الفصل الأول: 

أنواع البيانات التي يفهمها الذكاء الاصطناعي

من النصوص إلى الصور: لغات البيانات المختلفة التي يتحدثها الذكاء الاصطناعي.

تخيل أنك تحاول التحدث مع شخص لا يتكلم لغتك. سيكون الأمر صعباً، أليس كذلك؟ الذكاء الاصطناعي كذلك لديه "لغات" مختلفة يفهمها ويتعامل معها. هذه اللغات هي في الواقع أنواع مختلفة من البيانات. وكل نوع له طريقته الخاصة في إيصال المعلومة للذكاء الاصطناعي، ليتمكن الأخير من التعلم والقيام بمهام متنوعة.

دعنا نلقي نظرة على أهم هذه الأنواع:

البيانات النصية (Text Data): 

هذه هي ببساطة الكلمات والجمل والمقالات التي نقرأها ونكتبها. الذكاء الاصطناعي يمكنه قراءة وفهم وتحليل كميات هائلة من النصوص.

• أمثلة الاستخدام:
  • روبوتات الدردشة (Chatbots): عندما تتحدث مع روبوت الدعم الفني على موقع ما، هو يستخدم البيانات النصية لفهم أسئلتك والرد عليها.
  • ملخصات المقالات: أنظمة الذكاء الاصطناعي التي يمكنها قراءة مقال طويل وتقديم ملخص موجز له في بضع جمل.

التعمق في البيانات النصية (Text Data): "لسان" الذكاء الاصطناعي!

البيانات النصية هي العمود الفقري للكثير من تطبيقات الذكاء الاصطناعي التي نتفاعل معها يومياً. تخيل كل الكلمات التي تُكتب على الإنترنت: المقالات، التغريدات، رسائل البريد الإلكتروني، التعليقات، الكتب، هذه كلها بيانات نصية! لكن كيف يفهمها الذكاء الاصطناعي الذي لا يمتلك عقلاً بشرياً؟

المفتاح هنا هو ما يُعرف بـ "معالجة اللغات الطبيعية" (Natural Language Processing - NLP). هذه تقنية تسمح للذكاء الاصطناعي ليس فقط بقراءة الكلمات، بل بفهم المعنى والسياق والعلاقات بين الكلمات. الأمر أشبه بأن يتعلم طفل صغير ليس فقط نطق الحروف، بل فهم القصص التي تُروى له.

دعنا نأخذ أمثلة الاستخدام التي ذكرناها ونشرح كيف يعمل الـ NLP فيها:

1. روبوتات الدردشة (Chatbots): عندما تسأل روبوت الدردشة سؤالاً مثل: "أين طلبي؟"، لا يرى الروبوت مجرد ثلاث كلمات. بل يمر سؤاله بعدة مراحل:
   • تحليل الكلمات (Tokenization): يقسم الجملة إلى كلمات أو "رموز" منفصلة.
   • فهم النية (Intent Recognition): يحاول الروبوت فهم "نية" سؤالك. هل تسأل عن حالة طلب، أم تريد إلغاء طلب، أم لديك شكوى؟ باستخدام كميات هائلة من بيانات المحادثات السابقة التي تدرب عليها، يتعلم الروبوت ربط كلمات معينة بنيات معينة.
   • استخلاص الكيانات (Named Entity Recognition - NER): إذا قلتَ "أريد إلغاء الطلب رقم 12345"، يتعرف الروبوت على "12345" كرقم طلب محدد، وليس مجرد رقم عشوائي.
   • توليد الاستجابة (Response Generation): بعد فهم ما تريده، يقوم الروبوت بتوليد إجابة مناسبة لك، والتي تكون أيضاً نصاً!
2. ملخصات المقالات (Article Summarization): هذه ميزة مذهلة حقاً! فبدلاً من قراءة مقال طويل، يمكن للذكاء الاصطناعي أن يقدم لك خلاصته. كيف يفعل ذلك؟
   • فهم الموضوعات الرئيسية: يحلل الذكاء الاصطناعي المقال لتحديد الجمل والفقرات الأكثر أهمية والتي تحتوي على المعلومات الأساسية.
   • تحديد الكلمات المفتاحية: يبحث عن الكلمات والعبارات التي تتكرر كثيراً أو تعتبر محورية لموضوع المقال.
   • بناء الملخص: يمكنه إما استخلاص الجمل المهمة كما هي (وهذا ما يُعرف بالتلخيص الاستخلاصي Extractive Summarization)، أو إعادة صياغة المعلومات الرئيسية بجمل جديدة تماماً (وهذا يُسمى التلخيص التجريدي Abstractive Summarization، وهو أكثر تعقيداً).

