الحرفي ولكنه يُعطي الشبكات العصبية آلية فعّالة لنمذجة العلاقات داخل التسلسلات

١٢. نماذج اللغة الكبيرة

هو نموذج شبكة عصبية (LLM) نموذج اللغة الكبير

مُدرّب على كميات هائلة من النصوص لنمذجة اللغة، بحيث تتعلم النماذج في هذه الفئة العلاقات الإحصائية بين الرموز وتُطوّر تمثيلات داخلية تُمكّنها من أداء مهام مثل توليد النصوص والتلخيص والترجمة والإجابة على الأسئلة والترميز واستخراج المعلومات

ومن المفاهيم الخاطئة الشائعة أن نموذج اللغة الكبير يُخزّن ببساطة قاعدة بيانات ضخمة من الجمل ويسترجعها عند طرح سؤال

هذا ليس وصفًا دقيقًا، إذ يتعلم النموذج معلمات تُشفّر الأنماط والعلاقات الإحصائية من خلال عملية التدريب  وعند توليد النصوص يستخدم السياق المُقدّم لحساب التتابعات المحتملة كلمةً كلمة

يُفسّر هذا القدرات المذهلة لنماذج اللغة وبعض قيودها أيضاً، إذاً قد يُنتج النموذج إجابات متماسكة بشكل ملحوظ ولكنه قد يُولّد معلومات غير صحيحة لأن الطلاقة والدقة الواقعية ليستا صفتين متطابقتين

13. الرموز والتضمينات

من المفاهيم التي تُربك المبتدئين غالباً الرموز والتضمينات 

فالرمز هو وحدة نصية يُعالجها نموذج اللغة، فبالاعتماد على مُجزئ الرموز يُمكن أن يُمثّل الرمز كلمة كاملة أو جزءاً منها أو علامة ترقيم أو مقطعاً نصياً آخر 

عند إدخال جملة في نموذج اللغة يُحوّل النص إلى رموز قبل معالجته بواسطة الشبكة العصبية، ولكن التضمينات تُضيف بُعداً آخر 

يُمثّل التضمين المعلومات كمتجه عددي، بحيث تُمكّن هذه المتجهات أنظمة التعلّم الآلي من تمثيل العلاقات الدلالية والسياقية رياضياً 

على سبيل المثال: يمكن أن تحتوي الكلمات أو الجمل ذات المعاني المتقاربة على تمثيلات متقاربة نسبياً في فضاء متجهي مُتعلّم، إذاً تُعدّ التمثيلات مفيدة للغاية خارج نطاق روبوتات المحادثة، فهي تُستخدم على نطاق واسع في البحث الدلالي وأنظمة التوصية واسترجاع المستندات والتصنيف والتوليد المُعزّز بالاسترجاع 

14. الذكاء الاصطناعي التوليدي

يشير الذكاء الاصطناعي التوليدي إلى أنظمة الذكاء الاصطناعي القادرة على إنتاج محتوى جديد 

يمكن أن يشمل هذا المحتوى النصوص والصور والصوت والفيديو وشفرة الحاسوب وغيرها من الوسائط، فقد يُصنّف نظام الذكاء الاصطناعي التقليدي صورةً ما على أنها قطة، بينما يستطيع النظام التوليدي إنشاء صورة جديدة تمامًاً لقطة بناءً على وصف 

وبالمثل قد يُصنّف نظام معالجة اللغة التقليدي رسالة عميل على أنها شكوى، بينما يستطيع نموذج اللغة التوليدي صياغة ردّ على تلك الشكوى، لذا يُغيّر الذكاء الاصطناعي التوليدي دور الذكاء الاصطناعي من مجرد تحليل المعلومات الموجودة إلى إنتاج مخرجات جديدة 

وبالتالي يُغيّر الذكاء الاصطناعي التوليدي دور الذكاء الاصطناعي من مجرد تحليل المعلومات الموجودة إلى إنتاج مخرجات جديدة، لكن مصطلح “توليدي” لا يعني أن النظام يُنشئ المعلومات من العدم، فالنماذج التوليدية تتعلم الأنماط من بيانات التدريب وتستخدم تلك التمثيلات المُتعلمة لإنتاج مخرجات جديدة 

١٥. التعلّم المعزز

التعلّم المعزز هو أسلوب من أساليب التعلّم الآلي، حيث يتعلّم النظام من خلال التفاعل مع بيئة ما وتلقّي التغذية الراجعة على شكل مكافآت أو عقوبات

