ما هي مجموعة البيانات

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هي مجموعة البيانات

مجموعة البيانات هي مجموعة منظَّمة من البيانات تُستخدم للتدريب أو التقييم أو الاختبار لـنموذج ذكاء اصطناعي. إنها المادة الخام التي يعمل عليها التعلّم الآلي. فبدون مجموعة بيانات، لا يوجد شيء يتعلّم منه النموذج ولا طريقة لقياس ما إذا كان يعمل.

فكّر في مجموعة البيانات على أنها كتاب مدرسي للطالب. إذا كان الكتاب مليئًا بالأخطاء، أو تنقصه فصول، أو مكتوبًا بلغة لا يتقنها الطالب، فسيتعلّم الطالب بشكل سيّئ — مهما كان موهوبًا. ينطبق المبدأ نفسه على الذكاء الاصطناعي: جودة مجموعة البيانات وحجمها وملاءمتها وبنيتها تحدّد الحدّ الأعلى لما يمكن أن يحقّقه أي نموذج. فبنية رائعة مدرَّبة على بيانات سيّئة تُنتج نتائج سيّئة. هذا هو أصل مبدأ القمامة تدخل، القمامة تخرج (garbage in, garbage out)، الذي يظلّ القاعدة الأهمّ على الإطلاق في التعلّم الآلي التطبيقي.

باختصار: مجموعة البيانات هي مجموعة الأمثلة المنظَّمة التي يتعلّم منها نموذج الذكاء الاصطناعي — وجودة تلك البيانات تحدّد مباشرةً جودة النموذج.

كيف تُبنى مجموعات البيانات

قد تبدو مجموعة البيانات المكتملة كملفّ واحد أو قاعدة بيانات منظَّمة بدقّة، لكن الوصول إلى ذلك يتطلّب خطّ أنابيب متعدّد المراحل. تطرح كل مرحلة قرارات تؤثّر على النموذج النهائي.

الجمع

يجب جمع البيانات من مصادر ذات صلة بالمهمّة. بالنسبة إلى نموذج لغوي كبير، قد يعني ذلك الزحف على الويب، أو تجميع الكتب والأوراق الأكاديمية، أو كشط مستودعات الشيفرة البرمجية. وبالنسبة إلى نموذج خاصّ بالعملات المشفّرة، قد يعني ذلك جمع تواريخ معاملات البلوكتشين، أو توثيق البروتوكولات، أو مقترحات الحوكمة، أو مشاعر وسائل التواصل الاجتماعي. يحدّد اختيار المصادر ما يمكن للنموذج تعلّمه وما لا يمكنه. فالنموذج المدرَّب على نصّ إنجليزي فقط سيفشل في الاستعلامات متعدّدة اللغات. والنموذج المدرَّب على بيانات السوق التاريخية فقط سيُغفل آليات البروتوكولات الجديدة.

التنظيف

البيانات الخام المجموعة تكون مشوّشة. فهي تحتوي على تكرارات، وتنسيق معطوب، وأخطاء ترميز، وبريد مزعج، ومعلومات تعريف شخصية، ومحتوى غير ذي صلة أو ضارّ. تزيل عملية تنظيف البيانات هذه المشكلات أو تصحّحها. تشمل الخطوات الشائعة إزالة التكرار (إزالة السجلّات شبه المتطابقة)، والتطبيع (توحيد التنسيقات والتواريخ والوحدات)، والتصفية (إزالة الأمثلة منخفضة الجودة أو الخارجة عن النطاق)، وإخفاء الهوية (تجريد البيانات الشخصية للامتثال للوائح الخصوصية). التنظيف مُمِلّ لكنه بالغ الأهمية — فالنماذج المدرَّبة على بيانات غير منظَّفة تتعلّم الضجيج مع الإشارة.

وضع العلامات

بالنسبة إلى التعلّم المُوجَّه (supervised learning) — وهو نهج التدريب الأكثر شيوعًا — يحتاج كل مثال في مجموعة البيانات إلى إجابة صحيحة مرفقة به. فالصورة تحتاج إلى وسم مثل "قطّة" أو "كلب". والمعاملة تحتاج إلى علامة مثل "احتيالية" أو "مشروعة". والجملة تحتاج إلى درجة مشاعر. تُسمّى هذه العملية وضع العلامات (أو التعليق التوضيحي).