أمثلة إضافية مهمة للبيانات النصية:

• الترجمة الآلية (Machine Translation): عندما تستخدم Google Translate لتحويل نص من لغة إلى أخرى، فأنت تستفيد من الذكاء الاصطناعي الذي تدرب على مليارات الجمل المترجمة.
• تحليل المشاعر (Sentiment Analysis): يمكن للذكاء الاصطناعي قراءة مراجعات المنتجات أو تغريدات الناس وتحديد ما إذا كانت النبرة إيجابية، سلبية، أو محايدة. هذا يساعد الشركات على فهم آراء العملاء.
• تصفية البريد المزعج (Spam Filtering): نظام البريد الإلكتروني الخاص بك يستخدم الذكاء الاصطناعي لتحليل محتوى الرسائل وتحديد ما إذا كانت رسائل مزعجة أو ضارة، ويضعها في مجلد البريد غير الهام.

باختصار، البيانات النصية هي الوقود الذي يشغل قدرة الذكاء الاصطناعي على فهم لغتنا والتواصل بها، مما يفتح الباب أمام عدد لا يحصى من التطبيقات المفيدة.

البيانات المرئية (Visual Data): 

تشمل الصور ومقاطع الفيديو. هذه البيانات غنية جداً بالمعلومات المرئية التي يمكن للذكاء الاصطناعي تحليلها.

• أمثلة الاستخدام:
  • التعرف على الوجوه: أنظمة فتح الهاتف بالوجه، أو الكاميرات الأمنية التي تتعرف على الأشخاص.
  • تصنيف المنتجات: في المتاجر الإلكترونية، يمكن للذكاء الاصطناعي تصنيف المنتجات بناءً على صورها (مثلاً: "هذا حذاء رياضي"، "هذه فستان").

التعمق في البيانات المرئية (Visual Data): "عيون" الذكاء الاصطناعي!

البيانات المرئية هي كل ما تراه عيوننا: الصور الثابتة، الصور المتحركة (الفيديو)، وحتى الرسوم البيانية والأشكال. تخيل كمية المعلومات الهائلة التي يحتوي عليها مشهد واحد: الألوان، الأشكال، الوجوه، الأشياء، الحركة، والإضاءة. بالنسبة للذكاء الاصطناعي، فهم هذه المعلومات المعقدة هو تحدٍ كبير يتطلب تقنيات متطورة.

هنا يأتي دور ما يُسمى بـ "الرؤية الحاسوبية" (Computer Vision). هذا المجال هو بمثابة تعليم الآلة كيف "ترى" وتفهم الصور ومقاطع الفيديو تماماً كما يفعل البشر، أو حتى أفضل منهم في بعض الأحيان!

