03 ديسمبر 2025·6 دقيقة
أندريه كارباثي والتعلم العميق: دروس لإطلاق ميزات الذكاء الاصطناعي
يشرح عمل أندريه كارباثي في التعلم العميق كيفية تحويل الشبكات العصبية إلى منتجات عبر افتراضات واضحة، مقاييس قابلة للقياس، وسير عمل يضع الهندسة أولاً.
يشرح عمل أندريه كارباثي في التعلم العميق كيفية تحويل الشبكات العصبية إلى منتجات عبر افتراضات واضحة، مقاييس قابلة للقياس، وسير عمل يضع الهندسة أولاً.
قد يبدو عرض التعلم العميق كسحر. يكتب النموذج فقرة نظيفة، يتعرّف على كائن، أو يجيب عن سؤال معقّد. ثم تحاول تحويل ذلك العرض إلى زر يضغطه الناس يومياً، وتصبح الأمور فوضوية. نفس المطالبة تتصرف بشكل مختلف، تتراكم حالات الحافة، ولحظة الإعجاب تتحول إلى تذكرة دعم.
تلك الفجوة هي سبب تواصل عمل أندريه كارباثي مع المبنيين. لقد روّج لعقلية ترى الشبكات العصبية ليست قطعاً غامضة، بل أنظمة تصمّمها، تختبرها، وتحافظ عليها. النماذج ليست عديمة الفائدة؛ المنتجات فقط تتطلب الاتساق.
عندما تقول الفرق إنهم يريدون "ذكاءً عملياً"، فهم عادة يقصدون أربعة أشياء:
تتعثر الفرق لأن التعلم العميق احتمالي وحساس للسياق، بينما تُقيَّم المنتجات بالموثوقية. روبوت محادثة يجيب بشكل جيد على 80% من الأسئلة قد يظل محسوساً معيوباً إذا كانت الـ20% الباقية واثقة وخاطئة ومن الصعب اكتشافها.
خذ مثلاً مساعد "الرد التلقائي" لدعم العملاء. يبدو رائعاً على بعض التذاكر المنتقاة يدوياً. في الإنتاج، يكتب العملاء بالعامية، يرفقون لقطات شاشة، يمزجون لغات، أو يسألون عن حالات سياسة معقّدة. الآن تحتاج إلى قيود، سلوك رفض واضح، وطريقة لقياس ما إن كانت المسودة فعلاً قد ساعدت الممثل.
التقى كثيرون على عمل كارباثي من خلال أمثلة عملية، لا رياضيات مجردة. حتى المشاريع المبكرة كانت تبرز نقطة بسيطة: الشبكات العصبية تصبح مفيدة عندما تعاملها كما لو كانت برنامجاً يمكنك اختباره، كسره، وإصلاحه.
بدلاً من التوقف عند "النموذج يعمل"، يتحوّل التركيز إلى جعله يعمل على بيانات فوضوية وحقيقية. يشمل ذلك خطوط بيانات، تشغيلات تدريب تفشل لأسباب مملة، ونتائج تتغير عند تعديل شيء صغير. في هذا العالم، يتوقف التعلم العميق عن كونه غامضاً ويبدأ بالشعور بالهندسة.
نهج على طريقة كارباثي أقل حول الحيل السرية وأكثر حول العادات:
هذا الأساس مهم لاحقاً لأن منتجات AI هي في معظمها نفس اللعبة، فقط مع رهانات أعلى. إذا لم تبنِ الحرفة مبكراً (مدخلات واضحة، مخرجات واضحة، تشغيلات قابلة للتكرار)، يتحول إطلاق ميزة AI إلى عمل تخميني.
جزء كبير من أثر كارباثي هو أنه عامَل الشبكات العصبية كشيء يمكن الاستدلال عليه. التفسيرات الواضحة تحول العمل من "نظام اعتقادي" إلى هندسة.
