الذكاء الإصطناعي

المصطلح بالإنجليزي	المصطلح بالعربية	التعريف بالعربية
Agent (AI Agent)	الوكيل الذكي	نظامٌ ذكيٌّ يتصرف باستقلاليةٍ لتنفيذ مهامٍّ متعددة الخطوات كالبحث على الويب وكتابة الشيفرة ومتابعة الأهداف. يُخطط الوكيلُ وينفّذ بدلاً من الاكتفاء بالإجابة.
Agentic AI	الذكاء الاصطناعي الوكيلي	أنظمةٌ ذكيةٌ تعمل باستقلاليةٍ عبر خطواتٍ متسلسلة لتحقيق أهدافٍ بعيدة المدى دون تدخلٍ بشري مستمر. مجالٌ ناشئٌ يتطور بسرعةٍ كبيرة.
AI Ethics	أخلاقيات الذكاء الاصطناعي	دراسةُ كيفية بناء أنظمة الذكاء الاصطناعي واستخدامها بأسلوبٍ عادلٍ وشفافٍ وخاضعٍ للمساءلة ومفيدٍ للمجتمع. تعالج قضايا التحيز والخصوصية وأثر الذكاء الاصطناعي على الإنسان.
AI Governance	حوكمة الذكاء الاصطناعي	السياساتٌ واللوائح والإجراءات المؤسسية التي تُنظّم كيفية تطوير الذكاء الاصطناعي واستخدامه داخل الشركات والدول. تضمن نشر الذكاء الاصطناعي بصورةٍ آمنةٍ ومشروعة.
AI Safety	سلامة الذكاء الاصطناعي	مجالُ بحثٍ يُعنى بضمان أن تتصرف أنظمة الذكاء الاصطناعي المتقدمة وفق نواياها ولا تُسبّب أضراراً غير مقصودة. يشمل المحاذاة والمتانة والمخاطر الوجودية بعيدة المدى.
Algorithm	خوارزمية	مجموعةٌ من الخطوات المتسلسلة والمحددة التي يتبعها الحاسوب لحلّ مسألةٍ ما أو إنجاز مهمة بعينها. وفي مجال الذكاء الاصطناعي، تتعلّم الخوارزميات الأنماطَ من البيانات عوضاً عن اتباع قواعد ثابتة مُبرمَجة.
Alignment	المحاذاة	تحدّي ضمان أن تتصرف أنظمة الذكاء الاصطناعي بما يتوافق مع القيم الإنسانية والنوايا الحقيقية لمصمميها. النموذجُ غير المحاذى قد يُحسّن دوالَّ أهداف خاطئة وغير مقصودة.
Anomaly Detection	كشف الشذوذ	تحديدُ نقاط البيانات التي تنحرف انحرافاً ملحوظاً عن بقية المجموعة، كاكتشاف المعاملات الاحتيالية أو الاختراقات الأمنية. يتعلم النموذج ما هو «طبيعي» ويُنبّه عند الخروج عنه.
Artificial Intelligence (AI)	الذكاء الاصطناعي	علمٌ يُعنى ببناء أنظمة حاسوبية قادرة على أداء مهامٍّ تستلزم عادةً ذكاءً بشرياً، كفهم اللغة والتعرف على الصور. وهو المجال الجامع الذي يضمّ تعلُّم الآلة والتعلم العميق وسائر التقنيات المرتبطة به.
Attention Mechanism	آلية الانتباه	تقنيةٌ تُمكّن النموذج من التركيز على أجزاء المدخل الأكثر صلةً بالمخرج المطلوب، كالانتباه إلى كلماتٍ بعينها في الجملة. تُشكّل الابتكار الجوهري الذي يقوم عليه المحوِّل.
Autoencoder	المُرمِّز التلقائي	شبكةٌ عصبية تتعلم ضغط المدخلات إلى تمثيلٍ مضغوط ثم إعادة بنائها منه. يُستخدم في تقليل الأبعاد وكشف الشذوذ وإزالة الضوضاء من البيانات.
Backpropagation	الانتشار الخلفي	خوارزميةٌ تحسب مقدار إسهام كل معاملٍ في الخطأ الكلي، ثم تُحدّثه وفق ذلك بدءاً من طبقة المخرجات وصولاً إلى طبقة المدخلات. تُشكّل هذه الخوارزمية الآليةَ الجوهرية لتعلُّم الشبكات العصبية.
Batch	الدُّفعة	مجموعةٌ صغيرة من عيّنات بيانات التدريب تُعالَج دفعةً واحدة بدلاً من معالجة المجموعة كلها في آنٍ واحد. يُسهم استخدام الدُّفعات في تسريع عملية التدريب وتقليل استهلاك الذاكرة.
Batch Inference	الاستنتاج الدُّفعي	تشغيلُ النموذج على مجموعةٍ كبيرة من البيانات دفعةً واحدة بشكلٍ غير متزامن وتخزين النتائج للاستخدام لاحقاً. يُلائم توليد التوصيات المسبقة أو تسجيل درجات العملاء الدورية.