تخيّل أنك تُعلّم نظام ذكاء اصطناعي لعب لعبة فيديو، فأنت لا تُملي عليه بالضرورة كل حركة صحيحة وبدلاً من ذلك يقوم النظام باتخاذ الإجراءات ويُراقب ما يحدث ويتلقّى مكافآت على النتائج المرغوبة

ومع تكرار التفاعلات يتعلّم النظام استراتيجيات تُؤدي عادةً إلى مكافآت أعلى، وقد استُخدم التعلّم المعزز في الألعاب والروبوتات والتحسين وأنظمة التحكم وغيرها من المجالات التي يكون فيها اتخاذ القرارات المتسلسلة أمراً بالغ الأهمية، كما أثّر على تطوير مساعدي الذكاء الاصطناعي الحديثين من خلال تقنيات تستخدم التغذية الراجعة البشرية أو المُولّدة بواسطة الذكاء الاصطناعي لتحسين أداء النماذج

الفكرة الأساسية بسيطة: بدلاً من التعلّم من أمثلة ثابتة فقط، يتعلّم النظام من التغذية الراجعة المرتبطة بالإجراءات والنتائج

كيف تتكامل مفاهيم الذكاء الاصطناعي الخمسة عشر هذه؟

قد تبدو المصطلحات في هذه المرحلة وكأنها مجموعة من الأفكار غير المترابطة، لكن في الواقع تُشكّل هذه المفاهيم تسلسلاً هرمياً مترابطاً 

الذكاء الاصطناعي هو مجال واسع 

التعلم الآلي هو أحد المناهج الرئيسية في الذكاء الاصطناعي 

التعلم العميق هو شكل قوي من أشكال التعلم الآلي ويعتمد بشكل أساسي على الشبكات العصبية 

المُحوّلات هي بنية خاصة للشبكات العصبية اكتسبت أهمية بالغة في مجال اللغة والأنظمة متعددة الوسائط 

الانتباه هو آلية مركزية في بنية المُحوّلات

نماذج اللغة الكبيرة هي نماذج عصبية ضخمة غالباً ما تكون قائمة على المُحوّلات ويتم تدريبها على نمذجة اللغة

الرموز هي وحدات نصية تُعالجها نماذج اللغة، بينما تُوفّر التضمينات تمثيلات رقمية تستخدمها أنظمة الذكاء الاصطناعي لفهم العلاقات بين أجزاء المعلومات

الذكاء الاصطناعي التوليدي يصف الأنظمة القادرة على إنتاج محتوى جديد

التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز تصف مناهج مختلفة لكيفية تعلم النماذج

التدريب هو عملية تعلم معلمات النموذج، بينما الاستدلال هو عملية استخدام هذه المعلمات لإنتاج مخرجات

توفر دوال الخسارة والتحسين الآليات الرياضية التي تسمح للنماذج بالتحسن أثناء التدريب

يساعد كل من التخصيص الزائد والتعميم في تفسير سبب فشل نموذج ذي أداء جيد على بيانات التدريب في العالم الحقيقي

بمجرد أن تتضح هذه العلاقات يصبح فهم الكثير من مصطلحات الذكاء الاصطناعي اليوم أسهل بكثير

مثال واقعي : ماذا يحدث عندما تسأل مساعدًا يعمل بالذكاء الاصطناعي سؤالاً؟

دعونا نربط كل شيء بمثال بسيط

لنفترض أنك كتبت: “اشرح لي الحوسبة الكمومية كما لو كنت مبتدئاً”

سيتم تحويل نصك أولاً إلى رموز، ثم يقوم نموذج اللغة بمعالجة هذه الرموز 

يستخدم النموذج المعلمات التي تعلمها وبنية المحول لتحليل العلاقات بين الرموز والسياق المحيط، وتساعد آليات الانتباه في تحديد أجزاء السياق ذات الصلة 

ثم يتنبأ النموذج بتسلسل من الرموز التي تشكل الاستجابة 

ويستخدم النموذج معلماته التي تعلمها وبنية المحول لتحليل العلاقات بين الرموز والسياق المحيط، تحدث هذه العملية أثناء الاستدلال لأن النموذج المُدرَّب يُستخدم لإنتاج مُخرَج 

وراء هذا التفاعل الذي يبدو بسيطاً سنواتٌ من البحث في مجالات التعلّم الآلي والشبكات العصبية والتحسين ومجموعات البيانات الضخمة وهياكل المحوّلات ونمذجة اللغة والبنية التحتية الحاسوبية واسعة النطاق 