وضع العلامات مكلِف وكثيف العمالة. فهو يتطلّب عادةً معلِّقين بشريين يراجعون الأمثلة واحدًا تلو الآخر ويعيّنون العلامات وفق إرشادات تفصيلية. تُضمَن الجودة من خلال التكرار (عدّة معلِّقين لكل مثال) ومقاييس الاتّفاق بين المعلِّقين. تبني بعض مشاريع الذكاء الاصطناعي في العملات المشفّرة شبكات وضع علامات لامركزية حيث يعلّق المساهمون البيانات ويكسبون مكافآت بالرموز — رغم أن جودة العلامات المُحفَّزة يجب التحقّق منها بعناية.

بالنسبة إلى المهامّ التي لا تحتاج فيها العلامات أو يصعب الحصول عليها، يستخرج التعلّم ذاتي الإشراف (self-supervised learning) إشارة التدريب من بنية البيانات نفسها (مثل التنبّؤ بالكلمة التالية في جملة، أو إعادة بناء جزء مُقنَّع من صورة).

التقسيم

قبل بدء التدريب، تُقسَّم مجموعة البيانات إلى مجموعات فرعية غير متداخلة:

التقسيم	الغرض	النسبة المعتادة
مجموعة التدريب	يتعلّم النموذج من هذه البيانات	70-90%
مجموعة التحقّق	تُستخدم أثناء التدريب لمراقبة التقدّم وضبط المعاملات الفائقة	5-15%
مجموعة الاختبار	تُستخدم مرّة واحدة فقط، بعد التدريب، لقياس الأداء النهائي	5-15%

يجب ألّا تتسرّب مجموعتا التحقّق والاختبار إلى التدريب أبدًا. فإذا رأى النموذج بيانات الاختبار أثناء التدريب، تصبح نتائج التقييم بلا معنى — إذ يكون النموذج قد حفظ الإجابات فعليًّا. هذا الفصل متطلَّب أساسي من أجل المعايير المرجعية ومقاييس الجودة الجديرة بالثقة.

إدارة الإصدارات

مجموعات البيانات ليست ثابتة. فهي تنمو مع جمع بيانات جديدة، وتتقلّص مع إزالة الأمثلة الإشكالية، وتتطوّر مع تغيّر إرشادات وضع العلامات. تتعقّب إدارة إصدارات مجموعة البيانات هذه التغيّرات بحيث يمكن إعادة إنتاج عمليات التدريب ومقارنتها. فالنموذج المدرَّب على الإصدار 2.3 من مجموعة بيانات يجب أن يُنتج نتائج مختلفة عن الآخر المدرَّب على الإصدار 1.0، ويجب أن يكون الفرق قابلًا للتتبّع. تساعد أدوات مثل DVC (Data Version Control) وHugging Face Datasets وGit LFS الفِرَق على إدارة إصدارات مجموعات البيانات بشكل منهجي.

أنواع مجموعات البيانات

تختلف مجموعات البيانات حسب طريقة وضع العلامات عليها، ومَن أنشأها، وما تُستخدم له. يساعد فهم هذه الأنواع عند تقييم ادّعاءات الذكاء الاصطناعي في مشاريع العملات المشفّرة.

معنونة مقابل غير معنونة

مجموعات البيانات المعنونة تتضمّن الإجابة الصحيحة لكل مثال. فمجموعة صور معنونة تقرن كل صورة بوسم فئة؛ ومجموعة نصوص معنونة تقرن كل جملة بدرجة مشاعر أو وسوم كيانات. تتيح البيانات المعنونة التعلّم المُوجَّه، وهو نموذج التدريب الأكثر شيوعًا والأكثر فهمًا.
مجموعات البيانات غير المعنونة هي مجموعات خام بلا تعليقات توضيحية — نصّ ويب، صور، سجلّات معاملات، قراءات مستشعرات. تُستخدم في التعلّم غير المُوجَّه (إيجاد البنية دون توجيه) وكنقطة انطلاق لـالتعلّم ذاتي الإشراف، وهو كيفية التدريب المُسبَق لـالنماذج اللغوية الكبيرة الحديثة. يتعلّم النموذج عن طريق التنبّؤ بأجزاء من مدخلاته الخاصّة (مثل التنبّؤ بالكلمة التالية) بدلًا من العلامات الخارجية.