Batch Normalization	تسوية الدُّفعة	تقنيةٌ تُعيد توحيد مخرجات الطبقة أثناء التدريب لتثبيت عملية التعلم وتسريعها. تُتيح استخدام معدلاتِ تعلمٍ أعلى وتُقلّل حساسية النموذج للقيم الابتدائية للمعاملات.
Benchmark	معيار المقارنة	اختبارٌ موحَّد أو مجموعةُ بياناتٍ قياسية تُستخدم لقياس أداء نماذج الذكاء الاصطناعي ومقارنتها ببعضها. من أبرز الأمثلة عليها: ImageNet في مجال الرؤية الحاسوبية، وGLUE في فهم اللغة الطبيعية.
Boosting	التعزيز	أسلوبٌ تجميعيٌّ يُدرّب النماذج بشكلٍ تسلسلي حيث يُركّز كل نموذجٍ على الأمثلة التي أخطأ فيها سلفه. يُحقق في أغلب الأحوال دقةً عالية جداً في التنبؤ.
Chain-of-Thought (CoT)	التفكير المتسلسل	أسلوبُ تلقينٍ يطلب من النموذج الاستدلالَ خطوةً بخطوة قبل الإدلاء بإجابته النهائية. يُحسّن تحسيناً ملحوظاً دقةَ النموذج في مسائل التفكير المعقدة والرياضيات.
Context Window	نافذة السياق	الحدُّ الأقصى من النص الذي يستطيع النموذج اللغوي استيعابه ومعالجته في آنٍ واحد، ويُقاس بالرموز. المدخلاتُ التي تتجاوز هذا الحدّ تُقتطع ولا يراها النموذج.
Convolutional Neural Network (CNN)	الشبكة العصبية التلافيفية	نوعٌ من الشبكات العصبية مُصمَّم خصيصاً لمعالجة البيانات الشبكية كالصور، يستعين بمرشّحاتٍ لاكتشاف أنماطٍ محلية كالحواف والأشكال. يُمثّل الخيار الأمثل لمعظم مهام الرؤية الحاسوبية.
Corpus	المتن / المدوَّنة	مجموعةٌ ضخمة من النصوص تُستخدم لتدريب النماذج اللغوية أو تقييمها، كمحتوى ويكيبيديا أو مليارات صفحات الويب. كلما اتسعت المدوّنة وتنوعت، كان النموذج أكثر شمولاً وكفاءة.
Cross-Validation	التحقق المتقاطع	تقنيةٌ تختبر النموذج على تقسيماتٍ مختلفة من البيانات للحصول على تقديرٍ موثوق لأدائه الحقيقي. تُقلّل خطر الحظ أو سوء الحظ في التقسيم الواحد وتُعطي صورةً أشمل.
Dataset	مجموعة البيانات	تجميعٌ منظَّم من الأمثلة والمعلومات يُستخدم لتدريب النماذج أو التحقق منها أو اختبارها. يؤثر حجم مجموعة البيانات وجودتها تأثيراً مباشراً في مستوى أداء النموذج.
Decision Tree	شجرة القرار	نموذجٌ يُصدر تنبؤاته من خلال طرح سلسلةٍ من الأسئلة الثنائية (نعم/لا) حول خصائص المدخل. يشبه في شكله المخططَ الانسيابي ويتميز بسهولة القراءة والتفسير من قِبَل البشر.
Decoder	فكّ الترميز	الجزءُ من الشبكة الذي يأخذ التمثيل المُرمَّز ويُولّد منه المخرج النهائي كالنص المُترجَم أو الإجابة المُولَّدة. يُمثّل مرحلة التوليد في هذه المعمارية.
Deep Learning	التعلم العميق	فرعٌ من تعلم الآلة يستخدم شبكاتٍ عصبية ذات طبقاتٍ متعددة لاستيعاب أنماطٍ معقدة من كمياتٍ ضخمة من البيانات. يُشغّل معظم التطبيقات الذكية الحديثة كالترجمة الآلية والتعرف على الوجوه.
Deepfake	المحتوى المزيف العميق	وسائطٌ مزوَّرة اصطناعياً، من فيديو وصوت وصور، تُظهر شخصاً وهو يقول أو يفعل ما لم يفعله فعلاً. تُثير مخاوفَ جدية حيال انتشار المعلومات المضللة وانتهاك الخصوصية.
Diffusion Model	نموذج الانتشار	نموذجٌ تصويريٌّ يتعلم توليد البيانات عبر إزالة الضوضاء تدريجياً من ضجيجٍ عشوائي. يُشغّل أبرز أدوات توليد الصور في العالم كـ DALL-E وStable Diffusion.
Dropout	الإسقاط العشوائي	أسلوبُ تنظيمٍ يعمل على تعطيل بعض العقد عشوائياً أثناء التدريب حتى لا يعتمد النموذج اعتماداً مفرطاً على أيٍّ منها. يُرغم هذا الأسلوبُ الشبكةَ على تعلّم ميزاتٍ أكثر متانةً وشمولاً.
Embedding	التمثيل المتجهي	أسلوبٌ لتمثيل الكلمات أو الجمل أو العناصر على شكل قوائم من الأرقام تعكس معناها الدلالي. تتقارب في هذا الفضاء المفاهيمُ المتشابهة مما يُتيح إجراء العمليات الرياضية على المعنى.
