Sherif Aboghazala

فكرة أن مهندس الذكاء الاصطناعي أو عالم البيانات “لا يحتاج البرمجة” غير صحيحة. صحيح أن المهندس يهتم بالتصميم المعماري للحلول، لكن جزءًا أساسيًا من عمله يعتمد على القدرة على كتابة كود منطقي وفعّال. لماذا البرمجة وحل المشاكل مهمان؟ نماذج الذكاء الاصطناعي نفسها خوارزميات؛ فهمها يتطلب تفكيرًا برمجيًا وليس مجرد استخدام مكتبات جاهزة. في الوظائف العملية ستحتاج لكتابة preprocessing، التعامل مع البيانات، تنفيذ التجارب، وتحسين الأداء. حل مسائل برمجية يبني أهم مهارة يحتاجها المهندس: تحليل المشكلة وتحويلها لخطوات قابلة للتنفيذ. هل تحتاج مستوى متقدم؟ لا. يكفي مستوى متوسط: هياكل بيانات أساسية، Big-O، مسائل منطقية بسيطة–متوسطة، التفكير الخوارزمي. لذا فالخلاصة نعم، عالم البيانات ومهندس الذكاء الاصطناعي يحتاجان لحل المشاكل البرمجية بقدر جيد، ليس ليصبحا مبرمجين متخصصين، بل ليكونا قادرين على فهم النماذج، تصميم الحلول، وتنفيذها بشكل صحيح.

من الطبيعي بعد إنهاء أساسيات بايثون أن تشعر بأنك تحتاج إلى مزيد من التمارين قبل الانتقال للمواضيع الجديدة. الأفضل فعلًا أن ترسّخ فهمك أولًا، لأن قوة الأساسيات تجعل التعلّم لاحقًا أسهل بكثير. يمكنك الانتقال عندما تشعر أنك متمكّن من: المتغيرات وأنواع البيانات الشروط والحلقات القوائم والقواميس الدوال التعامل الأساسي مع الملفات إذا ما زلت تتردد في هذه النقاط، فالتمارين ستفيدك أكثر من الانتقال المباشر. مواقع موثوقة لتمارين أساسيات بايثون: HackerRank Codewars Exercism W3Resource Python Exercises ابدأ بالتمارين السهلة ثم ارفع المستوى تدريجيًا، وعندما تشعر بالراحة في الحل دون الرجوع للدروس، انتقل إلى الوحدات (Modules) بثقة.

لا يحتاج عالم البيانات إلى التعمّق في هياكل البيانات والخوارزميات بنفس الدرجة المطلوبة من مهندس البرمجيات، لكن امتلاك فهم راسخ للأساسيات ليس مجرد رفاهية، بل شرط للقدرة على التعامل مع البيانات بكفاءة واتخاذ قرارات صحيحة أثناء بناء النماذج. على الرغم من أنك ستعتمد غالبًا على مكتبات قوية ومُحسّنة مسبقًا مثل: NumPy، Pandas، Scikit-Learn، PyTorch، TensorFlow إلا أن هذه المكتبات مبنية أصلًا على مبادئ خوارزمية واضحة، ومعرفتك لها تمنحك ثلاث فوائد أساسية: 1. كتابة كود performant و scalable قد ينجح الكود المُستخدم على عيّنة صغيرة، لكنه يفشل أو يصبح بطيئًا عند التعامل مع ملايين الصفوف. هنا يظهر دور فهمك لهياكل البيانات: استخدام Set بدلًا من List للبحث يقلل الوقت من O(n) إلى O(1). دمج العمليات بدلاً من الحلقات المتداخلة يمنع الأداء من الانهيار من O(n²) إلى O(n). معرفة كيفية التعامل مع المصفوفات الكبيرة يحميك من أخطاء الذاكرة. هذه التفاصيل هي ما يفصل بين “كود يعمل” و“كود احترافي يمكن استخدامه في الإنتاج”. 2. فهم كيفية عمل نماذج Machine Learning نفسها الكثير من نماذج الذكاء الاصطناعي مبنية مباشرة على هياكل بيانات معروفة: Decision Trees و Random Forests و XGBoost تعتمد على أشجار القرار وتجزيء البيانات. Neural Networks تعتمد على المصفوفات والعمليات الخطية (Matrices & Tensors). خوارزميات الـ NLP غالبًا تستخدم الرسوم البيانية (Graphs) والتدرج في المعاني Embeddings. Clustering يستخدم خوارزميات تعتمد على حسابات المسافات بكفاءة عالية. فهم هذه الأسس يجعل نتائجك أو تفسيرك للنماذج أفضل بكثير. 3. النجاح في مقابلات العمل كثير من الشركات—خصوصًا التقنية—لا توظّف عالم بيانات لا يمكنه كتابة كود نظيف وحل مسائل برمجية. لن يطلب منك أحد تنفيذ AVL Tree من الصفر، ولكن: قد تُسأل عن الفرق بين O(n log n) و O(n²) في خوارزميات الفرز. أو كيفية تحسين زمن تنفيذ كود يعالج ملفًا حجمه 5GB. أو كيفية إعادة كتابة عملية Feature Engineering بطريقة أكثر كفاءة. هذا يضمن أنك تستطيع التفكير منطقيًا، وهي مهارة يُبنى عليها أي دور في البيانات. ما المستوى المطلوب تحديدًا؟ لست بحاجة للتعمّق الأكاديمي، لكنك تحتاج ما يلي: هياكل البيانات الأساسية: Arrays / Lists Sets Dictionaries / Hash Maps Tuples فهم كيفية عمل الأشجار Tree Structures نظريًا (خاصة لشرح عمل Decision Trees) الخوارزميات الأساسية: Searching & Sorting Recursion Greedy & Dynamic Programming (مستوى بسيط–متوسط) Big-O Notation وتحليل الزمن والمساحة Vectorization وفهم الفرق بين العمليات المتجهة والحلقية (مهم جدًا في NumPy) لذلك فالمعرفة المتوسطة العميقة خيرٌ من الجهل التام أو التعمّق الذي لا تحتاجه. ومن يملك فهمًا جيدًا لهياكل البيانات والخوارزميات يكون طريقه في علوم البيانات أوضح وأسرع.