النموذج التوليدي وطريقة عمله

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:

1. الشبكات التوليدية التنافسية (GANs)
2. مشفِّرات الأوتو التباينية (VAEs)
3. نماذج الانتشار (Diffusion)
4. المحولات (Transformers)

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. 

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،

النماذج التوليدية تعمل بالتعلم من بيانات ضخمة لاكتشاف الأنماط والعلاقات الإحصائية ثم تستخدم هذه الأنماط لتوليد محتوى جديد عبر التنبؤ بالرموز (tokens) التالية باستخدام شبكات عصبية عميقة.

والنماذج الرئيسية تشمل المحولات (Transformers) للنصوص مثل GPT، الشبكات التوليدية التنافسية (GANs) للصور، المشفرات التلقائية المتغيرة (VAEs) للضغط والتوليد الإبداعي، ونماذج الانتشار (Diffusion Models) للصور عالية الجودة. الخوارزميات الأساسية تشمل الانتشار العكسي (backpropagation)، التعلم العميق (Deep Learning)، شبكات RNN وCNN للصوت، وتقنيات مثل Q-learning للتعلم المعزز. 

ومصادر التعلم متوفرة باللغة العربية خصوصا من أكاديمية حسوب التي تقدم دورة شاملة في الذكاء الاصطناعي تغطي هذه المفاهيم كما أنها تتيح تحديثات مستمرة وشهادة معتمدة. 

وأكاديمية حسوب تضيف محتوى باستمرار عن النماذج التوليدية حيث تم توسيع الدورة مؤخرا بإضافة أقسام جديدة.

بتاريخ On 15‏/11‏/2025 at 14:42 قال عبد المؤمن روابح:

هل سيتم إضافة محتوى عن النماذج التوليدية في حسوب أكاديمي؟

 

يتوفر بالفعل محتوى عن ذلك بالدورة، في المسارات التالية:

1. تطبيقات عملية على النماذج النصية الكبيرة LLMs،  فالنماذج اللغوية الكبيرة LLMs هي حاليًا أشهر أشكال الذكاء الاصطناعي التوليدي وتقوم بتوليد النصوص والأكواد.
2. تطبيقات عملية باستخدام المحوّلات Transformers، وهو مسار أساسي أيضًا، لأن معمارية المحوّلات هي البنية التحتية التي تعمل عليها معظم النماذج التوليدية الحديثة مثل GPT و BERT.
3. التعلم العميق Deep Learning، يتضمن  شرح للمفاهيم النظرية للنماذج التوليدية كالشبكات التنافسية التوليدية GANs والمشفرات التلقائية المتغيرة VAEs.