Encoder	المشفِّر	الجزءُ من الشبكة العصبية المسؤول عن تحويل المدخلات الخام كالنص أو الصور إلى تمثيلٍ رقمي مضغوط يحمل معناها. يُمثّل مرحلة الفهم في معمارية الترميز وفك الترميز.
Epoch	الحقبة	تمريرةٌ كاملة على مجموعة بيانات التدريب بأسرها خلال عملية التدريب. تُدرَّب النماذج عادةً على عدة حقبٍ متتالية حتى يتوقف تحسُّن أدائها.
Feature Store	مخزن الميزات	نظامٌ مركزيٌّ لتخزين ميزات التعلم الآلة ومشاركتها بين الفرق والنماذج المختلفة وتقديمها بشكلٍ موحَّد. يضمن تناسقَ الميزات بين مرحلة التدريب وبيئة الإنتاج.
Few-Shot Learning	التعلم بأمثلة قليلة	قدرةُ النموذج على استيعاب مهمةٍ جديدة بمجرد تزويده بأمثلةٍ قليلة وردت ضمن التلقين مباشرةً دون إعادة تدريب. تمتلك نماذج اللغة الكبيرة الحديثة هذه القدرة بشكلٍ طبيعي.
Fine-Tuning	الضبط الدقيق	استكمالُ تدريب نموذجٍ مُدرَّب مسبقاً على مجموعة بياناتٍ أصغر وأكثر تخصصاً لتطوير كفاءته في مهمةٍ محددة. أسرع بكثيرٍ وأقل تكلفةً من إعادة التدريب من الصفر.
Foundation Model	النموذج التأسيسي	نموذجٌ ضخمٌ يُدرَّب على بياناتٍ واسعة وعامة بحيث يمكن تهيئته لأداء مهامٍّ متنوعة عبر الضبط الدقيق أو التلقين. GPT-4 وكلود نماذجُ تأسيسية بامتياز.
Generalization	التعميم	قدرةُ النموذج على الأداء الجيد في مواجهة بياناتٍ جديدة لم يصادفها أثناء التدريب. التعميم الجيد دليلٌ على أن النموذج استوعب الأنماط الحقيقية بدلاً من حفظ الأمثلة حفظاً آلياً.
Generative Adversarial Network (GAN)	الشبكة التوليدية التعاكسية	إطارٌ يتنافس فيه نموذجان: مولّدٌ يُنشئ بياناتٍ اصطناعية، ومُميِّزٌ يكشف الزائف منها، في حلقةٍ تنافسية تدفع الأول نحو مزيدٍ من الواقعية. ولّد هذا الإطار ثورةً في توليد الصور الواقعية.
Generative AI	الذكاء الاصطناعي التوليدي	أنظمةُ ذكاءٍ اصطناعي قادرة على إبداع محتوى جديد من نصٍّ وصورٍ وصوتٍ وشيفرةٍ برمجية، لا مجرد التصنيف أو التنبؤ. ChatGPT وكلود وMidjourney أبرز تجلياتها الحديثة.
GPT (Generative Pre-trained Transformer)	المحوِّل التوليدي المدرَّب مسبقاً	سلسلةٌ من نماذج اللغة الكبيرة التي طوّرتها OpenAI مستندةً إلى معمارية المحوِّل. تُدرَّب على التنبؤ بالنص وتوليده، وتُشغّل الواجهة الشهيرة ChatGPT.
Gradient Descent	الانحدار التدريجي	خوارزميةُ تحسينٍ تعمل على ضبط معاملات النموذج خطوةً بخطوة في الاتجاه الذي يُقلل الخسارة. وهي المحرّك الأساسي الذي يُمكّن معظم نماذج الذكاء الاصطناعي من التعلم.
Grounding	التأريض / الربط بالواقع	ربطُ استجابات النموذج اللغوي بمعلوماتٍ واقعية موثوقة للحدّ من الهلوسة. يُعدّ التوليد المعزز بالاسترجاع RAG من أشهر أساليب التأريض.
Guardrails	الضوابط / الحواجز	قواعدٌ وفلاترٌ تُطبَّق على مخرجات الذكاء الاصطناعي للحيلولة دون إنتاج محتوى ضار أو متحيز أو خارج نطاق الموضوع. قد تكون مُدمَجةً في النموذج أو طبقةَ معالجةٍ لاحقة.
Hallucination	الهلوسة	ظاهرةٌ يُولّد فيها النموذج اللغوي معلوماتٍ خاطئة أو مخترعة بثقةٍ تامة كأنها حقيقة راسخة. تُعدّ من أبرز التحديات التي تواجه نماذج اللغة الكبيرة وتستوجب التحقق من مخرجاتها.
Image Classification	تصنيف الصور	تعيينُ تسميةٍ واحدة لصورةٍ كاملة، كتحديد ما إذا كانت الصورة تحتوي قطةً أو كلباً. يُعدّ من المهام التأسيسية في رؤية الحاسوب.
Image Generation	توليد الصور	إنتاجُ صورٍ جديدة بواسطة نماذج الذكاء الاصطناعي من الصفر أو استناداً إلى وصفٍ نصي. أدواتٌ كـ Midjourney وDALL-E تُجسّد هذه التقنية بشكلٍ لافت.
