معجم المصطلحات

المصطلحات مرتّبة حسب الحروف العربية، ومع كل مصطلح مقابله اللاتيني عند وجوده.

آلية الانتباه (Attention Mechanism): أسلوب تستخدمه نماذج المحوّلات لتحديد أهمية كل كلمة بالنسبة للأخرى داخل النص، فيصبح النموذج أقدر على فهم المعنى في سياقه.
الأنظمة متعددة الوكلاء (Multi-Agent Systems): أنظمة يتعاون فيها أكثر من وكيل ذكاء اصطناعي، بحيث يتولّى كل وكيل مهمة أو دورًا محدّدًا، ثم يتبادلون المعلومات أو النتائج لإكمال مهمة أكبر.
الاستدلال المتسلسل (Chain-of-Thought): أسلوب في التوجيه يُطلب فيه من النظام عرض خطوات الحل مرتّبة قبل تقديم النتيجة النهائية. والخطوات المعروضة تفسير يمكن تدقيقه، لا سجلّ لمسار المعالجة الداخلي.
الاسترجاع المعزّز بالتوليد (RAG): منظومة يسترجع فيها النظام معلومات خارجية ذات صلة، ثم يستخدمها لصياغة إجابة مُسندة إلى مصادر يمكن مراجعتها.
إطار تطوير الوكلاء (Agent Framework): مكتبة أو منصّة برمجية تدير الموجّهات والأدوات والذاكرة والاتصال بالنموذج، وتنظّم المنطق متعدّد الخطوات داخل الوكيل. من أمثلته LangChain و LlamaIndex و CrewAI.
بيئة الإنتاج (Production Environment): البيئة الحقيقية التي يعمل فيها النظام مع مستخدمين أو بيانات أو عمليات فعلية، بخلاف بيئة التطوير أو الاختبار.
التحيّز (Bias): سلوك غير منصف أو غير متوازن قد يورثه النظام من بيانات تدريبه، فيؤدّي إلى مخرجات منحازة أو تمييزية.
التدريب المسبق (Pre-Training): المرحلة الأولى التي يُدرَّب فيها النموذج على بيانات ضخمة ومتنوّعة ليتعلّم المعرفة العامة وأنماط اللغة، قبل أي ضبط دقيق.
التعلّم العميق (Deep Learning): فرع من تعلّم الآلة يستخدم شبكات عصبية متعدّدة الطبقات لتعلّم أنماط معقّدة من كميات كبيرة من البيانات.
تقسيم النص إلى رموز (Tokenization): تفكيك النص إلى وحدات أصغر تُسمّى رموزًا، لتصبح قابلة للمعالجة العددية داخل النموذج.
تمثيل متجهي (Embedding): تحويل الرمز أو النص إلى متجه من الأرقام يعبّر عن معناه، بحيث تتقارب المعاني المتشابهة في هذا الفضاء العددي.
تنسيق سير العمل (Orchestration): الطبقة التي تنظّم تسلسل الخطوات داخل الوكيل: متى يستدل، ومتى يستدعي أداة، ومتى يرجع إلى الذاكرة، ومتى ينفّذ.
الذاكرة قصيرة المدى (Short-Term Memory): ذاكرة مؤقّتة تحفظ المعلومات داخل الجلسة أو المحادثة الواحدة، فيحافظ الوكيل على تسلسل التفاعل.
الذاكرة طويلة المدى (Long-Term Memory): ذاكرة مستمرّة تحفظ تفضيلات المستخدم والتفاعلات السابقة عبر جلسات متعدّدة. وهي تُبنى عادةً بمكوّنات خارجية كقواعد البيانات، لا في النموذج اللغوي نفسه.
الذكاء الاصطناعي التوليدي (Generative AI): ذكاء اصطناعي يُنشئ محتوى جديدًا — نصًا أو صورة أو فيديو أو شيفرة برمجية — بدلًا من الاكتفاء بتحليل بيانات قائمة أو تصنيفها.
الذكاء الاصطناعي متعدد الوسائط (Multimodal AI): أنظمة تفهم وتولّد أكثر من نوع من البيانات، كالنص والصورة والصوت والفيديو، وتجمع بينها في مهام أكثر تعقيدًا.
الضبط الدقيق (Fine-Tuning): أخذ نموذج مدرَّب مسبقًا وتدريبه على مجموعة بيانات أصغر ومتخصّصة، لتحسين أدائه في مهمة أو مجال بعينه.