دعنا نأخذ أمثلة الاستخدام التي ذكرتها ونشرح كيف تعمل الرؤية الحاسوبية فيها:

1. التعرف على الوجوه (Face Recognition): عندما يفتح هاتفك باستخدام وجهك، أو عندما تحدد الكاميرا الأمنية شخصاً معيناً، هذه ليست سحراً! إنها عملية معقدة تتم كالتالي:
   • الكشف عن الوجه (Face Detection): أولاً، يقوم النظام بتحديد مكان وجود الوجه في الصورة أو الفيديو.
   • تحليل الملامح (Feature Extraction): يقوم الذكاء الاصطناعي بتحليل مئات النقاط والقياسات على الوجه (مثل المسافة بين العينين، شكل الأنف، زاوية الفك). هذه الملامح الفريدة لكل وجه تُحوّل إلى "بصمة رقمية" معقدة.
   • المطابقة (Matching): تتم مقارنة هذه البصمة الرقمية بالبصمات المخزنة في قاعدة البيانات. إذا وجدت مطابقة بنسبة عالية، يتم التعرف على الوجه.
   تخيل أن نظام التعرف على الوجوه يرى وجهك كخريطة معقدة من الأرقام، وعندما يرى "الخريطة" نفسها مرة أخرى، فإنه يعرف أنها أنت!
2. تصنيف المنتجات (Product Classification): في المتاجر الإلكترونية الضخمة، حيث توجد ملايين المنتجات، كيف يتم تصنيفها بدقة؟ هنا يأتي دور الذكاء الاصطناعي:
   • التدريب على البيانات: يُدرّب النظام على كميات هائلة من صور المنتجات، وكل صورة تكون مُصنفة مسبقاً (هذه صورة حذاء، هذه صورة فستان، هذه صورة كتاب).
   • التعرف على الأنماط: يتعلم الذكاء الاصطناعي الأنماط البصرية المميزة لكل فئة من المنتجات (مثلاً، يتعلم شكل الحذاء، ألوان الفستان الشائعة، شكل الغلاف للكتب).
   • التصنيف التلقائي: عندما تُرفع صورة منتج جديد، يقوم الذكاء الاصطناعي بتحليلها ومطابقتها مع الأنماط التي تدرب عليها، ثم يقوم بتصنيفها تلقائياً في الفئة الصحيحة. هذا يوفر وقتاً وجهداً هائلين.
   فكر في الأمر وكأن الذكاء الاصطناعي أصبح "خبيراً" في تمييز أنواع الأشياء بمجرد النظر إليها، تماماً كما تُميز أنت بين التفاحة والبرتقالة.

أمثلة إضافية مهمة للبيانات المرئية:

• السيارات ذاتية القيادة: تعتمد بشكل كبير على الرؤية الحاسوبية "لترى" الطريق، المشاة، السيارات الأخرى، إشارات المرور، وتحديد المسار الآمن.
• التشخيص الطبي: يمكن للذكاء الاصطناعي تحليل صور الأشعة السينية والرنين المغناطيسي للمساعدة في اكتشاف الأمراض مبكراً، مثل الأورام أو الكسور.
• التحكم في الجودة بالصناعة: تستخدم الكاميرات المدعومة بالذكاء الاصطناعي لفحص المنتجات على خطوط الإنتاج والتأكد من خلوها من العيوب بسرعة ودقة.

البيانات المرئية هي مصدر غني جداً للمعلومات، وتمكن الذكاء الاصطناعي من التفاعل مع العالم المادي بطرق لم نكن نتخيلها قبل عقود قليلة.

البيانات الصوتية (Audio Data): 

تتضمن الأصوات، الكلام، والموسيقى. يمكن للذكاء الاصطناعي معالجة هذه الأصوات لفهم المعنى أو التعرف على الأنماط.

• أمثلة الاستخدام:
  • المساعدون الصوتيون: مثل سيري (Siri) أو أليكسا (Alexa)، يفهمون أوامرك الصوتية ويستجيبون لها.
  • تحويل الكلام إلى نص: البرامج التي تحول ما تقوله بصوتك إلى نص مكتوب، مثل ميزة الإملاء الصوتي.

التعمق في البيانات الصوتية (Audio Data): "أذن" الذكاء الاصطناعي!