In-Context Learning	التعلم من السياق	قدرةُ النموذج على استيعاب مهمةٍ جديدة من أمثلةٍ مدرجة ضمن التلقين مباشرةً دون تعديل أوزانه. التعلمُ بأمثلة قليلة وبدون أمثلة شكلان من أشكاله.
Inference	الاستنتاج	توظيفُ النموذج المُدرَّب للتنبؤ ببيانات جديدة، وهو مرحلة التشغيل الفعلية التي تعقب انتهاء التدريب. وهذا ما يجري في كلّ مرة يستخدم فيها المستخدم منتجاً مدعوماً بالذكاء الاصطناعي.
Inference Pipeline	خط أنابيب الاستنتاج	التسلسلُ الكامل من الخطوات اللازمة لتحويل المدخلات الخام إلى تنبؤٍ نهائي في بيئة الإنتاج، شاملاً المعالجة الأوليه والبعدية. ينبغي أن يكون سريعاً وموثوقاً في آنٍ واحد.
Input / Output	المدخلات / المخرجات	المدخلاتُ هي البيانات التي تُقدَّم إلى النموذج، أما المخرجات فهي النتيجة التي يُصدرها. فمثلاً، قد تكون المدخلات صورةً فتكون المخرجات كلمةً كـ«قطة» أو «كلب».
K-Means Clustering	تجميع كي-ميانز	خوارزميةٌ غير خاضعة للإشراف تُجمّع البيانات في K مجموعاتٍ بإيجاد مركز كل مجموعة وتكرار العملية حتى الاستقرار. يختار المستخدم عدد المجموعات ابتداءً وتتولى الخوارزمية توزيع النقاط عليها.
K-Nearest Neighbors (KNN)	أقرب K جيران	خوارزميةٌ بسيطة تُصنّف نقطةً جديدة استناداً إلى الفئة السائدة بين K نقطةٍ أقرب إليها في بيانات التدريب. تتميز بسهولة الفهم غير أنها تُصبح بطيئةً مع المجموعات الكبيرة من البيانات.
Knowledge Distillation	تقطير المعرفة	تدريبُ نموذجٍ صغير «طالب» لمحاكاة سلوك نموذجٍ كبير «معلم» ونقل معرفته إليه. ينتج نماذجَ مدمجة سريعة دون التضحية بقدرٍ كبير من الدقة.
Label	التسمية / الهدف	الإجابةُ الصحيحة المرتبطة بمثالٍ في بيانات التدريب، والتي يتعلّم النموذج من خلالها ما يجب إنتاجه من مخرجات. فعلى سبيل المثال، تصنيف بريدٍ إلكتروني بـ«بريد مزعج» يساعد النموذج على التعرف على مثيله.
Language Model	نموذج اللغة	نموذجٌ يتعلم التوزيع الاحتمالي للتسلسلات اللغوية بحيث يستطيع التنبؤ بالكلمة التالية المرجَّحة. يُولّد النص بالتنبؤ بالرمز تلو الآخر.
Large Language Model (LLM)	نموذج اللغة الكبير	نموذجٌ لغويٌّ ضخم يُدرَّب على كمياتٍ هائلة من النصوص بمليارات المعاملات أو أكثر. GPT-4 وكلود وجيميناي من أبرز الأمثلة عليه.
Latency	زمن الاستجابة	الوقتُ المنقضي بين إرسال الطلب إلى النموذج وتلقّي استجابته. يُعدّ انخفاضه أمراً بالغ الأهمية للتطبيقات الآنية كروبوتات المحادثة والمساعدين الصوتيين.
Layer	الطبقة	مجموعةٌ من العقد في الشبكة العصبية تعالج المعلومات معاً قبل تمريرها إلى الطبقة التالية. تتكون الشبكات من طبقة مدخلاتٍ وطبقاتٍ خفية وطبقة مخرجات.
Learning Rate	معدل التعلم	إعدادٌ يتحكّم في حجم كل خطوةٍ من خطوات ضبط المعاملات أثناء التدريب. إذا كان المعدل مرتفعاً جداً أفضى إلى عدم الاستقرار، وإذا كان منخفضاً جداً استغرق التدريب وقتاً طويلاً جداً.
Linear Regression	الانحدار الخطي	خوارزميةٌ تُنمذج العلاقة الخطية بين الميزات والمتغير المستهدف ذي القيمة المستمرة كالأسعار ودرجات الحرارة. تُعدّ من أبسط أساليب التعلم الآلي وأيسرها تفسيراً.
Logistic Regression	الانحدار اللوجستي	رغم اسمه، فهو خوارزميةُ تصنيفٍ تتنبأ باحتمال انتماء مدخلٍ إلى فئةٍ ما وتُخرج قيمةً بين الصفر والواحد. يُستخدم على نطاقٍ واسع في مهام التصنيف الثنائي.
Loss Function	دالة الخسارة	صيغةٌ رياضية تقيس مدى بُعد تنبؤات النموذج عن الإجابات الصحيحة. هدف التدريب هو تقليل هذه الخسارة قدر الإمكان للحصول على نموذجٍ أكثر دقة.
