الخلاصة والمصادر
الخلاصة
- الاستخدام المسؤول أولًا: أي أداة ذكاء اصطناعي قوية بقدر ما تخدم فهمك، لا بقدر ما تنتج نتيجة نهائية سريعة.
- الوضوح في الطلب = دقة في الإجابة: السياق، الصيغة، وتقسيم المهام المعقّدة كلها تقلّل مساحة التخمين لدى النموذج.
- ثقة موزونة، لا مطلقة: نموذج اللغة أداة تنبؤ إحصائي قوية جدًا في أنماط معروفة، وضعيفة في حقائق دقيقة نادرة أو معرفة حديثة جدًا، تحقق دائمًا حسب نوع الطلب.
- الاسترجاع يبني الذاكرة: محاولة بناء الحل بنفسك، حتى مع الوقوع في أخطاء، تُرسّخ الفهم أقوى بكثير من قراءة حل جاهز.
- النموذج يتنبأ ولا يحسب: توليد Token تلو الآخر يفسّر الاختلاق وأخطاء الحساب وحدود المعرفة، وكذلك مقايضة الحجم مقابل السرعة.
- الطلاقة ليست دليلًا: التحقق المستقل عادة صغيرة تحميك من تحيّز الأتمتة ووهم الكفاءة.
- أصلح الأمر لا الناتج: اسأل دائمًا: ماذا لم يحدد أمري؟ ثم عدّله وكرّر.
- النموذج ≠ المنصة: اختلاف الجواب قد يكون من النموذج أو من طبقات المنصة؛ قارن بأمر واحد وسجّل المقايضات.
قاموس المصطلحات
| المصطلح | التعريف | الجزء |
|---|---|---|
| Hallucination (الاختلاق) | اختلاق النموذج معلومات واثقة المظهر لكنها غير صحيحة فعليًا. | 1 |
| Testing Effect / Retrieval Practice (أثر الاختبار) | ظاهرة مثبتة في علم التعلّم: محاولة استرجاع المعلومة بنفسك تُرسّخها في ذاكرتك طويلة المدى أقوى من مجرد قراءتها. | 1 |
| Prompt (الأمر) | النص الذي تكتبه للنموذج لطلب استجابة معيّنة منه. | 2 |
| Context (السياق) | المعلومات الخلفية التي تزوّد بها النموذج لتوجيه إجابته (من أنت، ماذا تعرف، ماذا تريد). | 2 |
| Zero-shot / Few-shot | Zero-shot: تعليمات بدون أمثلة. Few-shot: تعليمات مع أمثلة مُدخل/مُخرج ليتّبع النموذج النمط. | 2 |
| Chain-of-Thought (سلسلة التفكير) | تقنية تطلب فيها من النموذج إظهار خطوات تفكيره واحدة تلو الأخرى قبل الإجابة النهائية. | 2 |
| Token (الرمز/التوكن) | الوحدة الأصغر التي يعالجها النموذج، قد تكون كلمة كاملة أو جزءًا منها أو رمز ترقيم. | 3 |
| Parameter (المعامل) | رقم داخل النموذج يُستخدم في حساب كل Token، نماذج أكبر تملك مليارات المعاملات. | 3 |
| Context Window (نافذة السياق) | عدد التوكنات الأقصى الذي يستطيع النموذج رؤيته ومعالجته في نفس المحادثة. | 3 |
| Inference (الاستدلال/التوليد) | مرحلة استخدام النموذج المُدرَّب فعليًا لتوليد نص جديد Token تلو الآخر. | 3 |
| Temperature (درجة الحرارة) | معامل يتحكّم بمقدار العشوائية في اختيار التوكن التالي: صفر = حتمي تقريبًا، أعلى = أكثر تنوعًا وإبداعًا. | 3 |
| Attention (الانتباه) | آلية رياضية في بنية Transformer تسمح لكل Token بمعالجة وتوزيع "تركيزه" على كل التوكنات الأخرى في النص. | 3 |
| RLHF (التعلّم من ردود الفعل البشرية) | مرحلة تدريب تُحسّن النموذج عبر تفضيلات بشرية: مقيّمون يرتّبون إجابات من "أفضل" لـ"أسوأ"، ونموذج مكافآت يُدرَّب على هذا الترتيب ليوجّه النموذج نحو إجابات أفضل. | 3 |
| Knowledge Cutoff (حدود المعرفة) | التاريخ الذي توقفت عنده بيانات تدريب النموذج. | 3 |
| Trade-off (المقايضة) | موازنة بين ميزتين متعارضتين (مثل الدقة مقابل السرعة) لا يمكن تعظيم كلتيهما معًا. | 3 |
| Automation Bias (تحيّز الأتمتة) | ميل لتفضيل اقتراحات الأنظمة الآلية على الملاحظة الشخصية. | 1 |
| Illusion of Competence (وهم الكفاءة) | شعور بالإتقان بعد القراءة السلسة دون اختبار الفهم. | 1 |
| Role-based Prompting (الأمر بدور) | طلب من النموذج أن يتخذ دورًا لتغيير أسلوبه وافتراضاته. | 2 |
| Constraint (القيد) | حدّ في الأمر (جمهور، صيغة، عمق) يقلّل مجال التخمين. | 2 |
| Platform (المنصة) | منتج يحيط بنموذج بواجهة وأمان وذاكرة وأدوات. | 3 |
| VLM (نموذج الرؤية واللغة) | نموذج يفهم الصور مع النص ويخرج نصًا. | 3 |
| Quantization (التكميم) | تقليل دقة أرقام النموذج لتقليل الذاكرة مقابل جودة أقل قليلًا. | 3 |
| Local model (نموذج محلي) | نموذج يعمل على جهازك دون خدمة خارجية. | 3 |
مصادر هذا الدرس
مرتّبة بالنوع. ابدأ بالتوثيق الرسمي إذا تبي المرجع الدقيق، وبالمقال أو الفيديو إذا تبي الشرح أولًا.
مقالات3
خلّصت الدرس؟
سجّل الدخول ليُحفظ تقدّمك.