هذا مهم للفرق لأن الشخص الذي يطلق النموذج الأول غالباً ليس نفسه الذي سيصونه. إذا لم تستطع شرح ما يفعله النموذج، فربما لا تستطيع تصحيحه، وبالتأكيد لا تستطيع دعمه في الإنتاج.
أجبر على الوضوح مبكراً. قبل أن تبني الميزة، اكتب ما يراه النموذج، ما يخرجه، وكيف ستعرف أنه يتحسّن. تفشل معظم مشاريع الذكاء الاصطناعي على الأساسيات، لا على الرياضيات.
قائمة تحقق قصيرة تؤتي ثمارها لاحقاً:
التفكير الواضح يظهر كتجارب منضبطة: سكريبت واحد يمكنك إعادة تشغيله، مجموعات تقييم ثابتة، مطالبات مُرقمة بالإصدار، ومقاييس مسجّلة. الخطوط الأساسية تُبقيك أميناً وتجعل التقدّم مرئياً.
النموذج الأولي يثبت أن الفكرة ممكنة. الميزة المشحونة تثبت أنها تعمل للناس الحقيقيين، في ظروف فوضوية، يومياً. تلك الفجوة هي أين تعثر كثير من مشاريع AI.
العرض البحثي يمكن أن يكون بطيئاً، مكلفاً، وهشاً، طالما يوضّح القدرة. الإنتاج يقلب الأولويات. يجب أن يكون النظام متوقعاً، قابلاً للرصد، وآمناً حتى عندما تكون المدخلات غريبة، المستخدمون غير صبورين، وحركة المرور تقفز.
في الإنتاج، الكمون نفسه ميزة. إذا استغرق النموذج 8 ثوانٍ، يهجر المستخدمون أو يضغطون الزر مراراً، وتدفع ثمن كل محاولة إعادة. تصبح التكلفة قراراً منتجياً أيضاً، لأن تغييراً صغيراً في المطالبة قد يضاعف فاتورتك.
الرصد أمر لا تفاوض عليه. تحتاج أن تعرف ليس فقط أن الخدمة تعمل، بل أن النتائج تبقى ضمن جودة مقبولة مع مرور الوقت. التحوّل في البيانات، سلوك المستخدم الجديد، والتغييرات العليا يمكن أن تكسر الأداء بهدوء دون رمي خطأ.
فحوصات السلامة والسياسة تتحول من "جميل أن يتوفر" إلى مطلوب. عليك التعامل مع الطلبات الضارة، البيانات الخاصة، وحالات الحافة بطريقة متسقة وقابلة للاختبار.
عادةً ما تنتهي الفرق بالإجابة عن نفس الأسئلة:
يمكن أن يبني نموذج أولي شخص واحد. الإطلاق عادة يحتاج المنتج ليحدد النجاح، بيانات للتحقق من المدخلات ومجموعات التقييم، بنية تحتية لتشغيله بشكل موثوق، وضمان جودة لاختبار أوضاع الفشل.
"يعمل على جهازي" ليس معيار إصدار. الإصدار يعني أنه يعمل للمستخدمين تحت الحمل، مع التسجيل، الحواجز، وطريقة لقياس ما إن كان يساعد أو يضر.
تأثير كارباثي ثقافي أكثر من تقني. عامَل الشبكات العصبية كشيء يمكنك بناؤه، اختباره، وتحسينه بانضباط مثل أي نظام هندسي.
يبدأ بكتابة الافتراضات قبل كتابة كود. إذا لم تستطع بيان ما يجب أن يكون صحيحاً لكي تعمل الميزة، فلن تستطيع تصحيحها لاحقاً. أمثلة:
هذه عبارات قابلة للاختبار.
تأتي الخطوط الأساسية بعد ذلك. الخط الأساسي هو أبسط شيء قد يعمل، وهو فحص واقعيتك. قد يكون قواعد، قالب بحث، أو حتى "لا شيء" مع واجهة جيدة. الخطوط الأساسية القوية تحميك من قضاء أسابيع على نموذج فخم لا يتجاوز شيئاً بسيطاً.