ضوابط الحماية (Guardrails): مجموعة من القواعد والمرشّحات ونقاط المراجعة تحدّد ما يُسمح للنظام بفعله وما لا يُسمح، للتقليل من الهلوسة والتحيّز والمخاطر الأمنية.
الفهرس (Index): قائمة مرتّبة في آخر الكتاب تساعد القارئ على الوصول إلى المواضيع والمصطلحات بالاستناد إلى أرقام الصفحات.
قاعدة بيانات متجهية (Vector Database): قاعدة بيانات تخزّن التمثيلات المتجهية للنصوص وتتيح البحث بالمعنى بسرعة وكفاءة. من أمثلتها ChromaDB و Pinecone و Weaviate.
الموجّه (Prompt): النص الذي يُقدَّم إلى النموذج ليحدّد ما هو مطلوب منه: سؤال، أو تعليمة، أو وصف للمهمة.
موجّه النظام (System Prompt): الموجّه الذي يحدّد دور الوكيل وأهدافه وحدود سلوكه، ويبقى ساريًا خلال التفاعل.
نافذة السياق (Context Window): كمية النص التي يستطيع النموذج أخذها في الحساب مرة واحدة، وتشمل المدخلات والمخرجات الحديثة.
النموذج التأسيسي (Foundation Model): نموذج كبير دُرِّب على بيانات ضخمة ومتنوّعة، فصار قادرًا على أداء مهام متعدّدة دون إعادة بنائه لكل مهمة.
النموذج اللغوي الكبير (LLM): نموذج تعلّم عميق دُرِّب على كميات هائلة من النصوص، قادر على فهم السياق وتوليد اللغة والإجابة عن الأسئلة والتلخيص وغير ذلك.
هندسة الموجّهات (Prompt Engineering): ممارسة تصميم المدخلات وصياغتها بعناية لتوجيه النظام نحو مخرجات أدقّ وأكثر ملاءمة ونفعًا.
الهلوسة (Hallucination): أن يولّد النظام معلومة تبدو مقنعة لكنها غير صحيحة أو غير موجودة في أي مصدر.
وجود الإنسان ضمن مسار القرار (Human-in-the-Loop): تصميم يمرّ فيه الإجراء المؤثّر على مراجعة إنسان أو موافقته قبل تنفيذه.
وكيل ذكاء اصطناعي (AI Agent): نظام يستخدم نموذجًا للذكاء الاصطناعي إلى جانب مكوّنات مثل الذاكرة والأدوات والبيانات لتنفيذ مجموعة من الخطوات بهدف إنجاز مهمة، بدرجة من الاستقلالية وداخل حدود يرسمها المصمّم.
واجهة برمجة التطبيقات (API): طريقة منظّمة تسمح لبرنامج بالتواصل مع برنامج أو خدمة أخرى، وهي ما يمكّن الوكيل من الانتقال من الحديث إلى الفعل.
التوجيه دون أمثلة (Zero-Shot Prompting): أن يُطلب من النموذج إنجاز مهمة دون تقديم أي مثال، فيعتمد كليًا على معرفته المدرَّبة.
إعادة صياغة الموجّه (Re-Prompting): تعديل الموجّه الأصلي أو إعادة صياغته للحصول على رد أفضل أو أوضح أو أنسب للسياق.
الانتباه الذاتي (Self-Attention): آلية داخل نماذج المحوّلات تقيس علاقة كل كلمة في النص ببقية الكلمات، فتُمكّن من المعالجة المتوازية وفهم السياق البعيد.
بنية المحوّلات (Transformer): معمارية شبكات عصبية أدخلت الانتباه الذاتي، فأتاحت معالجة التسلسلات على التوازي، وصارت العمود الفقري للنماذج اللغوية الحديثة.
شبكة عصبية (Neural Network): نظام حوسبي مكوّن من عُقد مترابطة تعالج البيانات وتتعلّم منها الأنماط. والتشبيه بالدماغ البشري تعليمي، وأوجه الشبه الفعلية محدودة.
استخدام الأدوات (Tool Use): قدرة الوكيل على التفاعل مع أنظمة خارجية — كواجهات البرمجة وقواعد البيانات وأجهزة إنترنت الأشياء — لجلب البيانات وتنفيذ الإجراءات وتوسيع قدراته.
إثبات المفهوم (POC): نموذج أولي محدود النطاق يُبنى للتحقّق من جدوى الفكرة قبل التوسّع في التطوير.