صيدا سيتي

هي عملية تزويد النموذج بكميات هائلة من الأمثلة والبيانات، لتمكينه من استيعاب الأنماط المتكررة واستنباط القواعد منها: 

1. تحديد الهدف (Defining the Goal): قبل البدء، يجب تحديد ما نريد من النموذج فعله. هل نريد منه التعرف على الوجوه؟ أم ترجمة النصوص؟
- مثال: هدفنا هو بناء نموذج يميز بين صور "القطط" و"الكلاب".

2. جمع البيانات الضخمة (Data Collection): هذه هي "الأمثلة الهائلة" المذكورة في نصك. يحتاج النموذج إلى آلاف أو ملايين الصور ليراها.
- مثال: جمع 100,000 صورة متنوعة لقطط وكلاب بمختلف الألوان والأحجام.

3. تنظيف البيانات وتجهيزها (Data Pre-processing): البيانات الخام تكون "متسخة" أو غير منظمة. نقوم هنا بتوحيد المقاسات وإزالة الصور غير الواضحة.
- مثال: التأكد من أن جميع الصور بنفس الدقة (مثلاً $224 \times 224$ بكسل).

4. وسم البيانات (Labeling): إخبار النموذج بما يراه في كل مثال. هذا هو "التعليم الإرشادي".
- مثال: نضع بطاقة (Tag) على صورة القطة تقول "هذه قطة" وللكلب "هذا كلب".

5. اختيار الخوارزمية (Choosing the Architecture): اختيار الهيكل الرياضي الذي سيقوم بالتعلم، مثل الشبكات العصبية العميقة.
- مثال: استخدام شبكة عصبية تلافيفية (CNN) المتخصصة في تحليل الصور.

6. استيعاب الأنماط (Pattern Recognition): يبدأ النموذج بالنظر إلى الصور "كمصفوفات أرقام" ويبحث عن فروقات (الأنماط).
- مثال: يكتشف النموذج أن "الآذان المثلثة" نمط يتكرر غالباً مع تسمية "قطة"، و"الآذان المتدلية" مع "كلب".

7. استنباط القواعد (Feature Extraction): هنا يحول النموذج الأنماط إلى قواعد رياضية مخفية تسمى "الأوزان".
- مثال: يستنبط القاعدة التالية: (إذا كان شكل العين لوزي + الجسم صغير = احتمال 90% أنها قطة).

8. مرحلة الاختبار والخطأ (Loss Function): في البداية يخطئ النموذج كثيراً. يرى كلباً ويقول "قطة". نقوم هنا بحساب الفجوة بين إجابته والحقيقة.
- مثال: النموذج يقول عن صورة كلب أنها "قطة"، فتخبره الخوارزمية: "خطأ، عدل حساباتك!".

9. التحديث والتحسين (Optimization): يقوم النموذج بتعديل قواعده الداخلية (الأوزان) لتقليل الخطأ في المرة القادمة.
- مثال: يقوم النظام بتحديث "فهمه" لشكل الأنف ليفرق بشكل أدق بين الفصيلتين.

10. النموذج الجاهز (Deployment): بعد تكرار العملية ملايين المرات، يصبح لدينا "نموذج مدرب" قادر على معرفة الحيوان في صورة لم يرها من قبل أبداً.
- مثال: ترفع له صورة كلبك الخاص، فيتعرف عليه فوراً كـ "كلب" بناءً على الأنماط التي استنبطها سابقاً.

خلاصة تطبيقية: 
تدريب الذكاء الاصطناعي يشبه تعليم طفل التمييز بين الفواكه؛ أنت لا تشرح له "علم النبات"، بل تريه 100 تفاحة و100 برتقالة، وعقله هو من يستنبط تلقائياً أن التفاح أحمر وأملس، بينما البرتقال برتقالي وذو ملمس محبب.