ما هو التعلّم الآلي (ML)

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو التعلّم الآلي (ML)

التعلّم الآلي (ML) هو مجموعة فرعية من الذكاء الاصطناعي حيث تتعلّم الأنظمة أنماطاً من البيانات بدلاً من اتباع قواعد مكتوبة يدوياً. فكّر فيه على أنه التدريس بالقدوة: بدلاً من كتابة وصفة خطوة بخطوة، تُري النظام آلاف الأطباق المنتهية وتدعه يكتشف كيف يطبخ. وبدلاً من أن يبرمج المطوّر كل قرار، يُعرَض على النظام آلاف أو ملايين الأمثلة فيكتشف القواعد بنفسه.

معظم الذكاء الاصطناعي العملي اليوم — من فلاتر البريد المزعج والمساعدات الصوتية إلى تحليل الصور الطبية ونماذج اللغة الكبيرة — مبني على التعلّم الآلي. عندما يدّعي مشروع كريبتو أنه يستخدم الذكاء الاصطناعي، تكون التقنية الكامنة دائماً تقريباً شكلاً من أشكال ML.

باختصار: ML يعني التعلّم من البيانات. بدلاً من إخبار النظام بما يفعل، تُريه أمثلة فيكتشف الأنماط. في الذكاء الاصطناعي للكريبتو، "التعلّم الآلي" في بطاقة مشروع يعني أن المشروع يدّعي تعلّماً مدفوعاً بالبيانات، لا منطقاً مبرمجاً بشكل ثابت.

كيف يعمل التعلّم الآلي

يتبع نظام التعلّم الآلي دورة عامة. فهم كل خطوة ضروري لتقييم ما إذا كانت ادعاءات ML للمشروع حقيقية — فكل خطوة تنتج قطعاً أثرية قابلة للتحقق يمكن أن تكون دليلاً.

دورة حياة ML

1. تعريف المشكلة — تحديد ما يحتاج النموذج إلى التنبؤ به أو تصنيفه. على سبيل المثال: "بالنظر إلى معاملة على سلسلة الكتل، حدّد ما إذا كانت مشبوهة." بيان مشكلة واضح هو نقطة التفتيش الأولى عند تقييم ادعاءات ML.

2. جمع البيانات — جمع مجموعة بيانات ذات صلة بالمشكلة. قد يشمل ذلك سجلات المعاملات، سجلات نشاط المحافظ، المستندات النصية، أو سجلات سلوك المستخدمين. يمكن أن تأتي البيانات من مصادر عامة أو قواعد بيانات مملوكة أو سجلات على السلسلة.

3. إعداد البيانات وتنظيفها — البيانات الخام نادراً ما تكون قابلة للاستخدام كما هي. تشمل هذه الخطوة إزالة الأخطاء، ومعالجة القيم المفقودة، وتطبيع الصيغ، وتقسيم البيانات إلى مجموعات تدريب وتحقق واختبار. عادةً ما يستهلك إعداد البيانات معظم وقت مشروع ML.

4. اختيار بنية النموذج — اختيار نوع نموذج الذكاء الاصطناعي المناسب للمهمة: شبكة عصبية، شجرة قرار، آلة متجهات الدعم، أو طريقة تجميع. يعتمد الاختيار على نوع البيانات وتعقيد المشكلة والحوسبة المتاحة. بالنسبة للنص، تهيمن بنى transformer (الأساس لـ GPT وBERT ونماذج LLM الحديثة مثل DeepSeek). وبالنسبة للبيانات الجدولية، غالباً ما تتفوّق الأشجار المعزَّزة بالتدرّج (XGBoost، LightGBM) على التعلّم العميق.

5. تدريب النموذج — تشغيل خوارزمية تدريب تعدّل المعاملات الداخلية للنموذج (الأوزان) بحيث تطابق تنبؤاته النتائج المعروفة في بيانات التدريب. يتكرر التدريب عبر البيانات عدة مرات (تُسمى epochs)، ويقلّل تدريجياً الفرق بين التنبؤات والواقع (مقيساً بـ دالة الخسارة).