LSTM (Long Short-Term Memory)	الذاكرة قصيرة وطويلة المدى	نوعٌ متطور من الشبكات العصبية المتكررة قادرٌ على تذكّر المعلومات عبر تسلسلاتٍ طويلة، ويتجاوز مشكلة تلاشي التدرج. استُخدم على نطاقٍ واسع في مهام اللغة قبل ظهور المحوّل.
Machine Translation	الترجمة الآلية	ترجمةُ النصوص من لغةٍ إلى أخرى آلياً بواسطة نماذج الذكاء الاصطناعي. Google Translate وDeepL من أبرز التطبيقات المعروفة في هذا المجال.
MCP (Model Context Protocol)	بروتوكول سياق النموذج	معيارٌ مفتوحٌ يُحدد الطريقةَ الموحدة لربط نماذج الذكاء الاصطناعي بالأدوات ومصادر البيانات الخارجية. يُبسّط بناء وكلاء ذكيين تتفاعل مع خدماتٍ متعددة.
MLOps	عمليات تعلم الآلة	منهجياتٌ وأدواتٌ تُؤتمت نشر نماذج التعلم الآلي ومراقبتها وإدارة دورة حياتها في بيئات الإنتاج. تُطبّق مبادئ DevOps على مشاريع التعلم الآلي لضمان الاستمرارية والجودة.
Model	النموذج	تمثيلٌ رياضيٌّ يُدرَّب على البيانات ليتمكن من إصدار تنبؤات أو اتخاذ قرارات حيال مدخلاتٍ جديدة لم يرها من قبل. يمكن تشبيهه بـ«العقل» الذي تعلّم من الأمثلة واستوعب أنماطها.
Model Card	بطاقة النموذج	وثيقةٌ موجزة تصف نموذجَ التعلم الآلي: استخداماته المقصودة وأداءه وقيوده واعتباراته الأخلاقية. تُعين المستخدمين على اتخاذ قراراتٍ مستنيرة حول توظيف النموذج.
Model Deployment	نشر النموذج	إتاحةُ النموذج المُدرَّب للتطبيقات والمستخدمين لاستخدامه في إصدار تنبؤاتٍ فعلية في العالم الحقيقي. يُجسّر الهوةَ بين النموذج في بيئة البحث وتطبيقه المنتج الحيّ.
Model Drift	انجراف النموذج	تراجعُ دقة تنبؤات النموذج تدريجياً لأن الواقع تغيّر منذ تدريبه الأخير. المراقبةُ الدورية وإعادة التدريب المنتظمة الدواءُ الأنجع لهذه الظاهرة.
Model Monitoring	مراقبة النموذج	تتبعٌ مستمرٌّ لأداء النموذج المنشور في الإنتاج للكشف المبكر عن أي تراجعٍ في جودة تنبؤاته. يُنبّه الفريقَ حين يتدهور الأداء ليُعاد التدريب في الوقت المناسب.
Model Quantization	تكميم النموذج	تقليلُ دقة الأرقام داخل النموذج من 32 بت إلى 8 بت مثلاً، مما يُخفّف حجمه ويُسرّع تنفيذه. يُتيح تشغيل النماذج الكبيرة على أجهزةٍ ذات موارد محدودة.
Model Registry	سجل النماذج	منصةٌ مركزيةٌ لتخزين النماذج المُدرَّبة وتتبع إصداراتها وبياناتها الوصفية. تُمكّن الفرق من إدارة النماذج ومعرفة أيّها يعمل في الإنتاج بدقة.
Multimodal AI	الذكاء الاصطناعي متعدد الوسائط	نماذجُ ذكاءٍ اصطناعي تستطيع معالجة أنواعٍ مختلفة من البيانات في آنٍ واحد كالنص والصور والصوت. GPT-4o وجيميناي أبرز الأمثلة على هذا التوجه.
Naive Bayes	بايز الساذج	مُصنِّفٌ احتمالي يستند إلى نظرية بايز مع افتراض استقلالية جميع الميزات بعضها عن بعض. يتميز بسرعته وبساطته ويُبلي بلاءً حسناً في مهام تصنيف النصوص.
Named Entity Recognition (NER)	التعرف على الكيانات المسمَّاة	تحديدُ الكيانات المُسمَّاة في النص وتصنيفها آلياً، كالأشخاص والمنظمات والمواقع الجغرافية. مثلاً، التعرف على «الرياض» كمدينةٍ و«أرامكو» كمنظمة.
Natural Language Processing (NLP)	معالجة اللغة الطبيعية	فرعٌ من فروع الذكاء الاصطناعي يُعنى بتمكين الحواسيب من فهم اللغة الإنسانية وتوليدها. يُغذّي هذا الفرع محرّكات البحث والمترجمات الآلية والمساعدات الصوتية.
Neural Network	الشبكة العصبية	نموذجٌ حسابيٌّ مُستلهَم بشكلٍ فضفاض من بنية الدماغ البشري، يتكون من طبقاتٍ من العقد المترابطة. تتعلم كل طبقةٍ أنماطاً أعلى تجريداً مما سبقها.
