رحلة تدريب النماذج: من البيانات إلى المعرفة

الفصل الأول: لماذا تحتاج النماذج إلى التدريب؟

لنبدأ بسؤال قد يبدو ساذجاً، لكنه في الحقيقة جوهر كل ما سنتعلمه: لماذا لا نكتب ببساطة قواعد واضحة للذكاء الاصطناعي، مثل "إذا رأيت صورة قطة، قل: هذه قطة"؟

الجواب القصير: لأن العالم الحقيقي أعقد من أن يُختزل في قواعد. تخيّل أنك تحاول كتابة قواعد لتمييز القطط عن الكلاب. ماذا عن قطة بلا ذيل؟ كلب يشبه قطة في الحجم؟ صورة باهتة؟ إضاءة خلفية؟ زاوية تصوير غريبة؟ ستحتاج إلى ملايين القواعد، وستظل تفشل في حالات جديدة لم تخطر ببالك. هذا هو السبب الجذري وراء فكرة "التدريب": بدلاً من أن نخبر النموذج ما هي القطة، نُريه آلاف الصور مع تسمياتها، ونجعله يكتشف الأنماط بنفسه.

هذا هو الفرق الجوهري بين البرمجة التقليدية والتعلم الآلي. في البرمجة التقليدية، تكتب أنت القواعد والبيانات، ويخرج لك البرنامج النتائج. في التعلم الآلي، تكتب أنت البيانات والنتائج المتوقعة، ويخرج لك البرنامج القواعد (أو ما نسميه "النموذج"). النموذج هو ببساطة مجموعة ضخمة من الأرقام (الأوزان) التي تم ضبطها تلقائياً لتُنتج المخرجات الصحيحة من المدخلات.

مثال عملي واقعي: تمييز التفاح عن الموز

لنأخذ مثالاً بسيطاً لكنه حقيقي. أردنا بناء نموذج يميّز بين صور التفاح وصور الموز. لدينا 100 صورة تفاح و100 صورة موز. كل صورة عبارة عن شبكة من البكسلات، وكل بكسل له ثلاثة أرقام (أحمر، أخضر، أزرق). إذا كانت الصورة بدقة 100×100 بكسل، فهذا يعني أن لدينا 30,000 رقماً كمدخلات. كيف نكتب قاعدة يدوية تقول: "إذا كان مجموع هذه الأرقام كذا، فهي تفاحة"؟ مستحيل عملياً.

بدلاً من ذلك، نستخدم خوارزمية تعلم. في البداية، تكون أوزان النموذج عشوائية تماماً، فيُخرج تخمينات خاطئة. نُدخل صورة تفاحة، فيقول النموذج "موز" بثقة 60%. نحسب مقدار الخطأ (الفرق بين توقعه والإجابة الصحيحة)، ثم نعدّل الأوزان قليلاً في الاتجاه الذي يقلل الخطأ. نكرر هذا مع كل الصور، عشرات المرات. بعد فترة، يبدأ النموذج في التقاط أنماط دقيقة: التفاح يميل إلى اللون الأحمر مع لمعة سطحية، والموز أصفر ومنحني. هذه الأنماط ليست قواعد مكتوبة، بل أوزان رقمية تطورت تلقائياً.

خط أنابيب التدريب: خمس مراحل أساسية

أي عملية تدريب لأي نموذج، مهما كان حجمه، تمر بخمس مراحل ثابتة. دعنا نشرحها بتشبيه الطالب الذي يدرس لامتحان:

• جمع البيانات (Data Collection): هذه هي "المنهج الدراسي". إذا كان الطالب سيُمتحن في التاريخ، يحتاج كتباً ومصادر. النموذج يحتاج أمثلة حقيقية. كلما كانت البيانات أكثر تنوعاً وتمثيلاً للواقع، كان النموذج أفضل. إذا درّبنا نموذجنا على صور تفاح أحمر فقط، فسيفشل مع التفاح الأخضر.
• تنظيف البيانات (Data Cleaning): الكتب قد تحتوي أخطاء مطبعية. البيانات قد تحتوي صوراً مكررة، أو تسميات خاطئة (صورة موز مكتوب عليها "تفاح")، أو صوراً مشوشة. التنظيف يعني إزالة هذه المشاكل. في مثالنا، نفحص الـ 200 صورة يدوياً ونتأكد أن كل تسمية صحيحة.
• تغذية الخوارزمية (Feeding the Algorithm): هنا نختار نوع النموذج (مثلاً شبكة عصبية بسيطة) ونُدخل البيانات. في البداية، الأوزان عشوائية. هذه هي "الدراسة الأولى" للطالب قبل أن يفهم أي شيء.
• ضبط الأوزان (Weight Adjustment): هذه هي "حل التمارين". نُدخل صورة، نقارن توقع النموذج بالحقيقة، نحسب الخطأ، ونعدّل الأوزان. نستخدم خوارزمية تسمى "الانتشار العكسي" (Backpropagation) مع "النزول التدرجي" (Gradient Descent). لا تقلق من المصطلحات الآن، فقط افهم الفكرة: إنها عملية رياضية منهجية لتقليل الخطأ خطوة بخطوة. نكرر هذا مع كل الصور في "دورة" (Epoch). عادة نحتاج 10 إلى 50 دورة حتى يستقر الأداء.
• التقييم (Evaluation): بعد التدريب، نختبر النموذج على بيانات لم يرها من قبل (بيانات اختبار منفصلة). هذا هو "الامتحان النهائي". إذا كان الطالب يحفظ الكتاب دون فهم، سيرسب في الامتحان. النموذج الذي يحفظ الصور دون تعميم الأنماط سيفشل مع الصور الجديدة. نسمي هذه المشكلة "فرط التخصيص" (Overfitting).

تطبيق عملي خطوة بخطوة: درّب أول نموذج لك بدون برمجة

الآن سننتقل من النظرية إلى التطبيق. سنستخدم أداة مجانية من Google تسمى Teachable Machine (آلة التعلّم). لا تحتاج أي خبرة برمجية، وسترى بأم عينيك كيف يؤثر جمع البيانات على أداء النموذج.

الخطوة 1: افتح المتصفح واذهب إلى الموقع: teachablemachine.withgoogle.com. ستجد زراً أزرق مكتوباً عليه "Get Started" (ابدأ). اضغط عليه.

الخطوة 2: ستظهر لك قوالب جاهزة. اختر "Image Project" (مشروع صور). سيُفتح مشروع فارغ به فئتان (Class 1 و Class 2).

الخطوة 3: أعد تسمية الفئة الأولى إلى "قلم" والثانية إلى "ممحاة". بجانب كل فئة ستجد زر "Webcam" (كاميرا الويب). اضغط عليه واسمح للمتصفح باستخدام الكاميرا.

الخطوة 4: الآن، اجمع بياناتك. ضع قلماً أمام الكاميرا واضغط باستمرار على زر "Hold to Record" (اضغط للتسجيل) لمدة 5 ثوانٍ، مع تحريك القلم بزوايا مختلفة وإضاءات مختلفة. كرر نفس العملية مع الممحاة. الهدف: جمع حوالي 50-100 صورة لكل فئة. لا تتعجل في هذه الخطوة. جودة البيانات هنا هي كل شيء.

الخطوة 5: بعد جمع الصور، اضغط على زر "Train Model" (درّب النموذج) الموجود أعلى الصفحة. ستستغرق العملية من 10 إلى 30 ثانية. سترى مؤشر تقدم. هذه هي مرحلة "ضبط الأوزان" التي تحدثنا عنها، لكن الأداة تفعلها نيابة عنك.

الخطوة 6: بعد انتهاء التدريب، ستنتقل تلقائياً إلى قسم "Preview" (معاينة). ضع القلم أمام الكاميرا. سترى شريط ثقة (Confidence) يظهر نسبة عالية (مثلاً 95%) لفئة "قلم". ضع الممحاة، وسترى النسبة تنتقل. هذا هو نموذجك الأول الذي يعمل فعلياً.