القياس يجعل التكرار ممكناً. إذا نظرت إلى العروض فقط، فأنت توجه بناءً على الانطباعات. بالنسبة للعديد من ميزات AI، مجموعة صغيرة من الأرقام تخبرك بالفعل إن كنت تتحسن:
ثم كرر في حلقات ضيقة. غيّر شيئاً واحداً، قارن بالخط الأساسي، واحتفظ بسجل بسيط لما جربته وما الذي تحرّك. إذا كان التقدّم حقيقياً، يظهر كمنحنى في الرسم البياني.
يعمل إطلاق الذكاء الاصطناعي أفضل عندما تعاملها كالهندسة: أهداف واضحة، خط أساس، وحلقات ردود فعل سريعة.
اكتب مشكلة المستخدم بجملة واحدة. اكتبها مثل شكوى قد تسمعها من شخص حقيقي: "وكلاء الدعم يقضون وقتاً طويلاً في صياغة الردود على الأسئلة الشائعة." إذا لم تستطع قولها بجملة واحدة، فالميزة ربما كبيرة جداً.
اختر نتيجة قابلة للقياس. اختر رقماً واحداً يمكنك تتبعه أسبوعياً. اختيارات جيدة تشمل الوقت الموفر لكل مهمة، معدل قبول المسودة الأولى، خفض التعديلات، أو معدل تحويل التذاكر. قرّر ما هو "كافٍ" قبل البناء.
عرّف الخط الأساسي الذي يجب أن تتجاوزه. قارن مع قالب بسيط، نهج قواعدي، أو "بشري فقط." إذا لم يتجاوز AI الخط الأساسي في مقياسك المختار، لا تُطلق.
صمّم اختباراً صغيراً ببيانات ممثلة. اجمع أمثلة تطابق الواقع، بما في ذلك الحالات الفوضوية. احتفظ بمجموعة تقييم صغيرة لا "تدرِّب عليها ذهنياً" بقراءتها كل يوم. اكتب ما يعتبر نجاحاً وما يعتبر فشلاً.
انشر خلف مفتاح، اجمع الملاحظات، وكرر. ابدأ بمجموعة داخلية صغيرة أو نسبة صغيرة من المستخدمين. سجّل المدخلات، المخرجات، وما إذا كانت مفيدة. أصلح نمط الفشل الأعلى أولاً، ثم أعد تشغيل نفس الاختبار لترى تقدماً حقيقياً.
نمط عملي لأدوات المسودات: قِس "الثواني حتى الإرسال" و"نسبة المسودات المستخدمة مع تعديلات طفيفة."
العديد من إخفاقات ميزات AI ليست إخفاقات نموذجية. إنها "لم نتّفق أبداً على شكل النجاح". إذا أردت أن يبدو التعلم العميق عملياً، اكتب الافتراضات والقياسات قبل أن تكتب المزيد من المطالبات أو تدرب نماذج أكثر.
ابدأ بافتراضات قد تكسر ميزتك في الاستخدام الحقيقي. الشائعة تتعلق بالبيانات والناس: النص المدخل بلغة واحدة، المستخدمون يطلبون نية واحدة في كل مرة، الواجهة توفر سياقاً كافياً، حالات الحافة نادرة، ونمط الأمس سيبقى صحيحاً الشهر القادم (الانجراف). كذلك اكتب ما لن تتعامل معه بعد، مثل السخرية، المشورة القانونية، أو المستندات الطويلة.
حوّل كل افتراض إلى شيء يمكنك اختباره. صيغة مفيدة هي: "بالنظر إلى X، يجب أن يفعل النظام Y، ويمكننا التحقق بواسطة Z." اجعلها ملموسة.
خمس أشياء تستحق أن تُكتب في صفحة واحدة:
حافظ على فصل التقييم غير المتصل وعبر الإنترنت عن قصد. تقيس المقاييس غير المتصلة ما إذا تعلّم النظام المهمة. المقاييس عبر الإنترنت تخبرك ما إن كانت الميزة تساعد البشر. يمكن للنموذج أن يسجل جيداً غير المتصل ويظل يزعج المستخدمين لأنه بطيء، واثق جداً، أو خاطئ في الحالات التي تهم.