ما يبدو كمحادثة بسيطة هو في الواقع النتيجة النهائية الظاهرة لسلسلة حاسوبية بالغة التعقيد

؟ ChatGPT لماذا تُعدّ هذه المفاهيم مهمةً لما هو أبعد من

قد يتبادر إلى الذهن أن تعلّم الذكاء الاصطناعي يقتصر على فهم كيفية عمل روبوتات المحادثة، لكن هذا فهمٌ قاصرٌ للغاية

تظهر المفاهيم الأساسية نفسها في مجالات التصوير الطبي والأمن السيبراني والأنظمة المستقلة والتنبؤ المالي وأنظمة التوصية وتقنيات البحث والروبوتات والتصنيع والتسويق والبحث العلمي وهندسة البرمجيات

يستخدم نظام التوصية التعلّم الآلي لتحديد أنماط سلوك المستخدم

يمكن لنظام الأمن السيبراني استخدام تقنية كشف الشذوذ لتحديد الأنشطة غير المعتادة

يمكن لنموذج التصوير الطبي استخدام التعلّم العميق لتحديد الأنماط في عمليات المسح

يمكن لنظام الترجمة استخدام بنى قائمة على المحولات لنمذجة العلاقات بين اللغات

يمكن لنظام الروبوتات الجمع بين رؤية الحاسوب والتعلّم العميق والتعلّم المعزز للتفاعل مع بيئته

لذا فإن فهم الأسس يمنحك نموذجاً ذهنياً قابلاً للتطبيق في مجالات أخرى بدلاً من اقتصار المعرفة على منتج ذكاء اصطناعي واحد 

:أكبر خطأ يرتكبه المبتدئون عند تعلّم الذكاء الاصطناعي

أكبر خطأ هو محاولة حفظ مئات المصطلحات المتعلقة بالذكاء الاصطناعي دون فهم كيفية ترابطها 

لستَ بحاجةٍ لحفظ كلّ بنيةٍ معمارية أو خوارزمية تحسين أو معيار قياس أو ورقة بحثية قبل أن تفهم الذكاء الاصطناعي 

ابدأ بالتسلسل الهرمي 

افهم الذكاء الاصطناعي أولًا 

ثمّ افهم التعلّم الآلي 

ثمّ افهم الشبكات العصبية والتعلّم العميق 

بعد ذلك تعلّم المحوّلات وآلية الانتباه والرموز والتضمينات ونماذج اللغة 

بمجرّد أن تتضح هذه الأساسيات تصبح مفاهيم مثل الضبط الدقيق والتوليد المُعزّز بالاسترجاع والنماذج متعددة الوسائط والوكلاء وقواعد بيانات المتجهات ومواءمة النماذج أسهل بكثير في الفهم  

يصبح الذكاء الاصطناعي أقلّ ترهيباً عندما تتوقّف عن التعامل مع كلّ مصطلح جديد كتقنيةٍ معزولة 

ماذا يجب أن تتعلّم بعد ذلك؟

إذا كانت هذه المفاهيم الخمسة عشر قد منحتك خريطةً أساسيةً للذكاء الاصطناعي فإنّ الخطوة التالية تعتمد على ما تريد فعله بهذه المعرفة 

إذا كنت ترغب في أن تصبح مهندس ذكاء اصطناعي فعليك التوجّه نحو بايثون والجبر الخطي والاحتمالات والإحصاء وأطر التعلّم الآلي والتعلّم العميق والمحوّلات ونشر النماذج وواجهات برمجة التطبيقات وبنية الذكاء الاصطناعي التحتية، فإذا كان هدفك هو استخدام الذكاء الاصطناعي بشكل احترافي بدلاً من بناء نماذج من الصفر فركز بشكل أكبر على التوجيه وسير عمل الذكاء الاصطناعي وواجهات برمجة التطبيقات والأتمتة وأنظمة الاسترجاع والتقييم والتطبيقات العملية 

وإذا كنت مهتماً بأبحاث الذكاء الاصطناعي فستحتاج في النهاية إلى أساس رياضي متين إلى جانب الإحصاء والتحسين ونظرية التعلم العميق والمنهجية التجريبية والقدرة على قراءة الأبحاث العلمية 

