Faragiri
العربية

كل اللغات

التعلم الآلي الذكاء الاصطناعي

كاميرا لا ترفع شيئا كانت ستقارب نتيجة الكاميرا العاملة. تقسيم النتيجة إلى خطأين، وعمود التقويم الذي يغير القسمة الزمنية كلها.

8الأقسام
5دقائق القراءة
2العمق

كاميرا لا ترفع علبة واحدة أبدا كانت ستصيب في 1,136 علبة من 1,200 مرت الأسبوع الماضي على خط الفرز. الكاميرا التي ركبتها نجاة القفصي أصابت في 1,175. تسع وثلاثون علبة هي كل قيمة الآلة، والرقم الواحد الذي تنقل به الحصيلتان هو الذي يخفيها.

مصنع تعبئة تمور في ولاية قبلي، وخط يمر عليه ما يقارب ألفا ومئتي علبة في الأسبوع. من هذه المئتين والألف كانت 48 علبة فيها عيب حقيقي، تخمر أو تشقق. ورفعت الكاميرا 55 علبة. ومن هنا تبدأ القراءة النافعة، لأن رقمين متقاربين في السمع، 1,136 و1,175، يصفان آلة تعمل وقطعة كرتون.

الخطآن، معدودين على حدة

خذ الخمس والخمسين المرفوعة أولا. تسع وثلاثون منها كان فيها عيب فعلا، وست عشرة علبة سليمة رفعت ووقف عندها عامل بلا داع. فبقيت 9 علب معيبة مرت، و1,136 علبة سليمة مرت بحق.

أسبوع واحد على الخط

العلب الألف والمئتان مقسومة بنوع الخطأ

ثلاث خانات رخيصة وواحدة ليست كذلك، ورقم الدقة الواحد يجمع الأربع ويخفي الفارق.

الكاميرا مررتهاالكاميرا رفعتها

العلبة سليمة

سليمة ومرت1,136 علبة تمثل جسم العمل المعتاد
سليمة ورفعتعشرون ثانية فحص يدوي على طاولة الفرز

العلبة معيبة

معيبة ومرت9 علب تعبأ وتشحن، وهذا الخطأ المكلف
معيبة ورفعتالقيمة الفعلية لوجود آلة الفرز

الخانة الحرجة وحدها تقرر جدوى النظام، وكل مقياس يكتفي برقم واحد يدمج الخطأين ويسوي بينهما.

عد الخطأين على حدة، فهما لا يكلفان الشيء نفسه. الرفع الكاذب يكلف عشرين ثانية على طاولة الفرز. والعيب الذي يمر يكلف علبة وتغليفا وشحنا ومشتريا يعرف الآن عن المصنع شيئا كانت نجاة تفضل ألا يعرفه. والدقة على حدث نادر رقم تكاد تبلغه آلة لا تفعل شيئا، وتبلغه بأن تصيب في العلب التي لم يقلق منها أحد أصلا.

والعادة التي يبنيها هذا هي التي تنتقل إلى كل مسألة بعدها. قبل وجود أي نموذج، اكتب ما يكلفه كل من الخطأين بالوحدة التي يحاسب بها المصنع فعلا، بالدينار وبالساعة. ذلك الرقم هو الذي يقرر أين توضع العتبة، والعتبة هي المقود الوحيد الذي تحتاجه أكثر المشاريع.

النموذج يتعلم الوسم الذي كتبته

الثمانية والأربعون جاءت من مكان. عاملان في الفرز وسما صور أربعة أسابيع، وعلى عينة من ستين علبة اختلفا على تسع. النموذج يتعلم الوسم الذي كتبته، لا الشيء الذي قصدته، فالكاميرا دربت على إعادة إنتاج حكم يختلف فيه شخصان خبيران على علبة من كل سبع.

موضع الجهد

سقف الدقة يحدده الوسم لا المعمارية

إنفاق فصل كامل في تعقيد النموذج لا يرفع سقفا وضعته خلافات الفرز اليدوي.

  • إنفاق فصل على المعماريةمحاولة رفع الأداء بتعقيد البنية الرياضية
    • تعديل طبقات النموذج
    • زيادة المعاملات والضبط
    • الاصطدام بسقف التسميات المتناقضة
  • ضبط تعريف العيب كتابةإزالة التباين بين الخبراء في توصيف التلف
    • تعريف محدد لما يعد تشققا
    • إعادة وسم عينات الخلاف
    • رفع سقف دقة النموذج الممكنة

أين يستثمر الفريق وقته؟

النموذج يتعلم الوسم المكتوب لا النية المجردة، والوضوح في تعريف البيانات يسبق أي تحسين في الخوارزمية.