تخيل كل الأصوات التي تسمعها في حياتك: صوت الموسيقى، الكلام، ضجيج الشارع، صوت الطيور. كل هذه هي بيانات صوتية. بالنسبة لأذن الإنسان، هي سهلة الفهم، لكن بالنسبة للآلة، الصوت هو عبارة عن موجات معقدة ومتغيرة في الضغط. فكيف يمكن للذكاء الاصطناعي أن "يستمع" ويفهم هذه الموجات؟

هنا يأتي دور مجال "معالجة الصوت" (Audio Processing) و "معالجة الكلام" (Speech Processing) ضمن الذكاء الاصطناعي. هذه التقنيات تحوّل الموجات الصوتية المعقدة إلى معلومات يمكن للآلة تحليلها والتعلم منها. الأمر أشبه بأن يتعلم طفل صغير ليس فقط سماع الكلمات، بل فهم النغمة، واللهجة، واللغة نفسها.

دعنا نأخذ أمثلة الاستخدام التي ذكرتها ونشرح كيف يعمل الذكاء الاصطناعي فيها:

1. المساعدون الصوتيون (Voice Assistants - مثل سيري وأليكسا): عندما تقول "يا سيري، ما هو الطقس اليوم؟"، تحدث عملية معقدة جداً في ثوانٍ معدودة:
   • الكشف عن التنشيط (Wake Word Detection): أولاً، يكون المساعد الصوتي في حالة "استماع" دائم لكلمة التنشيط ("يا سيري" أو "أليكسا"). هذه المرحلة تتطلب نموذجاً ذكياً جداً يستطيع تمييز هذه الكلمة حتى في وجود ضوضاء خلفية.
   • تحويل الكلام إلى نص (Speech-to-Text - STT): بمجرد سماع كلمة التنشيط، يبدأ الجهاز في تسجيل صوتك وتحويله إلى نص مكتوب. هذه هي خطوة حاسمة، حيث يتم تحليل الموجات الصوتية لتحديد الحروف والكلمات المنطوقة.
   • فهم اللغة الطبيعية (Natural Language Understanding - NLU): بعد تحويل الصوت إلى نص، يستخدم الذكاء الاصطناعي تقنيات معالجة اللغات الطبيعية (التي تحدثنا عنها في البيانات النصية) لفهم معنى طلبك ونواياك. هل تسأل عن الطقس؟ عن أغنية؟ عن موعد في التقويم؟
   • توليد الاستجابة (Response Generation): بعد فهم طلبك، يتم البحث عن الإجابة المناسبة.
   • تحويل النص إلى كلام (Text-to-Speech - TTS): أخيراً، يتم تحويل الإجابة النصية مرة أخرى إلى صوت لتسمعها من خلال المساعد الصوتي، بصوت طبيعي يشبه صوت الإنسان.
   كل هذا يحدث بسرعة البرق!
2. تحويل الكلام إلى نص (Speech-to-Text - STT): هذه التقنية هي قلب عمل المساعدين الصوتيين، وهي تستخدم أيضاً بشكل مستقل في العديد من التطبيقات:
   • التعرف على الأصوات (Acoustic Modeling): هنا يتعلم الذكاء الاصطناعي العلاقة بين الأصوات (الصوتيات أو الفونيمات) والكلمات. يتم تدريب النموذج على كميات هائلة من البيانات الصوتية المصحوبة بنصوصها المقابلة.
   • نمذجة اللغة (Language Modeling): بعد التعرف على الأصوات، يحتاج الذكاء الاصطناعي إلى معرفة احتمالية ظهور الكلمات معاً في لغة معينة. مثلاً، "ذهبت إلى السوق" هي جملة محتملة أكثر من "ذهبت إلى أسوق". هذا يساعد على تصحيح الأخطاء المحتملة في التعرف على الصوت وتحسين دقة التحويل.
   • تصفية الضوضاء: تقوم الأنظمة المتقدمة بتصفية الضوضاء الخلفية وتحسين جودة الصوت لزيادة دقة التحويل.