الأهم هو عدم تعلم كل شيء دفعة واحدة، ابدأ ببناء الأساس المفاهيمي أولاً ثم تخصص 

أفكار ختامية

يتطور الذكاء الاصطناعي بسرعة مذهلة لكن هذا التطور السريع لا يعني أن الأساسيات أصبحت غير ذات صلة، بل على العكس تماماً فكلما ظهرت تقنيات جديدة للذكاء الاصطناعي ازدادت أهمية الفهم العميق للمفاهيم الأساسية

الذكاء الاصطناعي مجال واسع، فالتعلم الآلي يوفر أساليب للتعلم من البيانات، وتوفر الشبكات العصبية الأساس للتعلم العميق، وقدمت نماذج المحولات بنية قوية لنمذجة العلاقات في التسلسلات وأنواع البيانات الأخرى، ويساعد الانتباه هذه النماذج على التركيز على المعلومات ذات الصلة، وتستخدم نماذج التعلم الآلي هذه الأفكار لنمذجة اللغة على نطاق واسع بينما يُوسّع الذكاء الاصطناعي التوليدي قدرات النماذج لتشمل إنشاء محتوى جديد

بمجرد فهم هذه الروابط يتوقف الذكاء الاصطناعي عن كونه مجموعة من التقنيات الغامضة ويبدأ في الظهور كنظام من الأفكار المترابطة

ولعلّ هذا هو الدرس الأهم: لستَ بحاجة إلى فهم كل تقنية ذكاء اصطناعي تظهر في الأخبار بل تحتاج إلى فهم المبادئ التي تسمح بوجود هذه التقنيات، إذاً إتقان هذه المبادئ يُسهّل عليك تعلم الجيل القادم من الذكاء الاصطناعي

الأسئلة الشائعة

س. هل الذكاء الاصطناعي هو نفسه التعلّم الآلي؟

ج. لا فالذكاء الاصطناعي مجال أوسع، أما التعلّم الآلي هو أحد الأساليب المستخدمة لبناء أنظمة الذكاء الاصطناعي، هناك أيضاً أساليب حسابية أخرى منها القائمة على القواعد تندرج تحت مظلة الذكاء الاصطناعي الأوسع

س. ما الفرق بين التعلّم الآلي والتعلّم العميق؟

ج. التعلّم العميق هو فرع من التعلّم الآلي يعتمد بشكل كبير على الشبكات العصبية متعددة الطبقات، أما التعلّم الآلي هو المجال الأوسع

س. لماذا تُعدّ المحوّلات مهمة جدًا؟

ج. تُوفّر المحوّلات طريقة فعّالة وقوية لنمذجة العلاقات بين العناصر في التسلسلات، وقد جعلتها قابليتها للتوسع وفعاليتها أساسية لنماذج اللغة الحديثة وتزداد أهميتها في مجالات الذكاء الاصطناعي الأخرى

؟(LLM) س. ما هو نموذج اللغة الكبير

ج. نموذج اللغة الكبيرهو نموذج عصبي كبير مُدرّب على بيانات نصية واسعة النطاق لتعلم الأنماط اللغوية، بحيث يمكن لنماذج اللغة الكبيرة الحديثة أداء مهام تشمل توليد النصوص والتلخيص والترجمة والترميز والإجابة على الأسئلة

س. ما هي استخدامات التضمينات؟

ج. تحوّل التضمينات المعلومات إلى متجهات رقمية تُجسّد العلاقات المفيدة، وهي شائعة الاستخدام في البحث الدلالي والتوصيات والتصنيف واسترجاع المستندات وتطبيقات الذكاء الاصطناعي التي تحتاج إلى إيجاد معلومات ذات صلة

س. هل يفهم الذكاء الاصطناعي التوليدي ما يُنشئه؟

ج. يعتمد هذا بشكل كبير على المقصود بكلمة “فهم”، فتستطيع النماذج التوليدية تمثيل علاقات بالغة التعقيد وإنتاج مخرجات متطورة ولكن لا ينبغي مساواة قدراتها تلقائياً بالفهم أو الوعي البشري

س. لماذا تُعطي نماذج الذكاء الاصطناعي أحيانًا إجابات غير صحيحة؟

ج. تُحسّن نماذج الذكاء الاصطناعي إنتاج المخرجات وفقاً للأنماط المُتعلّمة أثناء التدريب والأهداف المُستخدمة أثناء تطويرها، لذلك قد تكون الاستجابة مُقنعة لغوياً دون أن تكون صحيحة واقعياً، هذا أحد أسباب أهمية التقييم والتحقق وأنظمة الاسترجاع الموثوقة