وليست هذه حجة على ترك العمل. هي سبب وجود السقف، ومعرفة موضع السقف تمنع فريقا من إنفاق فصل كامل على البنية بينما كان العائد في كتابة تعريف من سطرين لما يعد تشققا، وإعادة وسم مواضع الخلاف. وشكل المجال هو حيث يحسم هذا، ويحسم قبل كل ما سواه.

الطرق القديمة ما تزال تفوز على جدول

مسألة نجاة الثانية كانت جدولا: أي دفعات التجفيف تخرج بأكثر نسبة مرفوض، من حرارة المجفف ورطوبته وصنف التمر وموضع الصينية وأسبوع الموسم. صفوف وأعمدة، نحو تسعة آلاف صف.

اختيار النموذج

التعزيز التدريجي يتفوق على الجداول

الافتراض الافتراضي للبيانات المجدولة هو النماذج الكلاسيكية لا الشبكات العصبية.

التعزيز التدريجي على جدولالخيار الافتراضي لبيانات الصفوف والأعمدة
الشبكات العصبيةالخيار المتخصص للصور والصوت والنصوص
سرعة التدريبثوان على حاسوب محمولساعات وتتطلب معالجات متخصصة
تجهيز البياناتلا يحتاج توحيد المقاييس مسبقايتطلب تهيئة وتوحيد كل مدخل
تفسير القراريظهر بوضوح وزن كل عمود ومؤشرصندوق أسود يصعب عزل قراره
نوع المسألة الأنسبسجلات المجفف وأرقام الإنتاجكاميرا فحص العيوب وفرز الصور

البدء بالشبكات العصبية على بيانات مجدولة خطوة أولى مكلفة نادرا ما تبرر نتيجتها مقارنة بالنماذج الكلاسيكية.

على جدول صفوف، ما يزال التعزيز التدريجي يتفوق على الشبكة العصبية، ومنذ نحو عشر سنين. يدرب في ثوان على حاسوب محمول، ويقول أي عمود حمل القرار، ولا يحتاج إلى توحيد مقاييس البيانات قبله. والنماذج الكلاسيكية هي الافتراض هنا، والبديل المثير هو الخطوة الأولى الخاطئة. أما الشبكات العصبية فتستحق مكانها على الصور وعلى الصوت وعلى النص، وهو بالضبط ما تفعله الكاميرا على الخط.

القسمة هي التي تقرر هل كان أي من هذا صحيحا

نموذج المجفف سجل نتيجة ممتازة ثم خسر أكثرها في المصنع. الصفوف خلطت وقسمت بالقرعة، فصارت دفعة من مارس تسجل دفعة من الأسبوع الذي يليه بأصناف تمر رآها النموذج بالفعل.

القسمة الصحيحة

القسمة بالزمن تمنع خداع النتيجة

خلط البيانات عشوائيا يسرب المستقبل إلى الماضي ويظهر دقة وهمية تسقط في المصنع.

كيف تقسم البيانات لاختبار النموذج؟
  • التنبؤ يخص المستقبل والغد
    القسمة الزمنية الصارمةتدريب على ما قبل تاريخ واختبار على ما بعده
    • منع تسرب معلومات الأيام اللاحقة
    • محاكاة واقعية لما سيراه المصنع غدا
    • نتيجة واقعية تثبت عند التشغيل
  • المسألة غير مرتبطة بتسلسل زمني
    القسمة العشوائية بالقرعةخلط الصفوف وتوزيعها بنسب عشوائية
    • تسرب أنماط الأسابيع المتتالية
    • تضخيم خادع لمؤشرات الدقة
    • انهيار الأداء الفعلي عند نزول المصنع

النتيجة التي تخرج من القسمة الزمنية تكون أدنى رقميا لكنها تمثل ما سيحصل عليه المصنع فعلا.

اقسم بالزمن لا بالقرعة كلما كان الغد هو ما تتنبأ به. درب على كل ما قبل تاريخ، واختبر على ما جاء بعده، والرقم الخارج هو الرقم الذي سيحصل عليه المصنع. سيكون أسوأ، وسيكون صحيحا، والصفة الثانية هي التي تجعله يستحق الاقتناء.

الزمن هنا تقويمان، لا تقويم واحد

وهنا بند لا يوجد على أي صفحة إنجليزية، وهو يقلب القسمة الزمنية نفسها. أكبر موسم للتمر في السنة هو رمضان، ورمضان يتقدم نحو أحد عشر يوما في كل سنة ميلادية. فدفعات رمضان الماضي وقعت في مارس، ودفعات رمضان الذي قبله في أبريل، ودفعات رمضان القادم ستقع في فبراير.

التقويمان

هندسة خصائص الزمن المحلي

مواسم البيع في المنطقة ترتبط بالتقويم القمري وتتحرك سنويا بالنسبة للشهور الميلادية.