6. التقييم — قياس النموذج المدرَّب مقابل بيانات اختبار محتجزة أو معايير قياسية للتحقق مما إذا كان قد تعلّم أنماطاً حقيقية أم حفظ مجموعة التدريب فقط (مشكلة تُسمى الإفراط في الملاءمة / overfitting). تشمل المقاييس الشائعة الدقة وprecision وrecall ودرجة F1 للتصنيف؛ ومتوسط الخطأ التربيعي وR-squared للانحدار؛ والحيرة (perplexity) لنماذج اللغة.

7. النشر — وضع النموذج في الإنتاج حيث يؤدي الاستدلال على مدخلات جديدة غير مرئية. يتضمن النشر إعداد بنية الخدمة التحتية، وإدارة زمن الاستجابة، ومعالجة الحالات الحدّية.

8. المراقبة وإعادة التدريب — تتغير بيانات العالم الواقعي عبر الزمن (انحراف البيانات / data drift). قد يؤدي نموذج مدرَّب على أنماط معاملات سلسلة الكتل للعام الماضي أداءً ضعيفاً على معاملات اليوم. تتضمن أنظمة ML المسؤولة خطوط مراقبة تكشف تدهور الأداء وتُطلق إعادة التدريب على بيانات حديثة.

مثال عملي

افترض أن مشروعاً يدّعي أن نموذج ML الخاص به يكشف نشاط محافظ مشبوهاً. سيُظهر التنفيذ القابل للتحقق:

• البيانات: ما البيانات على السلسلة التي تُجمع وكيف تُوسم (مثلاً، عناوين مُعلَّمة من قواعد بيانات استغلالات معروفة)
• النموذج: ما البنية المستخدمة (مثلاً، مصنّف معزَّز بالتدرّج على سمات المعاملات)
• المقاييس: معدل الكشف المقيس، معدل الإيجابيات الكاذبة، والمنهجية (مثلاً، "مُقيَّم على 10,000 معاملة محتجزة من فترة محددة")
• النشر: كيف يقدّم النموذج تنبؤات في الزمن الحقيقي (نقطة نهاية API، خصائص زمن الاستجابة)
• التحديثات: كم مرة يُعاد تدريب النموذج وما الذي يُطلق إعادة التدريب

إذا لم يصف مشروع أياً من هذه، فإن ادعاء "ML" يفتقر إلى جوهر قابل للتحقق.

أساليب ML الرئيسية ذات الصلة بالذكاء الاصطناعي للكريبتو

التعلّم الآلي ليس تقنية واحدة — إنه عائلة من الأساليب، كل منها مناسب لأنواع مختلفة من المشكلات.

الأسلوب	كيف يتعلّم	متطلب البيانات	مثال من الكريبتو
التعلّم المُشرَف عليه	من أمثلة موسومة	مجموعة بيانات موسومة	كشف الاحتيال، تصنيف الاحتيال
التعلّم غير المُشرَف عليه	يجد البنية بلا تسميات	مجموعة بيانات غير موسومة	تجميع المحافظ، كشف الشذوذ
التعلّم المعزَّز	عبر المحاولة والمكافأة	بيئة + إشارة مكافأة	الوكلاء الآليون، تحسين البروتوكولات
التعلّم العميق	شبكات عصبية متعددة الطبقات	مجموعة بيانات كبيرة + حوسبة	نماذج LLM، توليد الصور، NLP
التعلّم بالنقل	يكيّف نموذجاً مدرَّباً مسبقاً لمهمة جديدة	مجموعة بيانات صغيرة خاصة بالمهمة	الضبط الدقيق لنماذج LLM لمجال الكريبتو

التعلّم المُشرَف عليه

يتعلّم النموذج من بيانات موسومة — يأتي كل مثال بإجابة صحيحة معروفة. يتعلّم النموذج تعيين المدخلات إلى المخرجات ويُقيَّم بمدى جودة تنبؤه بالإجابة الصحيحة لأمثلة جديدة غير مرئية.