تستخدم معظم أنظمة الذكاء الاصطناعي العملية كليهما: التدريب المُسبَق على بيانات ضخمة غير معنونة، ثمّ الضبط الدقيق على مجموعة بيانات معنونة أصغر خاصّة بالمجال.

عامّة مقابل مملوكة

مجموعات البيانات العامّة متاحة بشكل مفتوح للبحث والتطوير. تشمل الأمثلة المعروفة ImageNet (14 مليون صورة معنونة عبر أكثر من 20,000 فئة)، وCommon Crawl (بيتابايتات من بيانات الويب الخام تُستخدم كأساس للعديد من النماذج اللغوية الكبيرة)، وThe Pile (مجموعة نصوص متنوّعة بحجم 825 جيجابايت جمّعتها EleutherAI خصّيصًا لتدريب النماذج اللغوية). تخفض مجموعات البيانات العامّة حاجز الدخول لكنها متاحة للجميع — فهي لا توفّر ميزة تنافسية بمفردها.
مجموعات البيانات المملوكة تُجمَع أو تُنسَّق أو تُرخَّص من قبل منظّمة محدّدة ولا تُشارَك علنًا. قد تبني شركة تحليلات عملات مشفّرة مجموعة بيانات مملوكة من معاملات DeFi المعنونة. يمكن أن توفّر البيانات المملوكة ميزة تنافسية حقيقية، لكن ادّعاءات "البيانات المملوكة" يصعب التحقّق منها خارجيًّا. فبدون الإفصاح عن المصادر أو المنهجية أو إحصاءات العيّنات، يكون الادّعاء غير قابل للتحقّق.

مجموعات البيانات الاصطناعية

البيانات الاصطناعية تُولَّد بواسطة خوارزميات أو نماذج ذكاء اصطناعي أخرى بدلًا من جمعها من مصادر العالم الحقيقي. قد يُنتج نموذج توليدي صورًا أو عيّنات نصوص أو أنماط معاملات واقعية تُعزّز مجموعة بيانات حقيقية. تكون البيانات الاصطناعية مفيدة عندما تكون البيانات الحقيقية شحيحة أو مكلفة الجمع أو مقيَّدة بلوائح الخصوصية. ومع ذلك، تحمل البيانات الاصطناعية مخاطر: إذا كان المولِّد متحيّزًا، فإن البيانات الاصطناعية ترث هذا التحيّز؛ والنماذج المدرَّبة بالكامل على بيانات اصطناعية يمكن أن تطوّر حلقات تغذية راجعة (تُسمّى أحيانًا "انهيار النموذج") حيث تتراكم الأخطاء عبر الأجيال.

مجموعات بيانات المعايير المرجعية

مجموعات بيانات المعايير المرجعية هي مجموعات تقييم موحَّدة مصمَّمة لقياس قدرات محدّدة. تتضمّن مجموعة اختبار ثابتة بإجابات صحيحة معروفة. تُقيَّم النماذج مقابل هذه المعايير المرجعية لإنتاج درجات قابلة للمقارنة. تشمل الأمثلة:

المعيار المرجعي	المجال	ما يقيسه
ImageNet	الرؤية الحاسوبية	دقّة تصنيف الصور
GLUE / SuperGLUE	اللغة الطبيعية	فهم اللغة عبر مهامّ متعدّدة
MMLU	المعرفة العامّة	الدقّة متعدّدة المهامّ عبر 57 موضوعًا
HumanEval	توليد الشيفرة	الصحّة الوظيفية للشيفرة المولَّدة
Common Crawl	نصّ الويب	تُستخدم كبيانات تدريب؛ النطاق والتغطية

تظهر نتائج المعايير المرجعية في بطاقات مشاريع DecAIHub كدليل لعلامة AI_3 (المقاييس/المعايير المرجعية/الجودة) ضمن خوارزمية DecAI Fit.