جاهزية خصائص الزمن للتنبؤ

  1. نعمإدراج عمود المسافة بالأيام إلى أول رمضانيربط الصف بذروة الطلب المتنقلة بين الفصولنعم
  2. نعمإدراج عمود المسافة بالأيام إلى العيديحمل أثر تغير وتيرة الاستهلاك والإنتاجنعم
  3. لاالاعتماد على الشهر الميلادي وحده لتحديد الذروةيخلط المواسم لأن ذروة مارس لا تتكرر في العام التاليلا
  4. نعممراقبة الانجراف الهادئ في كفاءة التشغيليكتشف تغير الموردين وإعادة ضبط الآلات بمرور الوقتنعم

إضافة عمودين للتقويم القمري تحل في دقيقة ما تعجز عنه خمس سنوات من البيانات المجدولة بالتاريخ الميلادي وحده.

ونموذج قسم بالتاريخ الميلادي وحده يتعلم أن مارس موسم ذروة، وهي جملة صحيحة عن سنة واحدة وخاطئة عن كل سنة أخرى. القسمة بالتاريخ الميلادي وحده تخلط الموسمين. والعلاج ليس نموذجا أكبر، بل عمود إضافي: كم يوما تفصل هذا الصف عن أول رمضان، وكم يوما عن العيد. عمودان يكتبان في دقيقة، ويحملان ما كانت خمس سنوات من البيانات تحاول قوله. وهذا يصح على كل بيع في المنطقة لا على التمر وحده، وهو أرخص سمة يضيفها من يبني هنا.

والساعة نفسها تظل تعمل بعد التشغيل. نموذج لم يعد تدريبه نموذج للعام الماضي: يتغير المورد، ويعاد ضبط المجفف، ويسوء الشيء بهدوء دون أن يظهر خطأ واحد في أي مكان. ومراقبة ذلك موضوع تشغيل النموذج.

المخيمات ليست متساوية المسافات

المخيمات الثلاثة الأولى هنا تأخذ بعد ظهر وأسبوعا وشهرا. والأخير يأخذ أطول منها مجتمعة، ولا قائمة قراءة واحدة ترسمه هكذا. وأطر التعلم الآلي يوم توجيه ينفق فيه الناس أسبوعين، لأنه يشبه التقدم ويمكن عرضه.

الترتيب

المخيم الأخير أبعد من الثلاثة الأولى مجتمعة

بعد ظهر، وأسبوع، وشهر، ثم سنة. وقوائم القراءة ترسمها خمسة فصول متساوية، والأرض ليست مستوية.

  1. 01شكل المجالأي الأنواع الثلاثة مسألتك. بعد ظهر
  2. 02نموذج كلاسيكي على جدولأسبوع، وغالبا حيث ينتهي المشروع بحق
  3. 03الشبكات العصبيةشهر، وأكثره لمعرفة متى لا تستعمل
  4. 04الصور، أو اللغة والصوتفصل لكل واحدة، وصنعة مختلفة في كل اتجاه
  5. 05وضعه في العملأطول منها كلها، وأكثره ليس نمذجة

الانحدار هو الدعوى ولا شيء سواه هنا. والمخيمات ليست مراحل؛ يستطيع فريق أن يقف عند الثاني ويكون قد أنهى.

ومن أخذ المجال مقلوبا صار عنده قائمة بنى، ومن بدأ عند الرؤية الحاسوبية أو عند اللغة والكلام تعلم أن يبني شيئا يعرض جيدا ولا يمكن فحصه، لأن كلفة الخطأين لم تكتب قط ولأن القسمة لم تكن صحيحة أصلا.

حيث يتوقف القارئ العربي: الدفتر الذي نجح

يتوقف الناس هنا عند رقم في دفتر ملاحظات. النتيجة جيدة، والرسوم تبدو صحيحة، ويبدو العمل منتهيا، لأن كل عرف في المجال يعامل نموذجا مقيما على أنه المنتج النهائي. ولا شيء في الدفتر خطأ. غير أن الدفتر كان بعد الظهر، والمصنع هو السنة.

فخ الدفتر

ما يفصل دفتر الملاحظات عن أرض المصنع

انتهاء التدريب بنتيجة جيدة داخل الدفتر لا يمثل سوى قمة العمل الذي يراه المبرمج.