Neuron / Node	الخلية العصبية / العقدة	الوحدةُ الأساسية في الشبكة العصبية التي تستقبل مدخلاتٍ وتُجري عليها عمليةً حسابية وتُمرّر الناتج للأمام. تحاكي بشكلٍ مبسَّط عمل الخلية العصبية البيولوجية في الدماغ.
Optical Character Recognition (OCR)	التعرف الضوئي على الحروف	تحويلُ صور النصوص كالمستندات الممسوحة ضوئياً أو اللافتات المصوَّرة إلى نصٍّ رقمي قابل للتعديل والبحث. يُتيح هذا البحثَ داخل ملفات PDF الممسوحة ضوئياً.
Optimization	التحسين	عمليةُ ضبط معاملات النموذج للحدّ من دالة الخسارة وتحقيق أعلى مستوى ممكن من الدقة. تُعدّ خوارزمية الانحدار التدريجي وآدم من أبرز الأساليب المستخدمة في هذا الغرض.
Orchestration (AI)	تنسيق عمليات الذكاء الاصطناعي	تنسيقُ مكوناتٍ ذكية متعددة من استدعاءاتٍ للنماذج وأدواتٍ واسترجاعٍ للذاكرة في سيرٍ عملٍ منظّم لإنجاز مهامٍّ معقدة. إطاراتٌ كـ LangGraph وCrewAI تُتولى هذه المهمة.
Overfitting	الإفراط في التوافق	ظاهرةٌ يحفظ فيها النموذج بيانات التدريب بما تتضمنه من ضوضاء ودقائق، فيُخفق في التعميم على بياناتٍ جديدة. النموذج في هذه الحالة يحفظ لا يتعلم، ويستظهر لا يفهم.
Parameter	المعامل	قيمةٌ عددية داخل النموذج تُعدَّل أثناء التدريب بهدف تحسين دقة التنبؤات. تمتلك النماذج الكبيرة كـ GPT-4 مئات المليارات من هذه المعاملات.
Pooling	التجميع المكاني	طبقةٌ في الشبكات التلافيفية تُلخّص المناطق وتُقلّص أبعاد خرائط الميزات مما يُخفف الحسابات ويُقوّي متانة النموذج. يحتفظ التجميع الأقصى بأقوى إشارةٍ في كل منطقة.
Pre-training	التدريب المسبق	المرحلةُ الأولى التي يُدرَّب فيها النموذج على مجموعةٍ بياناتٍ ضخمة وعامة لاستيعاب الأنماط اللغوية الأساسية. تُعدّ أكثر المراحل تكلفةً حسابياً قبل الانتقال إلى الضبط الدقيق.
Prediction	التنبؤ	الإجابةُ التي يُصدرها نموذج الذكاء الاصطناعي حين يعالج بيانات جديدة. قد تكون هذه الإجابة فئةً معينة أو رقماً أو نصاً مُولَّداً بحسب طبيعة المهمة.
Privacy	الخصوصية	ضمانُ عدم تسريب أنظمة الذكاء الاصطناعي للمعلومات الشخصية الحساسة أو سوء توظيفها أو حفظها دون إذن. تُلزم لوائح كالـ GDPR بتطبيق اشتراطات الخصوصية في أنظمة الذكاء الاصطناعي.
Prompt	التلقين / الموجِّه	النصُّ أو التعليمات التي تُقدَّم إلى النموذج اللغوي لتوجيه استجابته. جودةُ التلقين تؤثر تأثيراً بالغاً في جودة المخرجات التي يُنتجها النموذج.
Prompt Engineering	هندسة التلقين	فنُّ صياغة تلقيناتٍ فعّالة ومُتقنة للحصول على أفضل مخرجاتٍ ممكنة من نموذج الذكاء الاصطناعي. تشمل تقنياتها: تقديم الأمثلة، وتحديد الدور، وأسلوب التفكير المتسلسل.
Real-Time Inference	الاستنتاج في الوقت الفعلي	معالجةُ النموذج لكل طلبٍ فور وصوله وإرجاع التنبؤ في أجزاءٍ من الثانية. ضروريٌّ للتطبيقات التي لا تتحمّل التأخير كالكشف عن الاحتيال والمحادثة الآنية.
Recommendation System	نظام التوصيات	نظامٌ ذكيٌّ يقترح على المستخدم عناصر تناسب اهتماماته بناءً على سلوكه السابق أو تشابهه مع مستخدمين آخرين. توصيات Netflix وأمازون من أبرز الأمثلة العملية عليه.
Recurrent Neural Network (RNN)	الشبكة العصبية المتكررة	شبكةٌ عصبية مُصمَّمة للتعامل مع البيانات المتسلسلة كالنصوص والسلاسل الزمنية، إذ تُغذّي مخرجات الخطوة السابقة إلى الخطوة التالية. تمتلك بذلك شكلاً من أشكال الذاكرة عبر التسلسل.
Regularization	التنظيم	مجموعةٌ من الأساليب التي تُطبَّق أثناء التدريب للحدّ من ظاهرة الإفراط في التوافق وجعل النموذج أكثر قدرةً على التعميم. تشمل هذه الأساليب الإسقاطَ العشوائي وتنظيم L2.