• كيف يعمل: بالنظر إلى أزواج (مدخل، مخرج صحيح)، تعدّل الخوارزمية معاملات النموذج لتقليل أخطاء التنبؤ.
• مثال: مصنّف مدرَّب على معاملات موسومة (احتيالية / مشروعة) لتعليم عمليات الاحتيال. كل مثال تدريبي معاملة بسمات (المبلغ، تاريخ المرسِل، التفاعل مع العقد) وتسمية.
• أدوات شائعة: scikit-learn، XGBoost، LightGBM، وأطر التعلّم العميق مثل PyTorch وTensorFlow.
• القوة: دقة عالية عند توفّر تسميات جيدة.
• القيد: يتطلب بيانات موسومة، يمكن أن يكون إنشاؤها مكلفاً ومستهلكاً للوقت.

التعلّم غير المُشرَف عليه

يجد النموذج أنماطاً بلا تسميات. لا أحد يخبره بما يبحث عنه؛ بل يكتشف البنية أو التجمعات أو الشذوذ في البيانات بنفسه.

• كيف يعمل: تجمّع الخوارزمية نقاط البيانات المتشابهة معاً أو تحدّد القيم الشاذة بناءً على الخصائص الإحصائية.
• مثال: تجميع عناوين المحافظ حسب الأنماط السلوكية — تكرار المعاملات، المبالغ، التفاعل مع البروتوكولات المعروفة — لتحديد مجموعات من المحافظ المترابطة دون تسميات مسبقة.
• أدوات شائعة: تجميع k-means، DBSCAN، تحليل المكوّنات الرئيسية (PCA)، المشفِّرات التلقائية (autoencoders).
• القوة: يعمل عندما يكون الوسم غير عملي أو مكلفاً جداً.
• القيد: تتطلب النتائج تفسيراً بشرياً؛ تجد الخوارزمية البنية لكنها لا تفسّر معنى التجمعات.

التعلّم المعزَّز (RL)

يتعلّم النموذج عبر المحاولة والمكافأة. يتخذ إجراءات في بيئة ويتلقى تغذية راجعة (إيجابية أو سلبية). وبمرور الوقت، يتعلّم استراتيجيات تعظّم المكافأة التراكمية.

• كيف يعمل: يرصد الوكيل الحالة الراهنة، ويتخذ إجراءً، ويتلقى مكافأة أو عقوبة، ويحدّث استراتيجيته. تتكرر هذه الحلقة آلاف أو ملايين المرات.
• مثال: وكيل آلي يتعلّم تحسين رسوم الغاز عبر توقيت المعاملات بناءً على أنماط ازدحام الشبكة.
• معالم بارزة: يشغّل RL أنظمة لعب الألعاب مثل AlphaGo. في الكريبتو، يظهر RL في ضبط معاملات البروتوكول والاستراتيجيات القائمة على الوكلاء.
• القوة: مناسب لمشكلات اتخاذ القرار المتسلسل حيث يعتمد الإجراء الأمثل على العواقب طويلة الأمد.
• القيد: يتطلب إشارة مكافأة محدَّدة جيداً وتكرارات كثيرة؛ ويمكن أن يكون غير مستقر أثناء التدريب.

التعلّم العميق

مجموعة فرعية من ML تستخدم شبكات عصبية بطبقات كثيرة (ومن هنا "عميق"). يشغّل التعلّم العميق معظم اختراقات الذكاء الاصطناعي الحديثة: التعرّف على الصور، معالجة اللغة الطبيعية، النماذج التوليدية، ونماذج اللغة الكبيرة.