أمثلة إضافية مهمة للبيانات الصوتية:

• تحليل المشاعر من الصوت: يمكن للذكاء الاصطناعي تحليل نبرة الصوت وسرعة الكلام لتحديد ما إذا كان المتحدث غاضباً، سعيداً، حزيناً، أو متوتراً. يستخدم هذا في مراكز الاتصال لتحسين خدمة العملاء.
• أنظمة التحقق من المتحدث (Speaker Verification): أنظمة تتعرف على الأشخاص من أصواتهم، وتستخدم في بعض أنظمة الأمان بدلاً من كلمات المرور.
• أنظمة التوصية بالموسيقى: تحلل هذه الأنظمة النمط الموسيقي للأغاني التي تستمع إليها (الإيقاع، الآلات، النوع) وتقترح عليك موسيقى مشابهة.

البيانات الصوتية تفتح آفاقاً واسعة للذكاء الاصطناعي للتفاعل معنا بطرق أكثر طبيعية وبديهية، وتجعل التكنولوجيا أقرب إلى حواسنا البشرية.

البيانات الرقمية المنظمة (Structured Numerical Data): 

هذه هي البيانات التي تجدها عادة في جداول البيانات (مثل Excel)، حيث تكون منظمة في صفوف وأعمدة بأرقام وتواريخ محددة. إنها سهلة التحليل بالنسبة للذكاء الاصطناعي لأنها مرتبة وواضحة.

• أمثلة الاستخدام:
  • التوصيات في المتاجر الإلكترونية: بناءً على سجل مشترياتك وسلوكك الرقمي (وهي بيانات رقمية منظمة)، يقترح عليك المتجر منتجات أخرى قد تعجبك.
  • التنبؤات المالية: تحليل بيانات أسعار الأسهم التاريخية أو بيانات المبيعات للتنبؤ بالأسعار المستقبلية أو المبيعات.

التعمق في البيانات الرقمية المنظمة (Structured Numerical Data): "دفتر الأستاذ" للذكاء الاصطناعي!

تخيل البيانات الرقمية المنظمة كـ دفتر الأستاذ الدقيق والمفصل لأي عمل أو نشاط. هي البيانات التي يتم ترتيبها بشكل منطقي وواضح في صفوف وأعمدة، مثل جدول بيانات في برنامج إكسل (Excel) أو قاعدة بيانات. كل عمود يمثل نوعاً معيناً من المعلومات (مثل العمر، السعر، التاريخ، الكمية)، وكل صف يمثل سجلّاً واحداً (مثل معلومات عن عميل واحد، أو عن منتج واحد).

لماذا هي مهمة جداً للذكاء الاصطناعي؟ لأنها منظمة وواضحة. لا تحتاج الآلة لبذل جهد كبير في "فهم" شكلها أو محتواها مثل النصوص أو الصور المعقدة. هي جاهزة تقريباً للتحليل مباشرة.

دعنا نرى كيف يعمل الذكاء الاصطناعي مع هذه البيانات في الأمثلة التي ذكرتها:

1. التوصيات في المتاجر الإلكترونية (Recommendation Systems): عندما تتسوق على أمازون أو تشاهد مسلسلات على نتفليكس، وتجد اقتراحات "قد تعجبك هذه المنتجات أيضاً" أو "لأنك شاهدت كذا، قد يعجبك هذا المسلسل"، فهذا ليس صدفة! إنها نتيجة عمل الذكاء الاصطناعي مع البيانات الرقمية المنظمة:
   • جمع البيانات المنظمة: يتم جمع بيانات رقمية ضخمة عن سلوكك وسلوك ملايين المستخدمين الآخرين. هذه البيانات تشمل:
     • سجل المشتريات: (ماذا اشتريت، متى، بكم؟)
     • تاريخ التصفح: (ما المنتجات التي شاهدتها، كم الوقت قضيت على الصفحة؟)
     • التقييمات والتقييمات: (ماذا أعجبتك، وماذا لم يعجبك؟)
     • المعلومات الديموغرافية: (عمرك، موقعك، اهتماماتك المعلنة).
   • تحليل الأنماط (Pattern Analysis): يقوم الذكاء الاصطناعي بتحليل هذه الجداول الضخمة من البيانات لاكتشاف أنماط وسلوكيات متكررة. مثلاً: "العملاء الذين اشتروا المنتج (أ) والمنتج (ب) غالباً ما يشترون المنتج (ج)". أو "الأشخاص الذين شاهدوا هذا النوع من الأفلام، يميلون لمشاهدة هذا النوع الآخر".
   • توليد التوصيات: بناءً على هذه الأنماط، يقترح النظام عليك المنتجات أو المحتوى الذي يتناسب مع اهتماماتك أو سلوك المشترين المشابهين لك. هذا يساعد المتاجر على زيادة المبيعات ويساعدك على اكتشاف أشياء قد تحبها!
2. التنبؤات المالية (Financial Predictions): عالم المال والأعمال يعتمد بشكل كبير على الأرقام، وبالتالي على البيانات الرقمية المنظمة. الذكاء الاصطناعي أصبح أداة قوية للتنبؤ بالأسعار والتوجهات:
   • البيانات التاريخية: يتم تغذية نماذج الذكاء الاصطناعي بكميات هائلة من البيانات الرقمية التاريخية المنظمة:
     • أسعار الأسهم: (سعر الفتح، سعر الإغلاق، أعلى وأدنى سعر يومياً عبر سنوات).
     • مؤشرات اقتصادية: (معدلات التضخم، أسعار الفائدة، بيانات البطالة).
     • بيانات المبيعات: (مبيعات الشركة الشهرية، الربع سنوية، السنوية).
   • تحديد العلاقات والاتجاهات: يبحث الذكاء الاصطناعي عن العلاقات المعقدة بين هذه الأرقام والاتجاهات الزمنية. مثلاً: "عندما تزداد أسعار الفائدة، تميل أسهم هذا القطاع للانخفاض". أو "مبيعات هذا المنتج تزداد بشكل ملحوظ في الربع الأخير من العام".
   • بناء نماذج التنبؤ: يتم بناء نماذج رياضية معقدة تتنبأ بما يمكن أن يحدث في المستقبل بناءً على البيانات التاريخية والأنماط المكتشفة.
   • توليد التنبؤات: يقدم النظام توقعات حول أسعار الأسهم المستقبلية، أو مبيعات شركة معينة، أو حتى التنبؤ بالمخاطر المالية. هذه التنبؤات تساعد المستثمرين والشركات على اتخاذ قرارات مستنيرة.

أمثلة إضافية مهمة للبيانات الرقمية المنظمة:

• اكتشاف الاحتيال (Fraud Detection): في البنوك وبطاقات الائتمان، يحلل الذكاء الاصطناعي سجل المعاملات المالية (مبالغ، تواريخ، أماكن) لتحديد أي أنماط غير طبيعية قد تشير إلى عملية احتيال.
• تحسين العمليات اللوجستية: شركات الشحن تستخدم البيانات عن المسافات، أوقات التسليم، استهلاك الوقود، لتحديد أفضل المسارات وأكثرها كفاءة.
• الرعاية الصحية: بيانات المرضى (العمر، الوزن، تاريخ المرض، نتائج التحاليل) تُستخدم للتنبؤ بمخاطر الأمراض أو لتقديم خطط علاج مخصصة.

البيانات الرقمية المنظمة هي الأساس للتحليلات الدقيقة والقرارات المبنية على الأدلة، وهي تُمكِّن الذكاء الاصطناعي من أن يكون مستشاراً مالياً وخبيراً تسويقياً ومديراً للعمليات في آن واحد!