Reinforcement Learning	التعلم بالتعزيز	نمطٌ يتعلم فيه وكيلٌ ذكيٌّ باتخاذ قراراتٍ في بيئته والحصول على مكافآتٍ أو عقوباتٍ مقابل كل إجراء. تُستعمل هذه التقنية في تدريب الذكاء الاصطناعي على ألعاب الشطرنج وقيادة السيارات.
Responsible AI	الذكاء الاصطناعي المسؤول	إطارٌ لتطوير الذكاء الاصطناعي ونشره يُعلي من شأن المبادئ الأخلاقية والعدالة والشفافية والنفع الاجتماعي. يتجاوز مجرد الأداء التقني ليشمل الأثر الإنساني الأشمل.
Retraining	إعادة التدريب	تحديثُ النموذج بتدريبه من جديد على بياناتٍ حديثة أو إضافية لاستعادة أدائه أو تحسينه. عمليةٌ دوريةٌ لا غنى عنها في أنظمة الذكاء الاصطناعي الإنتاجية.
Retrieval-Augmented Generation (RAG)	التوليد المعزز بالاسترجاع	تقنيةٌ تدمج نظام البحث مع النموذج اللغوي لتمكينه من الإجابة استناداً إلى وثائقك الخاصة. تُقلّص الهلوسةَ وتُرسّخ الإجاباتَ في حقائق موثّقة ومسترجَعة.
RLHF (Reinforcement Learning from Human Feedback)	التعلم بالتعزيز من التغذية الراجعة البشرية	تقنيةٌ لمحاذاة النماذج اللغوية مع التفضيلات البشرية بتدريبها على تقييماتٍ بشرية لمخرجاتٍ مختلفة. تُمثّل ركيزةً محوريةً في تحويل ChatGPT وكلود إلى مساعدَين مفيدَين وآمنَين.
Self-Attention	الانتباه الذاتي	نوعٌ من الانتباه يُتيح لكل جزءٍ من المدخل الاطلاع على سائر أجزائه لفهم السياق والعلاقات البينية. يُمكّن النموذج من إدراك كيفية تأثير الكلمات بعضها في بعض داخل الجملة.
Self-Supervised Learning	التعلم الذاتي الإشراف	أسلوبٌ يُولّد فيه النموذج تسمياتٍ خاصة به انطلاقاً من البيانات الخام دون الحاجة إلى توسيمٍ بشري، كالتنبؤ بالكلمة التالية في جملة. يُشكّل هذا الأسلوب الركيزةَ الأساسية لتدريب نماذج اللغة الكبيرة الحديثة.
Semantic Search	البحث الدلالي	أسلوبُ بحثٍ يفهم المعنى الحقيقي للاستعلام لا مجرد الكلمات المتطابقة، مستعيناً بالتمثيلات المتجهية. يُتيح العثور على نتائجٍ متعلقة مفاهيمياً بالسؤال حتى دون تطابقٍ لفظي.
Semi-Supervised Learning	التعلم شبه الخاضع للإشراف	نهجٌ يمزج بين التعلم الخاضع للإشراف وغير الخاضع له، إذ يستخدم قدراً محدوداً من البيانات الموسومة وكميةً كبيرة من البيانات غير الموسومة. يُفيد حين يكون الحصول على بياناتٍ موسومة مكلفاً أو شاقاً.
Sentiment Analysis	تحليل المشاعر	توظيفُ معالجة اللغة الطبيعية لتحديد ما إذا كان النص يعبّر عن مشاعر إيجابية أو سلبية أو محايدة. تستخدمه الشركات لتحليل آراء العملاء في منصات التواصل الاجتماعي بشكلٍ آلي.
Shadow Mode	وضع الظل	تشغيلُ النموذج الجديد بالتوازي مع النموذج الإنتاجي دون تفعيل مخرجاته، بهدف المقارنة الصامتة. يُتيح التحقق من النموذج الجديد بأمانٍ قبل الإحلال الكامل.
Supervised Learning	التعلم الخاضع للإشراف	نمطٌ من التعلم يُدرَّب فيه النموذج على بياناتٍ مُوسومة تتضمن الإجابات الصحيحة المعروفة مسبقاً. من تطبيقاته الشائعة: الكشف عن البريد المزعج، والتنبؤ بأسعار المنازل.
Support Vector Machine (SVM)	آلة المتجهات الداعمة	خوارزميةُ تصنيفٍ تبحث عن أفضل حدٍّ فاصل بين فئتين من البيانات يُعظّم المسافة بينهما. تُؤدي أداءً ممتازاً على مجموعات البيانات الصغيرة ذات الحدود الواضحة.
System Prompt	الموجِّه الجهازي	تعليماتٌ تُقدَّم إلى النموذج اللغوي قبل رسالة المستخدم لتحديد سلوكه ودوره وحدود استجاباته. مثلاً، إخبار النموذج بالرد دائماً بالعربية والتصرف كمحلل بياناتٍ خبير.
Text Classification	تصنيف النصوص	تعيينُ فئاتٍ محددة مسبقاً للنصوص آلياً، كتصنيف رسائل الدعم حسب موضوعها أو تمييز البريد المزعج. يُعدّ من أكثر مهام معالجة اللغة الطبيعية شيوعاً.
