لوحة المتصدرين

سؤال: ماهو AI Agent ومادوره؟ انواعه والنماذج؟ طرق عمله؟ هل سيضاف للاكاديمية؟ وشكرا.

هل يوجد حاليا كوبون خصم لدورة الذكاء الاصطناعي

تدرّب نماذج الذكاء الاصطناعي التوليدي على مجموعات بيانات كبيرة وتتعلم منها الأنماط والعلاقات بين البيانات، مثلًا يتعلم نموذج توليد الصور العلاقات البصرية بين البكسلات وبعدها تستخدم النماذج هذه الأنماط التي تعلمتها لإنشاء محتوى جديد. وللمزيد من المعلومات يمكنك الإطلاع على المقالة التالية

وعليكم السلام ورحمة الله وبركاته. الإجابة بإختصار هي لا فهما ليسا العوامل الوحيدة ولكنهما الأهم والأشهر في التحليل النظري ومقارنة الخوارزميات. ففي الواقع العملي في هندسة البرمجيات هناك عوامل أخرى قد تكون بنفس الأهمية أو حتى أهم بناء على الموقف. فإنه يتم التركيز على التعقيد الزمني (Time Complexity) و التعقيد المكاني (Space Complexity) لأنهما يمثلان الموردين الأساسيين المحدودين في أي جهاز كمبيوتر: الوقت (Time): كم ستستغرق الخوارزمية من وقت لتنفيذها مع زيادة حجم المدخلات؟ (يقاس بعدد العمليات). المساحة (Space): كم ستحتاج الخوارزمية من ذاكرة (RAM) مع زيادة حجم المدخلات؟ يستخدم تحليل (Big O Notation) لوصف سلوكهما التقريبي (Asymptotic behavior) وهذا ممتاز للمقارنات النظرية. وعند كتابة برامج حقيقية، توازن بين Time/Space وعوامل أخرى: سهولة القراءة والصيانة (Readability & Maintainability) : ففي كثير من الأحيان تكون الخوارزمية الأسرع معقدة جدًا وصعبة الفهم والأهم هو أن الكود يقرأ أكثر مما يكتب فإذا كان فريقك والأشخاص الأخرين لا يستطيع فهم الخوارزمية فمن المستحيل صيانتها أو تطويرها أو حتى إصلاح أخطائها. المفاضلة (Trade-off) فقد تختار خوارزمية أبطأ قليلًا إذا كانت أبسط وأسهل في الصيانة. بساطة التنفيذ (Implementation Simplicity) فكمم من الوقت سيستغرق المطور لكتابة هذه الخوارزمية بشكل صحيح فالخوارزميات المعقدة عرضة للأخطاء (Bugs) بشكل أكبر وصعوبة تنفيذها وتطويرها كبيرة . إذا الخلاصة أن ال Time وال Space هما الأساس الأكاديمي لمقارنة كفاءة الخوارزمية ولكن في هندسة البرمجيات أنت تبحث عن الخوارزمية الأفضل للمشكلة وهذا يشمل الموازنة بين الكفاءة وسهولة الصيانة ووقت التطوير والسياق الذي ستعمل فيه.