عرّف "الجيد بما يكفي" كعتبات وعواقب. مثال: "غير المتصل: على الأقل 85% صحيح على مجموعة التقييم؛ عبر الإنترنت: 30% من المسودات مقبولة بتعديلات طفيفة." إذا فاتك عتبة، قرر مسبقاً ما يحدث: احتفظ به خلف مفتاح، خفّض النشر، وجه الحالات منخفضة الثقة إلى قالب، أو أوقف وجمّع المزيد من البيانات.
غالباً ما تعامل الفرق ميزة AI كتعديل واجهة عادي: أطلق، راقب، عدّل لاحقاً. هذا يكسر بسرعة لأن سلوك النموذج قد يتغير بالمطالبات، الانجراف، وتغييرات التكوين الصغيرة. النتيجة هي جهد كبير دون دليل واضح على أن ذلك ساعد.
قاعدة عملية بسيطة: إذا لم تستطع تسمية الخط الأساسي والقياس، فأنت لم تشرّح بعد.
أوضاع الفشل الأكثر شيوعاً:
مثال ملموس: أضفت AI لصياغة ردود الدعم. إذا تعقّبّت فقط الإبهام/الإعجاب، قد لا تلاحظ أن الوكلاء يستغرقون وقتاً أطول لمراجعة المسودات، أو أن الردود دقيقة لكن طويلة جداً. مقاييس أفضل هي "نسبة المرسلات بتعديلات طفيفة" و"الوسيط الزمني للإرسال".
عامل يوم الإصدار كمهمة تسليم هندسية، لا عرض تجريبي. يجب أن تكون قادراً على شرح، بكلمات بسيطة، ما تفعله الميزة، كيف تعرف أنها تعمل، وماذا تفعل عند تعطلها.
قبل الإطلاق، تأكد من:
أيضاً احتفظ بمجموعة تقييم غير متصلة تبدو كحركة المرور الحقيقية، تتضمن حالات الحافة، وتبقى ثابتة بما يكفي للمقارنة عبر الأسابيع. عندما تغير المطالبات، النماذج، أو تنظيف البيانات، أعد تشغيل نفس المجموعة وراقب ما تغيّر.
تريد فرقة الدعم مساعداً يصيغ ردود داخل عرض التذكرة. الوكيل لا يرسل الرسائل تلقائياً. يقترح مسودة، يوضح الحقائق الأساسية التي استخدمها، ويطلب من الوكيل المراجعة والتعديل قبل الإرسال. هذا الاختيار يخفض المخاطر بينما تتعلّم.
ابدأ بتحديد ما الذي يعني "أفضل" بالأرقام. اختر نتائج يمكنك قياسها منذ اليوم الأول باستخدام السجلات الحالية:
قبل إدخال النموذج، حدد خطاً أساسياً مملّاً لكن حقيقياً: قوالب محفوظة مع طبقة قواعد بسيطة (كشف استرداد مقابل شحن مقابل إعادة تعيين كلمة المرور، ثم تعبئة أفضل قالب). إذا لم يتجاوز الذكاء الاصطناعي هذا الخط الأساسي، فهو غير جاهز.
شغّل تجربة صغيرة. اجعلها اختيارية لعدد قليل من الوكلاء، محدودة لفئة تذاكر واحدة أولاً (مثلاً حالة حالة الطلب). أضف ملاحظات سريعة على كل مسودة: "مفيدة" أو "غير مفيدة" مع سبب قصير. سجّل ما غيّره الوكيل، ليس فقط إذا نقر زر.
عرّف معايير النشر مسبقاً حتى لا تخمن لاحقاً. مثال: يتحسّن زمن المعالجة بنسبة 10% دون زيادة التصعيد أو إعادة الفتح، ويقبل الوكلاء المسودات بتعديلات طفيفة على الأقل 30% من الوقت.