• كيف يعمل: تتدفق البيانات عبر طبقات متتالية من الخلايا العصبية الاصطناعية، تستخرج كل منها سمات أكثر تجريداً تدريجياً. قد تكشف طبقة التفافية الحواف؛ وتجمع الطبقات الأعمق الحواف في أشكال، ثم كائنات.
• مثال: نموذج transformer (البنية وراء GPT وBERT وDeepSeek) مضبوط بدقة على توثيق الكريبتو لاستخراج معلومات منظمة من نص غير منظم.
• بنى رئيسية: transformers (النص/التسلسلات)، الشبكات العصبية الالتفافية / CNNs (الصور)، الشبكات العصبية التكرارية / RNNs (السلاسل الزمنية).
• القوة: تتفوّق على البيانات المعقدة عالية الأبعاد (نص، صور، صوت، تسلسلات).
• القيد: تتطلب مجموعات بيانات كبيرة، وقدرة حوسبة كبيرة، وضبطاً دقيقاً. الأداء أصعب في التفسير من النماذج الأبسط.

التعلّم بالنقل

تقنية يُكيَّف فيها نموذج مدرَّب مسبقاً على مجموعة بيانات عامة كبيرة لمهمة محددة بمجموعة بيانات أصغر. بدلاً من التدريب من الصفر، يبدأ النموذج بمعرفة مُتعلَّمة مسبقاً.

• كيف يعمل: خذ نموذجاً مثل BERT (مدرَّب مسبقاً على نص عام) واضبطه بدقة على مجموعة بيانات أصغر من أوراق الكريبتو البيضاء لتصنيف ادعاءات المشاريع.
• لماذا يهمّ: يقلّل التعلّم بالنقل البيانات والحوسبة المطلوبة للمهام الجديدة. تستخدم كثير من مشاريع الذكاء الاصطناعي في الكريبتو إصدارات مضبوطة بدقة من نماذج قائمة بدلاً من التدريب من الصفر.

من ML الكلاسيكي إلى التعلّم العميق الحديث

فهم تطور ML يساعد على تقييم ادعاءات المشاريع:

• ML الكلاسيكي (التسعينيات حتى 2010s): أشجار القرار، آلات متجهات الدعم، الانحدار اللوجستي. تعمل هذه جيداً على البيانات المنظمة (الجدولية) وتبقى شائعة في تحليلات الكريبتو لتصنيف المعاملات وتسجيل المخاطر.

• عصر التعلّم العميق (2012 حتى الآن): بدأت الشبكات العصبية ذات الطبقات الكثيرة تتفوّق على الأساليب الكلاسيكية في المهام المعقدة. أعادت بنية transformer عام 2017 ("Attention Is All You Need") تشكيل المجال. وجلب BERT (2018) وGPT (2018 حتى الآن) نماذج transformer إلى فهم اللغة وتوليدها.

• النماذج الأساسية / Foundation models (2020s حتى الآن): نماذج كبيرة جداً مدرَّبة مسبقاً على بيانات واسعة، مضبوطة بدقة أو مُوجَّهة لمهام محددة. GPT وClaude وGemini وMistral أمثلة معروفة. تجعل هذه النماذج معالجة NLP القوية في المتناول لكنها تسهّل أيضاً بناء أغلفة رقيقة تدّعي "الذكاء الاصطناعي" بأقل عمل أصلي.

عندما يقول مشروع "التعلّم الآلي"، يستحق الأمر السؤال: هل هذا ML كلاسيكي على بيانات منظمة، أم ضبط دقيق لنماذج أساسية قائمة، أم تدريب نموذج جديد من الصفر؟

لماذا يهمّ ML في DecAIHub

عندما تُدرج بطاقة مشروع "التعلّم الآلي" كجزء من AI component الخاص بها، فهذا يعني أن المشروع يدّعي استخدام نظام يتعلّم من البيانات بدلاً من الاعتماد على قواعد ثابتة. يهمّ هذا التمييز لأن:

• ML يستلزم خط معالجة تدريب — يجب أن توجد بيانات وعملية تدريب ونموذج ناتج. وكلها قطع أثرية قابلة للتحقق.
• ML يستلزم أداءً قابلاً للقياس — يمكن قياس نموذج متعلَّم ومقارنته. أما مجموعة قواعد مكتوبة يدوياً فلا يمكن تقييمها بالطريقة نفسها.
• ML يستلزم صيانة مستمرة — تتدهور النماذج عبر الزمن مع تحوّل توزيعات البيانات. يحتاج المشروع الذي يستخدم ML إلى إعادة التدريب وإعادة التقييم دورياً.
• ML يستلزم متطلبات حوسبة — يتطلب التدريب والاستدلال موارد حسابية. يجب على مشاريع ML اللامركزية أن تشرح كيف تُوفَّر الحوسبة ومن يتحمّل تكلفتها.