النماذج التوليدية (Generative Models) هي نوع من نماذج الذكاء الاصطناعي التي لا تكتفي بتصنيف البيانات أو التنبؤ بها، بل تتعلم الأنماط والخصائص الأساسية للبيانات لدرجة تمكنها من إنشاء أو توليد بيانات جديدة تمامًا تشبه البيانات التي تدربت عليها. والآن إليك الإجابة على أسئلتك : كيف يعمل النموذج التوليدي؟ الفكرة الأساسية هي أن النموذج التوليدي يحاول فهم" التوزيع الاحتمالي للبيانات. بدلا من مجرد تعلم كيفية رسم خط فاصل بين فئتين مثل قطة وكلب وهو ما يفعله النموذج التمييزي (Discriminative Model) فإن النموذج التوليدي يتعلم ما الذي يجعل القطة قطة في جوهرها شكل الأذنين وملمس الفرو ونسب الوجه. وللتوضيح: نموذج تمييزي (Discriminative): يرى صورة ويسألك: هل هذه قطة أم كلب أى إنه يتعلم الحدود بين الفئات. نموذج توليدي (Generative): تطلب منه مثلا ارسم لي قطة فيقوم بإنشاء صورة جديدة لقطة لم تكن موجودة من قبل. إنه يتعلم التوزيع الحقيقي للبيانات. ولكي يفعل ذلك، يتم تدريبه على مجموعة بيانات ضخمة مثل ملايين الصور أو النصوص أو مقاطع صوتية ويستخدم خوارزميات معقدة لمحاولة بناء نموذج داخلي لهذه البيانات. بمجرد تدريبه، يمكنه أخذ عينات من هذا النموذج لإنشاء مخرجات جديدة. ما هي أنواع النماذج التوليدية؟ هناك عدة عائلات رئيسية من النماذج التوليدية، لكل منها طريقتها الفريدة في العمل: الشبكات التوليدية التنافسية (GANs - Generative Adversarial Networks): هي الأكثر شهرة، وتتكون من شبكتين تتنافسان: المولِّد (Generator): يحاول إنشاء بيانات مزيفة (مثل صورة وجه). المميِّز (Discriminator): يحاول التمييز بين البيانات الحقيقية (من مجموعة التدريب) والبيانات المزيفة (التي أنشأها المولِّد). وتستمر هذه "اللعبة" حتى يصبح "المولِّد" بارعًا جدًا في خداع "المميِّز". مشفِّرات الأوتو التباينية (VAEs - Variational Autoencoders): تعمل عن طريق ضغط البيانات إلى تمثيل "كامِن" (Latent Space) منخفض الأبعاد ثم إعادة بنائها. تتعلم VAEs كيفية تمثيل البيانات بكفاءة، مما يسمح لها بتوليد بيانات جديدة عن طريق أخذ عينات من هذا الفضاء الكامن. نماذج الانتشار (Diffusion Models): وهي النماذج الأحدث والأكثر قوة في توليد الصور (مثل DALL-E 2 و Stable Diffusion). تعمل عن طريق: إضافة "ضوضاء" (noise) بشكل تدريجي إلى صورة حتى تصبح ضوضاء نقية (Forward Process). تدريب شبكة عصبية على عكس هذه العملية: البدء من ضوضاء نقية و"إزالة الضوضاء" (denoising) بشكل تدريجي حتى تتكون صورة واضحة (Reverse Process). النماذج الانحدارية الذاتية (Autoregressive Models): مثل نماذج (GPT) للغة. تعمل هذه النماذج عن طريق توليد البيانات خطوة بخطوة (مثل كلمة بكلمة، أو بكسل ببكسل)، حيث يعتمد كل مخرج جديد على المخرجات التي سبقته. ما هي الخوارزميات (المعمارِيات) المستخدمة؟ السؤالان مرتبطان جدا فالأنواع" المذكورة في الأعلى هي في الأساس الخوارزميات أو الأطر المعمارية المستخدمة. التفاصيل الدقيقة تكمن في كيفية تدريبها: الشبكات التوليدية التنافسية (GANs) مشفِّرات الأوتو التباينية (VAEs) نماذج الانتشار (Diffusion) المحولات (Transformers)

وعليكم السلام ورحمة الله وبركاته. نعم يوجد فرق واضح بين المجالين، على الرغم من تداخلهما الكبير. فببساطة تحليل البيانات (Data Analysis) يركز على فهم الماضي بينما علم البيانات (Data Science) يركز على التنبؤ بالمستقبل. يمكن اعتبار تحليل البيانات جزءاً أساسياً وخطوة مهمة داخل المجال الأوسع وهو علم البيانات. إليك مقارنة توضيحية: تحليل البيانات (Data Analysis) الهدف الرئيسي هو فحص البيانات التاريخية والحالية للإجابة على أسئلة محددة، واستخلاص رؤى (insights) وتحديد الأنماط وتقديمها في شكل تقارير ولوحات عرض (Dashboards) لدعم اتخاذ القرار. والسؤال الأساسي هو ماذا حدث و لماذا حدث أى وصفي وتشخيصي. والمهام الشائعة له: جمع وتنظيف البيانات. إجراء تحليل إحصائي وصفي. إنشاء تقارير دورية ولوحات عرض تفاعلية. تحديد الاتجاهات (Trends) والأنماط في البيانات. والأدوات الشائعة المستخدمة فيه هي SQL و Microsoft Excel و Google Sheets و أدوات BI مثل Tableau و Power BI. علم البيانات (Data Science) هو مجال أشمل يستخدم الأساليب العلمية والخوارزميات وعمليات معقدة لاستخراج المعرفة من البيانات المنظمة وغير المنظمة و لا يكتفي بفهم الماضي بل يهدف لبناء نماذج تتنبأ بالمستقبل. والسؤال الأساسي: ماذا سيحدث و ما أفضل إجراء يمكن اتخاذه أى تنبؤي وتوجيهي. والمهام الشائعة له: يتضمن جميع مهام محلل البيانات (الجمع والتنظيف و التحليل). تطبيق خوارزميات التعلم الآلي (Machine Learning) والذكاء الاصطناعي. بناء نماذج تنبؤية (مثل التنبؤ بمبيعات و اكتشاف الاحتيال و أنظمة التوصية). معالجة البيانات الضخمة (Big Data). والأدوات الشائعة المستخدمة فيه هي كل أدوات محلل البيانات بالإضافة إلى لغات برمجة متقدمة مثل Python ومكتباتها مثل Pandas و NumPy و Scikit-learn و TensorFlow و R.

