17 مصطلحاً · فئة التدريب

مصطلحات التدريب

كيف يتعلّم النموذج: البيانات، الضبط، والتحسين.

المصطلح	فيمَ يُستخدم عملياً
التدريب Training	تغذية النموذج بالبيانات وتعديل معاملاته لتقليل الخطأ. أغلى مرحلة على الإطلاق، وتُنفَّذ مرة واحدة على عتاد ضخم.
الضبط الدقيق Fine-tuning	تخصيص نموذج مدرَّب مسبقاً على بيانات أضيق لمهمة أو نبرة أو مجال معيّن. أرخص بكثير من التدريب من الصفر.
التعلم المعزّز من التغذية البشرية RLHF	استخدام تقييمات بشرية لتوجيه سلوك النموذج نحو إجابات أنفع وأأمن. هو ما حوّل النماذج الخام إلى مساعدين قابلين للاستخدام.
التعلّم بلا أمثلة Zero-shot Learning	قدرة النموذج على أداء مهمة لم يُدرَّب عليها تحديداً، اعتماداً على ما تعلّمه عموماً.
التعلّم بأمثلة قليلة Few-shot Learning	إعطاء النموذج مثالين أو ثلاثة داخل الأمر ليلتقط النمط المطلوب — أقوى تقنية عملية في هندسة الأوامر.
فرط التخصيص Overfitting	حين يحفظ النموذج بيانات التدريب حرفياً بدل تعلّم النمط العام، فينهار أداؤه على أي بيانات جديدة.
قصور التعلّم Underfitting	العكس: النموذج بسيط أو مدرَّب بشكل غير كافٍ فيفشل حتى على بيانات التدريب نفسها.
البيانات الاصطناعية Synthetic Data	بيانات يولّدها نموذج لتدريب نموذج آخر، تُستخدم حين تكون البيانات الحقيقية نادرة أو حساسة الخصوصية.
الانتشار العكسي Backpropagation	الآلية التي يوزّع بها النموذج مقدار الخطأ على أوزانه ليصحّحها. هي المحرّك الرياضي لكل تدريب شبكة عصبية.
الانحدار التدرّجي Gradient Descent	طريقة تحديث الأوزان خطوة بخطوة في اتجاه تقليل الخطأ. تخيّلها نزولاً تدريجياً في وادٍ بحثاً عن أخفض نقطة.
دالة الخسارة Loss Function	المعادلة التي تقيس بُعد إجابة النموذج عن الصواب. اختيارها يحدّد ما «يهتم» النموذج بتحسينه فعلياً.
المعاملات الفائقة Hyperparameters	إعدادات تضبطها أنت قبل التدريب (معدّل التعلّم، حجم الدفعة، عدد الطبقات) — لا يتعلّمها النموذج بنفسه.
التحقّق المتقاطع Cross-validation	تقسيم البيانات لعدة أجزاء والتدريب والاختبار عليها بالتناوب، لتقييم أمين بدل رقم متفائل من تقسيم واحد محظوظ.
وسم البيانات Data Labeling / Annotation	إضافة الجواب الصحيح لكل عيّنة يدوياً. أكثر بند مكلف ومهمَل في مشاريع التعلّم الخاضع للإشراف — وجودته سقف جودة النموذج.
التعلّم بالنقل Transfer Learning	الانطلاق من نموذج مدرَّب على مهمة عامة وتكييفه لمهمتك. يقلّل البيانات والتكلفة المطلوبة بأضعاف.
الضبط الفعّال للمعاملات PEFT / LoRA	تقنية تُدرِّب طبقة صغيرة إضافية بدل كل معاملات النموذج. تخصيص شبه كامل بجزء يسير من العتاد والتكلفة.
الدقة والاستدعاء Precision & Recall	مقياسا التقييم الحقيقيان. الدقة: كم من إنذاراتك كانت صحيحة. الاستدعاء: كم من الحالات الحقيقية التقطتها. رفع أحدهما يخفض الآخر عادةً، والقرار بينهما إداري لا تقني.

أين تلتقي هذه المصطلحات عملياً؟

هذه الفئة ليست تعريفات معزولة — كل مصطلح فيها يظهر في سياق تطبيقي داخل المنصة:

الشرح الموسّع لكل مفهوم في صفحة المفاهيم الأساسية.
التطبيق القطاعي الفعلي في استخدامات الذكاء الاصطناعي.
الأدوات التي تجسّد هذه المفاهيم في دليل الأدوات.
البعد التنظيمي والحكومي في الحكومات وتجربة الإمارات.

فئات أخرى

أساسيات النماذج التشغيل والاستخدام البنية التحتية المخاطر والحوكمة المسرد الكامل (87)

⚡جرّبها الآنخطوة واحدة · خمس دقائق

قبل التفكير في تدريب نموذج، اسأل: هل تحلّ مشكلتي باستدعاء نموذج جاهز أو بتقنية RAG؟

أغلب ما يُسمّى «نحتاج تدريب نموذج» يُحلّ بجزء يسير من الكلفة بنموذج قائم فوقه بياناتك. التدريب آخر خيار لا أوله.

أمر جاهز — عدّل ما بين الأقواس

اعمل كمعماري حلول يبدأ من أرخص خيار لا من أكثره إثارة. السياق: مشكلتي هي [صف المشكلة]، وبياناتي [النوع والحجم تقريباً]، وفريقي [عدد ومستوى]. المهمة: رتّب الخيارات من الأرخص إلى الأغلى — استدعاء نموذج جاهز، ثم RAG على مستنداتي، ثم ضبط دقيق، ثم تدريب من الصفر — وحدّد عند أي شرط بالضبط أنتقل إلى الخيار التالي. الصيغة: لكل خيار — متى يكفي، ومتى يفشل، والشرط الذي يبرّر الانتقال. القيود: لا ترشّح التدريب من الصفر ما لم تذكر ثلاثة أسباب تجعل ما دونه غير كافٍ.

عد إلى المسرد الكامل ← الصقه في أي نموذج لغوي