لماذا تهمّ مجموعات البيانات في الذكاء الاصطناعي للعملات المشفّرة

جودة البيانات تحدّد جودة النموذج. فالنموذج المدرَّب على بيانات مشوّشة أو متحيّزة أو غير ذات صلة سيُنتج مخرجات مشوّشة أو متحيّزة أو غير ذات صلة — مهما كانت بنيته متطوّرة. وبالنسبة إلى مشاريع الذكاء الاصطناعي في العملات المشفّرة، لهذا تبعات ملموسة:

وكيل مدرَّب على توثيق بروتوكول قديم سيعطي إجابات غير صحيحة عن معاملات العقود الحالية.
محلِّل مشاعر مدرَّب على نصّ إنجليزي فقط سيفشل في مجتمعات العملات المشفّرة متعدّدة اللغات.
نموذج مخاطر مدرَّب على بيانات غير مكتملة على السلسلة سيُغفل أنماط معاملات حرجة.

عند تقييم ادّعاءات الذكاء الاصطناعي لمشروع، تكون مجموعة البيانات قطعة بالغة الأهمية. فالمشروع الذي يصف مصادر بياناته وطرق جمعها وضوابط جودتها يُظهر عمقًا أكبر في الذكاء الاصطناعي من المشروع الذي يذكر "الذكاء الاصطناعي" دون شرح ما تعلّمه النموذج منه.

البيانات اللامركزية في الذكاء الاصطناعي للعملات المشفّرة

تربط عدّة أنماط في فئة الذكاء الاصطناعي/البيانات بين مجموعات البيانات وآليات البلوكتشين والرموز:

أسواق البيانات — منصّات يبيع فيها مزوّدو البيانات أو يرخّصون مجموعات بيانات، مع تسوية على السلسلة وتتبّع للمصدر.
جمع البيانات المُحفَّز — مشاريع تكافئ المستخدمين بالرموز مقابل المساهمة بالبيانات (وضع علامات على الصور، تعليق النصوص، مشاركة قراءات المستشعرات).
مجموعات البيانات الموحَّدة (Federated) — بيانات تبقى موزَّعة عبر المشاركين ولا تُجمَّع أبدًا في موقع واحد. تُدرَّب النماذج عليها في مكانها باستخدام التعلّم الموحَّد.
منظّمات البيانات اللامركزية (Data DAOs) — منظّمات لامركزية تحكم بشكل جماعي مجموعات بيانات مشتركة وتنسّقها وتحقّق منها دخلًا.

تحاول هذه النماذج حلّ مشكلة حقيقية: البيانات المعنونة عالية الجودة مكلفة وغالبًا ما تسيطر عليها قلّة من الشركات الكبيرة. يمكن لحوافز الرموز أن تُضفي طابعًا ديمقراطيًّا على المساهمة بالبيانات — رغم أن جودة البيانات المُحفَّزة يجب التحقّق منها بعناية.

جمع البيانات ووضع العلامات

نادرًا ما تصل البيانات الخام جاهزة للتدريب. فيجب جمعها وتنظيفها وتنسيقها، وغالبًا وضع العلامات عليها بواسطة عمّال بشريين أو أنظمة آلية. هذا الخطّ — جمع البيانات ووضع العلامات — هو بحدّ ذاته مكوّن ذكاء اصطناعي حقيقي يظهر في بطاقات مشاريع DecAIHub.

وضع العلامات على نطاق واسع مكلِف وكثيف العمالة. تبني بعض مشاريع الذكاء الاصطناعي في العملات المشفّرة شبكات وضع علامات لامركزية حيث يعلّق المساهمون البيانات ويكسبون مكافآت بالرموز. تُضمَن جودة العلامات عادةً من خلال التكرار (عدّة معلِّقين لكل مثال) وآليات الإجماع.

أين تظهر مجموعات البيانات في بطاقات مشاريع DecAIHub

تظهر مجموعات البيانات في أجزاء متعدّدة من بطاقة مشروع DecAIHub:

AI component — القيم المتعلّقة بالبيانات مثل "data collection" أو "data labeling" أو "training data pipeline" تشير إلى أن المشروع يعمل بنشاط مع مجموعات البيانات بدلًا من الاكتفاء باستهلاك نماذج جاهزة.
Category — المشاريع في فئة الذكاء الاصطناعي/البيانات تركّز تحديدًا على بنية البيانات التحتية أو الأسواق أو تنسيق البيانات اللامركزي.
جدول الأدلّة — يشمل دليل Tier-1 لجودة مجموعة البيانات بطاقات البيانات المنشورة، وإحصاءات العيّنات، وتوثيق منهجية الجمع، ومعلومات الترخيص، وروابط إلى مجموعات بيانات أو مستودعات بيانات متاحة علنًا.
ai_score — ضمن خوارزمية DecAI Fit، يسهم المشروع الذي يُظهر عمل بيانات حقيقيًّا مع دليل منشور في رفع ai_score. أما مجرّد ادّعاء "البيانات المملوكة" دون مصنوعات قابلة للتحقّق فلا يفعل ذلك.