يفحص DecAIHub وجود دليل Tier-1 على هذه القطع الأثرية عند تقييم ما إذا كان "التعلّم الآلي" حقيقياً أم مجرد علامة تسويقية. تتطابق علامات AI reality (AI_0 حتى AI_4) مباشرةً مع نقاط تفتيش الأدلة: هل يصف المشروع مكوّن ML الخاص به (AI_1)؟ هل توجد عروض توضيحية عاملة (AI_2)؟ مقاييس منشورة (AI_3)؟ توثيق بنية تقنية (AI_4)؟

المشروع الذي يذكر "التعلّم الآلي" دون تقديم أي من هذه القطع الأثرية يحصل على علامات AI reality أقل، ما يحدّ من درجة DecAI Fit عبر آلية سقف ai_score.

ما لا يثبته ML وحده

• جودة النموذج — ادعاء ML لا يعني أن النموذج دقيق أو متين أو مضبوط جيداً. تتطلب الجودة دليلاً من المعايير القياسية.
• جودة البيانات — النموذج جيد بقدر بيانات تدريبه. البيانات السيئة أو المتحيّزة أو غير الكافية تنتج نتائج سيئة بصرف النظر عن الخوارزمية.
• التعلّم الحقيقي — تصف بعض المشاريع الأنظمة القائمة على قواعد أو الاستدلالات البسيطة بأنها "ML". انظر الأتمتة مقابل AI component الحقيقي.
• الميزة المملوكة — استخدام مكتبة ML جاهزة بإعدادات افتراضية على بيانات عامة لا يشكّل عمقاً ذا معنى في الذكاء الاصطناعي.
• اللامركزية — يمكن لنماذج ML أن تعمل على بنية تحتية مركزية بالكامل. كون المشروع يستخدم ML لا يقول شيئاً عمّا إذا كان ذكاؤه الاصطناعي لامركزياً أو تكامله مع سلسلة الكتل ذا معنى.

لا تخلط بين

• الذكاء الاصطناعي — المجال الأوسع. ML مجموعة فرعية من الذكاء الاصطناعي، لا مرادف له.
• نموذج الذكاء الاصطناعي — القطعة الأثرية المدرَّبة. ML هو عملية إنشاء تلك القطعة عبر التعلّم المدفوع بالبيانات.
• التعلّم العميق — مجموعة فرعية من ML تستخدم شبكات عصبية متعددة الطبقات. كل تعلّم عميق هو ML، لكن ليس كل ML تعلّماً عميقاً.
• الأتمتة — تنفيذ قواعد محدَّدة مسبقاً. أما ML فيتعلّم قواعده الخاصة من البيانات. انظر الأتمتة مقابل AI component الحقيقي.
• الإحصاء — يبني ML على أسس إحصائية لكنه يتجاوز الإحصاء التقليدي بالتركيز على الأداء التنبؤي على بيانات جديدة بدلاً من شرح البيانات التاريخية.

أسئلة شائعة

ما الفرق بين التعلّم الآلي والبرمجة التقليدية؟

في البرمجة التقليدية، يكتب المطوّر قواعد صريحة: "إذا تجاوز مبلغ المعاملة عتبة وكان المرسِل بلا تاريخ، فعلّمها." في التعلّم الآلي، يقدّم المطوّر أمثلة موسومة، وتكتشف الخوارزمية القواعد بنفسها. النتيجة نموذج يستطيع كشف أنماط أدقّ من أن تلتقطها القواعد المكتوبة يدوياً — لكنه يتطلب بيانات تدريب جيدة وتقييماً مستمراً.