  • نتيجة الدقة على الشاشةرقم يعرض في دقائق ويعامل كأنه خط النهاية
  • رسوم بيانية ومقاييس منتهيةمظهر مريح يوحي بأن النموذج أصبح منتجا مكتملا
حد الانتقال من تجربة الدفتر إلى الإنتاج الفعلي
  • مسار التنبؤ بعد صدورهمن يتلقى النتيجة وما القرار الذي يبنى عليها فورا
  • التدخل البشري في زمن دورة العملإيقاف العلبة أربع ثوان لفحصها قبل التعبئة والشحن
  • خطة العمل عند تعطل النموذجآلية استمرار خط الفرز دون توقف عند سقوط النظام

إن لم تحدد ما يفعله الإنسان بعد صدور التنبؤ وماذا يجري يوم يتعطل النظام فالنموذج لم يغادر مرحلة الدفتر.

وللمادة العربية أثر يطيل هذا الوقوف. أكثر ما يجده القارئ بالعربية درس مصور ينتهي عند النتيجة، لأن النتيجة تعرض على الشاشة في ثلاث دقائق والتشغيل في مصنع لا يعرض. فخريطة الموضوع عند من تعلمه بالعربية تنتهي حيث يبدأ نصفه الثاني، وليس في الخريطة ما يشير إلى أن هناك ما بعدها.

والعلامة محددة ويسهل فحصها على النفس: إن لم تستطع أن تقول ماذا يحدث للتنبؤ بعد صدوره، ومن يراه، وما الذي يفعله مختلفا، وماذا يحدث في اليوم الذي يتعطل فيه النموذج، فالنموذج ليس في الإنتاج أيا كان مكان تشغيله. كاميرا نجاة توقف العلبة أربع ثوان وينظر إليها إنسان، وهذه جملة عن المصنع لا عن النموذج، وهي الجملة التي كان المشروع من أجلها.

ما يفتح من هنا في 2026

scikit-learn هي صندوق الأدوات الافتراضي حتى 2026، مجانية ومفتوحة المصدر، وقد حلت محل كتابة حلقة الملاءمة والتحقق المتقاطع باليد. وإسهامها الحقيقي أن القسمة والملاءمة والتسجيل لها شكل واحد في كل طريقة، وهو ما يجعل استبدال نموذج تعديل سطرين لا إعادة كتابة.

أدوات 2026

حزمة العمل المفتوحة بلا اشتراكات

أدوات قياسية تحل محل كتابة الأكواد اليدوية وتعمل محليا دون قيود تسجيل أو بطاقات.

بيئة العمل القياسية
  • scikit-learnتوحيد صياغة القسمة والملاءمة والتقييم للنماذج الكلاسيكية
  • XGBoost و LightGBMالأساس القياسي لجداول البيانات والتعزيز التدريجي
  • PyTorchبناء الشبكات العصبية المرنة للرؤية ومعالجة الصور
  • جودة البيانات والوسمالأساس الميداني الذي يحدد مصداقية أي تدريب لاحق
  • scikit-learnتوحيد صياغة القسمة والملاءمة والتقييم للنماذج الكلاسيكية
  • XGBoost و LightGBMالأساس القياسي لجداول البيانات والتعزيز التدريجي
  • PyTorchبناء الشبكات العصبية المرنة للرؤية ومعالجة الصور
  • جودة البيانات والوسمالأساس الميداني الذي يحدد مصداقية أي تدريب لاحق

جميع هذه الأدوات متاحة ومفتوحة المصدر وتتيح بناء واختبار خطوط الإنتاج محليا بالكامل.

وXGBoost وLightGBM هما مكتبتا التعزيز التدريجي، مجانيتان ومفتوحتا المصدر حتى 2026، وقد حلتا بينهما محل مد اليد إلى شبكة عصبية فوق جدول. أي منهما على جدول المجفف، بالأعمدة كما هي، ساعة عمل وخط أساس نزيه على كل نموذج لاحق أن يتجاوزه.

وPyTorch هو حيث تكتب الشبكة التي على الكاميرا، مجاني ومفتوح المصدر حتى 2026، وقد حل محل الرسم البياني الساكن الذي كان يجب بناؤه قبل طباعة أي شيء بداخله. وثلاثتها تنزل وتعمل بلا حساب ولا بطاقة ولا اشتراك، فهي تعمل في السودان كما تعمل في قبلي، وهذا أوسع ما يكون المجال متاحا في هذه المنطقة.

ويبقى السؤال الذي تقوم عليه الصفحة كلها ولا تجيب عنه. كل رقم هنا خرج من 1,200 علبة ومن أربعة أسابيع من الصور، ولا شيء منه يقول كيف جمعت تلك الصفوف، ولا من قرر ما الذي يعد علبة واحدة، ولا ما الذي جرى للأسابيع التي رميت. وذلك البيانات، وهو النصف الذي يقرر النصف الآخر. وحيث تكون الأوسام عمل أشخاص يتوقف السؤال عن كونه تقنيا، وذلك الذكاء الاصطناعي في العمل.

بجانب هذه العقدة

فوق هذه العقدة