ما لا تثبته مجموعة البيانات وحدها

امتلاك البيانات لا يعني أن الذكاء الاصطناعي الذي يستخدمها حقيقي أو جيّد. يمكن لمشروع أن يجمع مجموعة بيانات ضخمة ومع ذلك لا يكون لديه نموذج عامل، ولا خطّ استدلال، ولا مخرجات مفيدة.
حجم مجموعة البيانات ليس مؤشّرًا على الجودة. فمليون مثال معنون بشكل خاطئ أسوأ من ألف مثال مُنسَّق بعناية.
ادّعاء "البيانات المملوكة" ليس دليلًا. فبدون الإفصاح عن مصادر البيانات أو منهجية الجمع أو نتائج التقييم، يكون الادّعاء غير قابل للتحقّق. راجع إطار أدلّة Tier-1/2/3.
مجموعة البيانات لا تفسّر سبب الحاجة إلى رمز. فتخزين البيانات والوصول إليها لا يتطلّبان بطبيعتهما بلوكتشين أو رمزًا.
جمع البيانات ليس تدريبًا. فالمشروع الذي لديه مجموعة بيانات كبيرة لكن بلا نموذج ولا خطّ تدريب ولا نقطة استدلال هو مشروع بيانات، لا مشروع ذكاء اصطناعي.

لا تخلط بين

التدريب هو العملية التي تستهلك مجموعة البيانات. مجموعة البيانات هي المُدخل؛ والتدريب هو العملية.
جمع البيانات ووضع العلامات هو الخطّ الذي يُنتج مجموعة البيانات. هذان مرتبطان لكنهما مرحلتان منفصلتان.
فئة الذكاء الاصطناعي/البيانات تصنّف المشاريع التي تركّز على بنية البيانات التحتية. مجموعة البيانات مفهوم يُستخدم عبر جميع فئات الذكاء الاصطناعي.
مكوّن الذكاء الاصطناعي يصف الآلية التي يحدث فيها عمل الذكاء الاصطناعي. تغذّي مجموعة البيانات هذه الآلية لكنها ليست الآلية نفسها.
المعايير المرجعية ومقاييس الجودة تستخدم مجموعات بيانات محدّدة للتقييم، لكن المعيار المرجعي هو إجراء التقييم، لا مجموعة البيانات نفسها.

الأسئلة الشائعة

ما الذي يجعل مجموعة البيانات جيّدة؟

مجموعة البيانات الجيّدة ذات صلة بالمهمّة، وكبيرة بما يكفي لتغطية فضاء المشكلة، ومعنونة بدقّة (إن كانت مُوجَّهة)، وخالية من التحيّزات المنهجية، وموثَّقة جيّدًا. يجب أن يشمل التوثيق مصدر البيانات، ومنهجية الجمع، وإرشادات وضع العلامات، والقيود المعروفة، وتاريخ الإصدارات. في الممارسة العملية، غالبًا ما تتفوّق مجموعة بيانات أصغر لكن مُنسَّقة بعناية على أخرى أكبر لكن مشوّشة. المبدأ بسيط: لا يمكن أن يكون النموذج أفضل من البيانات التي تعلّم منها.

ما هو تسميم البيانات؟

تسميم البيانات هو هجوم متعمَّد يحقن فيه خصم أمثلة خبيثة في مجموعة بيانات تدريب لإفساد سلوك النموذج. على سبيل المثال، قد يضيف مهاجم صورًا معنونة بشكل خاطئ ليجعل المصنِّف يخطئ في التعرّف على مدخلات محدّدة، أو يحقن نصًّا متحيّزًا ليجعل نموذجًا لغويًّا يُنتج مخرجات ضارّة. تسميم البيانات مصدر قلق جدّي لجمع البيانات اللامركزي، حيث قد يكون المساهمون مجهولين ومدفوعين بالحوافز. تشمل آليات الدفاع وضع العلامات المتكرّر، واكتشاف الشذوذ، وأنظمة سمعة المساهمين، والتتبّع التشفيري لمصدر البيانات.