هل يتطلب التعلّم الآلي بيانات ضخمة؟

ليس دائماً. تتطلب نماذج التعلّم العميق (خاصة نماذج LLM) مجموعات بيانات كبيرة، لكن كثيراً من تقنيات ML الكلاسيكية تعمل بفعالية بكميات بيانات متواضعة. ويقلّل التعلّم بالنقل متطلبات البيانات أكثر بالبدء من نموذج مدرَّب مسبقاً. العامل الرئيسي هو جودة البيانات وصلتها، لا الكمية فقط. مجموعة بيانات صغيرة ومنتقاة جيداً وموسومة بشكل صحيح يمكن أن تتفوّق على مجموعة كبيرة مشوّشة.

ما الفرق بين التعلّم المُشرَف عليه وغير المُشرَف عليه؟

يستخدم التعلّم المُشرَف عليه بيانات موسومة — يتضمن كل مثال الإجابة الصحيحة، ويتعلّم النموذج التنبؤ بها. أما التعلّم غير المُشرَف عليه فيعمل ببيانات غير موسومة، مكتشفاً الأنماط أو التجمعات أو الشذوذ دون أن يُخبَر بما يبحث عنه. فئة ثالثة، التعلّم شبه المُشرَف عليه، تجمع كمية صغيرة من البيانات الموسومة مع كمية أكبر من البيانات غير الموسومة. يعتمد الاختيار على ما إذا كانت التسميات متاحة وميسورة الإنتاج.

كيف يمكنك معرفة ما إذا كان مشروع كريبتو يستخدم ML حقيقياً؟

ابحث عن قطع أثرية قابلة للتحقق: مجموعة بيانات موصوفة، بنية نموذج موثّقة، معايير قياسية منشورة بمنهجية، عرض توضيحي عام، ودليل على إعادة التدريب. يقيّم DecAIHub هذه عبر علامات AI reality (AI_1 حتى AI_4) وفحوصات دليل Tier-1. المشروع الذي يقول "مدعوم بـ ML" لكنه لا يقدّم أياً من هذه يستخدم على الأرجح المصطلح كتسويق.

هل التعلّم العميق هو نفسه التعلّم الآلي؟

التعلّم العميق مجموعة فرعية من التعلّم الآلي، لا مرادف له. يشمل ML تقنيات كثيرة تتجاوز التعلّم العميق: أشجار القرار، آلات متجهات الدعم، الطرق البايزية، وطرق التجميع. يستخدم التعلّم العميق شبكات عصبية بطبقات متعددة لتعلّم تمثيلات هرمية. يتفوّق على البيانات المعقدة (نص، صور، صوت) لكن طرق ML الأبسط غالباً ما تتفوّق عليه على البيانات المنظمة الجدولية.

انظر أيضًا

• ما هو الذكاء الاصطناعي
• ما هو نموذج الذكاء الاصطناعي
• ما هو نموذج اللغة الكبير (LLM)
• ما هو التدريب
• ما هو الاستدلال
• المعايير القياسية ومقاييس الجودة
• الأتمتة مقابل AI component الحقيقي
• ما الذي يُعدّ دليلاً على الذكاء الاصطناعي
• خريطة معرفة الذكاء الاصطناعي

مراجع خارجية

• Google Developers — دورة التعلّم الآلي المكثّفة — دورة تمهيدية مجانية تغطي مفاهيم ML الأساسية بأمثلة عملية
• Stanford CS229 — التعلّم الآلي — مواد دراسية جامعية شاملة حول نظرية ML وممارسته
• Hugging Face — تعلّم — أدلة عملية لـ ML وNLP الحديثين بأدوات مفتوحة المصدر
• التعلّم الآلي (ويكيبيديا) — نظرة عامة على تاريخ ML وطرقه وتطبيقاته
• Papers With Code — الطرق — مرجع لطرق ML مع روابط لأوراق بحثية وتنفيذات