Text Generation	توليد النصوص	إنتاجُ نصٍّ جديدٍ ومتسقٍ بواسطة النموذج اللغوي استجابةً لتلقينٍ أو سياقٍ معين. يُغذّي هذا التطبيقُ روبوتات المحادثة ومساعدي كتابة المحتوى ومولّدات الشيفرة البرمجية.
Throughput	الإنتاجية	عدد الطلبات أو الرموز التي يستطيع النموذج معالجتها في الثانية الواحدة. تُحدد مقدار المستخدمين الذين يستطيع النظام خدمتهم في آنٍ واحد.
Token	الرمز اللغوي	الوحدةُ الأساسية من النص التي يعالجها النموذج اللغوي، وقد تكون كلمةً كاملة أو جزءاً منها. تحدّد نماذج اللغة عدد الرموز الأقصى الذي تستطيع معالجته في طلبٍ واحد.
Tokenization	التحليل إلى رموز	تقسيمُ النص إلى وحداتٍ أصغر تُسمى رموزاً، قد تكون كلماتٍ أو أجزاء كلمات أو حروفاً، قبل إدخاله إلى النموذج. فكلمةٌ كـ«التعلم» قد تُقسَّم إلى رموزٍ فرعية متعددة.
Tokens Per Second (TPS)	الرموز في الثانية	مقياسٌ لسرعة توليد النموذج اللغوي للرموز في المخرجات. يؤثر هذا المقياس تأثيراً مباشراً في تجربة المستخدم؛ فارتفاعه يعني استجاباتٍ أسرع وتجربةً أفضل.
Training	التدريب	العمليةُ التي يُغذَّى فيها النموذجُ بالبيانات كي يستوعب أنماطها ويضبط معاملاته الداخلية. وكلما كانت البيانات أوفر وأجود، كان النموذج أكثر دقةً وكفاءةً في أدائه.
Transfer Learning	التعلم بالنقل	إعادةُ توظيف نموذجٍ مُدرَّب مسبقاً على مهمةٍ واسعة كأساسٍ لتعلّم مهمةٍ أخرى مختلفة لكنها ذات صلة. يوفّر هذا الأسلوب وقتاً وبياناتٍ كبيرة مقارنةً بالتدريب من الصفر.
Transformer	المحوِّل	بنيةٌ عصبية تعالج جميع أجزاء المدخل في آنٍ واحد مستعينةً بآلية الانتباه بدلاً من المعالجة التسلسلية. أحدث ثورةً في الذكاء الاصطناعي وأصبح أساساً لجميع نماذج اللغة الكبيرة.
Underfitting	قصور التوافق	ظاهرةٌ يعجز فيها النموذج البسيط عن استيعاب الأنماط الكامنة في البيانات فيُضعف أداؤه حتى على بيانات التدريب ذاتها. يحتاج النموذج هنا إلى مزيدٍ من التعقيد أو ميزاتٍ أفضل.
Unsupervised Learning	التعلم غير الخاضع للإشراف	نمطٌ من التعلم يكتشف فيه النموذج أنماطاً وتجمعاتٍ خفية داخل بياناتٍ غير مُوسومة دون توجيهٍ مسبق. تجميع العملاء في شرائح متجانسة وكشف الشذوذ من أبرز تطبيقاته.
Variational Autoencoder (VAE)	المُرمِّز التلقائي التنويعي	نموذجٌ توليديٌّ يُرمّز المدخلات إلى توزيعٍ احتمالي بدلاً من نقطةٍ ثابتة، ثم يأخذ عينةً منه لتوليد بياناتٍ جديدة. يُستخدم على نطاقٍ واسع في توليد الصور والصوت.
Vector Database	قاعدة بيانات المتجهات	قاعدةُ بياناتٍ متخصصة في تخزين التمثيلات المتجهية والبحث السريع فيها بالتشابه الدلالي. تُعدّ مكوناً جوهرياً في أنظمة التوليد المعزز بالاسترجاع والبحث الدلالي.
Weights	الأوزان	القيمُ العددية الداخلية في النموذج التي تختزن ما اكتسبه من معرفة خلال التدريب، وتُحدّد طريقة تحويل المدخلات إلى مخرجات. تُعدَّل هذه الأوزان باستمرار حتى يبلغ النموذج أفضل أدائه.
Word Embeddings	تمثيلات الكلمات المتجهية	تمثيلُ الكلمات على شكل متجهاتٍ رقمية كثيفة تعكس معناها ودلالاتها، بحيث تتقارب الكلماتُ المتشابهة في الفضاء المتجهي. Word2Vec وGloVe من أشهر الأمثلة الكلاسيكية.
Zero-Shot Learning	التعلم الصفري	قدرةُ النموذج على أداء مهامٍّ لم يُدرَّب عليها صراحةً، مستعيناً بالمعرفة العامة التي اكتسبها خلال مرحلة التدريب الأولى. تُجسّد هذه القدرة ميزةً جوهرية في النماذج اللغوية الكبيرة الحديثة.

وش تدور عليه؟