كما قرّر ما يحفز التراجع: قفزة في التصعيدات، هبوط في الرضا، أو أخطاء سياسة متكررة.
اختر فكرة AI يمكنك إطلاقها في 2 إلى 4 أسابيع. اجعلها صغيرة بما يكفي لتقيسها، تصححها، وتسترجعها دون دراما. الهدف ليس إثبات أن النموذج ذكي؛ الهدف هو جعل نتيجة المستخدم أفضل بثبات مما لديك الآن.
حوّل الفكرة إلى خطة صفحة واحدة: ما تفعله الميزة، ما لا تفعله، وكيف ستعرف أنها تعمل. أدرج خطاً أساسياً والمقياس الدقيق الذي ستتتبعه.
إذا أردت التقدّم بسرعة في التنفيذ، Koder.ai (koder.ai) مبنية حول إنشاء تطبيقات ويب، خوادم، وتطبيقات موبايل من خلال واجهة دردشة، بميزات مثل اللقطات/التراجع وتصدير الشيفرة المصدرية عندما تحتاج تحكماً أعمق.
العادة التي تحافظ عليها بسيطة: كل تغيير في AI يجب أن يأتي مع افتراض مكتوب ومخرج قابل للقياس. هكذا يتوقف التعلم العميق عن كونه سحراً ويبدأ بأن يكون عملاً يمكنك إصداره.
لأن العروض التجريبية عادةً ما تُبنى على مدخلات نظيفة ومختارة بعناية وتُقيَّم بالانطباع، بينما المنتجات تتعامل مع مدخلات فوضوية، ضغط المستخدمين، واستخدام متكرر.
لتقليل الفجوة، حدّد عقد مدخل/مخرج، قِس الجودة على بيانات ممثلة، وصمّم طرق تراجع عند انتهاء الوقت أو عند انخفاض ثقة النموذج.
اختر مقياساً واحداً مرتبطاً بقيمة المستخدم ويمكنك تتبعه أسبوعياً. افتراضات جيدة:
حدّد هدف "جيد بما يكفي" قبل ضبط المطالبات أو النماذج.
استعمل أبسط بديل يمكن أن يُطلق فعلياً:
إذا لم يتجاوز الذكاء الاصطناعي الخط الأساسي في المقياس الرئيسي (دون كسر زمن الاستجابة/التكلفة)، لا تُطلقه بعد.
احتفظ بمجموعة صغيرة تشبه حركة المرور الحقيقية، لا أمثلة أفضل الحالات فقط.
قواعد عملية:
هذا يجعل التقدّم مرئياً ويقلل الانحدار العرضي.
ابدأ بحواجز قابلة للاختبار ومتوقعة:
عامل الحواجز كمتطلبات منتج، لا كتحسين اختياري.
راقب صحّة النظام وجودة المخرجات معاً:
سجّل المدخلات/المخرجات (مع ضوابط الخصوصية) لتستطيع إعادة إنتاج الأخطاء وإصلاح أنماط الفشل الأولى.
حدد ميزانية قصوى مسبقاً: زمن استجابة مستهدف وأقصى تكلفة لكل طلب.
ثم خفّض الإنفاق دون تخمين:
تحسّن بسيط في الجودة نادراً ما يستحق زيادة كبيرة في التكلفة أو البطء في الإنتاج.
انشر خلف مفتاح (feature flag) ووزّع تدريجياً.
خطة طرح عملية:
التراجع ليس فشلاً؛ إنه جزء من جعل الذكاء الاصطناعي قابل للصيانة.
الأدوار الدنيا المطلوبة (حتى لو شخص واحد يتقلد أكثر من دور):
أفضل نتيجة عندما يتفق الجميع على المقياس، الخط الأساسي، وخطة التراجع.
استخدمها عندما تريد الانتقال من فكرة إلى تطبيق يعمل بسرعة، مع الحفاظ على انضباط هندسي.
سير عملي عملي:
الأداة تسرّع التكرار؛ لكنك لا تزال بحاجة لافتراضات واضحة ومخرجات قابلة للقياس.