المشكلة الأساسية لديك تظهر في رسالة الخطأ في السطر الأخير: GatewayRuntimeError: ... "predict() missing 1 required positional argument: 'test_with_dates'" فسبب المشكلة هو مكتبة التقييم (kaggle_evaluation) ففي هذه المسابقة تقوم باستدعاء دالة predict الخاصة بك وتقوم بتمرير متغير واحد فقط وهو البيانات الخاصة بالاختبار test ولكنك قمت بتعريف الدالة لتنتظر متغيرين (test و test_with_dates). بما أن الدالة تنتظر شيئاً لم يتم إرساله يحدث الخطأ لديك. إذا يجب تعديل دالة predict لتستقبل متغيراً واحداً فقط، وتستخرج date_id من نفس المتغير test : import pandas as pd import tensorflow as tf import kaggle_evaluation import os # ... (باقي تعريف الأعمدة col وتحميل الموديل كما هو) ... # تأكد أن قائمة col تحتوي فقط على الأعمدة الموجودة فعلياً في البيانات القادمة (Feature Columns) def predict(test: pd.DataFrame) -> pd.DataFrame: # 1. التعديل هنا: حذفنا test_with_dates من تعريف الدالة df = test.copy() # تأكد أنك تختار فقط أعمدة الميزات (Features) للتنبؤ # قد تحتاج للتحقق إذا كانت كل الأعمدة في col موجودة في test # أحياناً date_id يكون موجوداً فنحتاج استثنائه من الموديل x_test = df[col] preds = model.predict(x_test, verbose=0) allocation = preds.clip(0, 2).reshape(-1) # 2. التعديل هنا: نأخذ date_id من الـ test dataframe نفسه return pd.DataFrame({ "date_id": test["date_id"].values, "prediction": allocation }) inference_server = kaggle_evaluation.default_inference_server.DefaultInferenceServer(predict) if os.getenv('KAGGLE_IS_COMPETITION_RERUN'): inference_server.serve() else: inference_server.run_local_gateway(('/kaggle/input/hull-tactical-market-prediction/',)) وهناك ملاحظة هامة جدا بخصوص التحذير (Warning) حيث ظهر لك تحذير خطير في بداية اللوج: RuntimeWarning: 1889 seconds elapsed before server startup وهذا يعني أن الكود استغرق 31 دقيقة فقط ليعمل قبل أن يبدأ التنبؤ حتى والحد المسموح به عادة هو 15 دقيقة (900 ثانية) للإقلاع. والسبب غالبا هي عملية تحميل الموديل tf.keras.models.load_model أو استدعاء المكتبات بطيء جداً. لذلم تأكد أنك تستخدم GPU accelerator في النوت بوك.

كيف يعمل النموذج التوليدي؟ يعمل من خلال تعلّم الأنماط الموجودة في البيانات الأصلية، ثم يستخدم ما تعلّمه لإنتاج بيانات جديدة. ما أنواع النماذج التوليدية؟ الشبكات التوليدية الخصومية (GANs) - نماذج الانتشار (Diffusion Models) - النماذج اللغوية الكبيرة (LLMs) وغيرها ما الخوارزميات المستخدمة؟ كل نوع يعتمد على خوارزميات خاصة به، مثل: التعلّم العميق الشبكات العصبية هل سيضاف محتوى عنها في حسوب أكاديمي؟ الأكاديمية تقدّم بالفعل مسارًا واسعًا في الذكاء الاصطناعي يشمل نماذج اللغة الكبيرة، الرؤية الحاسوبية، والتعلّم العميق، وهي أساس النماذج التوليدية.