الخطوة 7 (التجربة الحاسمة): الآن، أمسك شيئاً ثالثاً ليس في بيانات التدريب، مثل مفاتيح سيارتك. ضعه أمام الكاميرا. ماذا يحدث؟ سيتخبط النموذج ويعطي نسباً متقاربة (مثلاً 50% قلم، 50% ممحاة). هذا طبيعي تماماً. النموذج لم يرَ مفاتيح من قبل، فهو يحاول مطابقتها مع ما تعلمه. هذا يوضح لك بشكل ملموس أن النموذج لا "يفهم" الأشياء، بل يتعرف على أنماط إحصائية في البيانات التي رآها.

الأخطاء الشائعة

ماذا يحدث خلف الكواليس؟ (نظرة سريعة على الكود)

Teachable Machine يبني لك شبكة عصبية. إذا أردت رؤية الكود الفعلي الذي يمكنك استخدامه في مشروعك الخاص، اضغط على زر "Export Model" (تصدير النموذج) أعلى الصفحة. ستجد خيارات للتصدير بصيغ مختلفة. أحد الخيارات هو TensorFlow.js، وسيظهر لك كود مشابه لهذا (هذا مجرد مثال توضيحي، لا تقلق إذا لم تفهمه الآن):

// تحميل النموذج المُدرَّب
const model = await tmImage.load('model.json', 'metadata.json');

// التنبؤ بصورة من الكاميرا
const prediction = await model.predict(canvas);

// prediction سيكون مصفوفة تحتوي نسب الثقة لكل فئة
console.log(prediction);
// مثال: [0.95, 0.05] يعني 95% قلم و 5% ممحاة

هذا الكود يوضح الفكرة الأساسية: النموذج المُدرَّب هو ملف (model.json) يحتوي على الأوزان النهائية. في مرحلة الاستخدام (Inference)، لا نعيد التدريب، بل نحمّل الأوزان ونستخدمها للتنبؤ. هذا هو الفرق بين "التدريب" (Training) و"الاستدلال" (Inference). التدريب مكلف ويستغرق وقتاً، أما الاستدلال فسريع ورخيص.

الخلاصة العملية

التدريب هو عملية تحويل البيانات إلى أرقام (أوزان) تحمل أنماطاً. كلما كانت بياناتك أفضل، كانت الأوزان أدق. النموذج ليس ذكياً، بل هو انعكاس إحصائي للبيانات التي رآها. إذا كانت بياناتك متحيزة (مثلاً كل صور التفاح حمراء)، فسيكون النموذج متحيزاً. هذه ليست مشكلة تقنية فقط، بل مسؤولية أخلاقية أيضاً.

مهمة التطبيق (أقل من 15 دقيقة)

استخدم Teachable Machine لبناء نموذج يميز بين يدك المفتوحة وقبضة يدك المغلقة. سجل 50 صورة لكل حالة. بعد التدريب، اختبر النموذج بالترتيب التالي:

1. يد مفتوحة أمام الكاميرا مباشرة.
2. قبضة مغلقة.
3. يد مفتوحة ولكن بزاوية مائلة 45 درجة.
4. قبضة مغلقة مع إضاءة خافتة.

معيار النجاح: إذا كانت نسب الثقة في الحالتين الأولى والثانية أعلى من 90%، وفي الحالتين الثالثة والرابعة أعلى من 70%، فأنت فهمت الدرس. إذا فشلت الحالتان الثالثة والرابعة، فأنت بحاجة إلى إضافة المزيد من الصور بتلك الزوايا والإضاءات إلى بيانات التدريب. أعد التدريب ولاحظ كيف يتحسن الأداء. هذا هو جوهر التعلم الآلي: البيانات الأفضل تؤدي إلى نموذج أفضل.