هل يمكن استخدام بيانات محميّة بحقوق الطبع لتدريب الذكاء الاصطناعي؟

هذه مسألة قانونية نشطة بلا إجابة عالمية. تختبر عدّة دعاوى قضائية بارزة ما إذا كان التدريب على مواد محميّة بحقوق الطبع يُشكّل استخدامًا عادلًا. توفّر بعض الولايات القضائية استثناءات صريحة للتنقيب في النصوص والبيانات لأغراض البحث. في الممارسة العملية، دُرِّبت معظم النماذج اللغوية الكبيرة على بيانات مكشوطة من الويب تتضمّن محتوى محميًّا بحقوق الطبع. المشاريع التي تفصح عن مصادر بياناتها وشروط ترخيصها تُظهر شفافية أكبر من تلك التي لا تفعل. تقيّم DecAIHub شفافية البيانات كجزء من إطار الأدلّة، لكنها لا تتّخذ قرارات قانونية بشأن حقوق الطبع.

ما هي مجموعة البيانات الاصطناعية؟

مجموعة البيانات الاصطناعية تُولَّد بواسطة خوارزميات أو نماذج ذكاء اصطناعي أخرى بدلًا من جمعها من مصادر العالم الحقيقي. تُستخدم البيانات الاصطناعية لتعزيز مجموعات البيانات الحقيقية، أو سدّ الفجوات حيث تكون البيانات الحقيقية شحيحة، أو حماية الخصوصية باستبدال السجلّات الحسّاسة ببدائل واقعية لكن اصطناعية. الخطر هو أن البيانات الاصطناعية يمكن أن ترث التحيّزات من نموذج المولِّد وتضخّمها. كما قد تعاني النماذج المدرَّبة حصريًّا على بيانات اصطناعية من "انهيار النموذج" — تدهور تدريجي في الجودة مع انحراف كل جيل من البيانات الاصطناعية أكثر عن التوزيع الأصلي.

كيف تقيّم DecAIHub جودة مجموعة البيانات؟

لا تُسجّل DecAIHub مجموعات البيانات مباشرةً. بل تقيّم ما إذا كان المشروع يقدّم دليلًا قابلًا للتحقّق على عمل البيانات كجزء من تقييمه الإجمالي لـDecAI Fit. يشمل الدليل الذي يسهم في ai_score بطاقات البيانات المنشورة، ومنهجية الجمع الموثَّقة، وإحصاءات العيّنات، والمستودعات العامّة، ونتائج المعايير المرجعية على مجموعات تقييم معترف بها. أما ادّعاءات "البيانات المملوكة" أو "مجموعة البيانات الضخمة" دون مصنوعات داعمة فتُعامَل على أنها غير قابلة للتحقّق ولا ترفع الدرجة. يحدّد إطار أدلّة Tier-1/2/3 ما يُعدّ إثباتًا.

انظر أيضًا

مراجع خارجية

Hugging Face -- Datasets -- أكبر مستودع مفتوح لمجموعات بيانات التعلّم الآلي، مع بحث وتصفية ومعاينة وتوثيق لآلاف مجموعات البيانات.
Papers With Code -- Datasets -- فهرس لمجموعات البيانات المرتبطة بنتائج المعايير المرجعية والأوراق البحثية، قابل للبحث حسب المهمّة والمجال.
Stanford HAI -- AI Index Report -- بيانات سنوية عن نموّ مجموعات البيانات، واتّجاهات حوكمة البيانات، ودور البيانات في تقدّم الذكاء الاصطناعي.
Google Research -- Dataset Search -- محرّك بحث مخصّص لمجموعات البيانات المنشورة عبر الويب، بما في ذلك المصادر الأكاديمية والحكومية والتجارية.
Wikipedia -- Training data -- شرح تأسيسي لتقسيمات بيانات التدريب والتحقّق والاختبار ودورها في التعلّم الآلي.