تعلّمها بنفسك.

الـإحصاء والاحتمالات

لو تبي تختار فرع واحد يعطيك أعلى عائد بهالمجال، هذا هو. وبنفس الوقت هو الأكثر اللي ينقفز عنه، لأن اسمه ما يوحي بالإثارة. هو اللي يخلّيك تفرّق بين نتيجة لها معنى ونتيجة جات بالصدفة، وهذي التفرقة تتكرّر معك كل يوم شغل. وتقدر تبدأه فوراً مع الجبر 2 لأنه ما يتطلّب خلفية ثقيلة.

الجبر الخطي

موعد دخوله الخطوة 03، بجانب تفاضل 1. سبب أهميته عملي بحت: الداتا اللي بتشتغل عليها مخزّنة كجداول أرقام، وكل عملية يسوّيها النموذج عليها هي في جوهرها عملية جبر خطي. يعني هو مو مادة نظرية، هو وصف لما يصير داخل الجهاز.

التفاضل والتكامل

أقل الثلاثة من حيث الحصة المطلوبة، ومع ذلك هو اللي يستهلك وقت أغلب المبتدئين بلا داعي. الترتيب: ما قبل التفاضل، ثم تفاضل 1، ثم تفاضل 2. والمطلوب منك مفهوم واحد أساسي مو إتقان كل أساليب الحل — التفاصيل الباقية تقدر ترجع لها وقت الحاجة.

حزمة البيانات

بايثون اللي تعلّمتها بالمرحلة السابقة تكفي كأساس، وهنا تضيف عليها الطبقة المتخصّصة بالداتا: NumPy للحساب السريع، Pandas للتعامل مع الجداول، و SQL لاستخراج الداتا من مصدرها أصلاً. وملاحظة تستاهل الانتباه: SQL هي الأكثر تخطّياً والأكثر طلباً بنفس الوقت، لأن الداتا في الشركات تسكن في قواعد بيانات مو في ملفات جاهزة.

تنظيف البيانات

هذي المرحلة ما تظهر في العروض ولا في العناوين، ومع ذلك أثرها على النتيجة النهائية يفوق أثر اختيار الخوارزمية. الداتا الواقعية تجيك بقيم مفقودة وصيغ متضاربة وأسماء مكتوبة بثلاث طرق للشي الواحد. وأي جودة في النموذج ما تعوّض خلل في مدخلاته — النتيجة تبقى محكومة بأضعف حلقة.

التحليل الاستكشافي للبيانات

قبل ما تعطي الداتا أي صلاحية، تفحصها. تحسب، ترسم، وتبحث تحديداً عن الشي اللي ما يتوقّع. وهذي أرخص خطوة في المسار من حيث الوقت، وأعلى خطوة من حيث ما توفّره عليك — لأن الخلل اللي يمر من هنا ما يظهر إلا متأخر، بعد ما تكون بنيت عليه.

وتوقّع إنك ترجع للتنظيف أكثر من مرة. الفحص يكشف خلل، تصلّحه، وترجع تفحص من جديد. الانتقال المباشر من التنظيف للتدريب بدون هالدورات غالباً يعني إنك ما فحصت كفاية.

التعلّم الآلي

فيه فكرة وحدة إذا استقرّت عندك تسقط عنك نصف الغموض في هالمجال: النموذج في جوهره دالة رياضية تستقبل أرقام وتطلع رقم. و"التدريب" ما هو عملية غامضة، هو بحث منظّم عن أنسب صياغة لهالدالة بحيث تقارب الإجابات اللي عندك.

معظم ما بتشتغل عليه هنا يندرج تحت التعلّم المُشرَف، حيث كل مثال مرفق بإجابته. ومعه مجموعة طرق غير مُشرَفة تكتشف تجمّعات وأنماط بدون إجابات مسبقة. أما النوع الثالث، التعلّم المعزّز، فمؤجّل للمرحلة 04 لسبب سيتّضح لك هناك.

أخلاقيات البيانات

الفرق بين النموذج والقرار الفردي هو النطاق: قرار متحيّز من شخص يمس حالة وحدة، ونفس التحيّز داخل نموذج يتكرّر آلاف المرات بثبات. والانحياز نادراً ما يكون مقصوداً — يدخل عبر الداتا التاريخية اللي تعكس واقعاً فيه خلل أصلاً، فينتقل للنموذج بدون ما ينتبه أحد.

النشر و MLOps

نموذج محفوظ في دفتر على جهازك هو نتيجة تجربة، مو منتج. والمسافة بين الاثنين هي هالوحدة: تغليفه، وإتاحته خلف واجهة يقدر أي نظام يناديها، ثم متابعته بعد التشغيل.

MLOps هو الاسم الجامع لهالممارسات. أغلب أدواته مستعارة من هندسة البرمجيات، لكن فيه اختلاف جوهري واحد يستاهل الانتباه: البرنامج التقليدي لما يتعطّل يعطي خطأ واضح، أما النموذج فيتدهور بصمت — يستمر يرجّع إجابات بنفس الثقة وهي تبتعد تدريجياً عن الصواب. ولأن هالجزء نادر التغطية في المسارات التعليمية، إتقانه يفرّقك عن غيرك بسرعة.

التضمينات وقواعد البيانات المتّجهة

هالوحدة موقعها هنا مقصود: رغم ارتباطها الوثيق بنماذج اللغة، جوهر التحدّي فيها تخزين واسترجاع، مو نمذجة. التضمين هو تمثيل رقمي ينتجه نموذج لأي محتوى، مبني بحيث تقع المعاني المتقاربة في مواقع متقاربة. وقاعدة البيانات المتّجهة هي المحرّك اللي يبحث ضمن ملايين هالتمثيلات ويرجّع الأقرب خلال أجزاء من الثانية.

وعلى هالأساس الواحد تقوم تطبيقات متعدّدة: البحث بالمعنى بدل الكلمة، وأنظمة التوصية، وكشف المحتوى المكرّر، والشق الاسترجاعي من الـ RAG — وهو الأسلوب اللي يمكّن نموذج لغوي من الاعتماد على مستندات ما شافها أثناء تدريبه. والشق الثاني منه يجيك في المرحلة الجاية.

نماذج اللغة كشريك تعلّم

الاستخدامات الأعلى عائداً هنا محدّدة: تفسير رسالة خطأ غامضة، إعادة شرح مفهوم بزوايا مختلفة لين تلقى الزاوية اللي تناسبك، أو اختبار نفسك بأسئلة يولّدها لك. والقيد الوحيد اللي لازم يبقى حاضر: ثقة النبرة ما تدل على صحة المحتوى.

هندسة الأوامر

التسمية توحي بتعقيد غير موجود. جوهر الموضوع مهارة تواصل: تحديد المطلوب والصيغة والسياق بدقة كافية. والسبب في أثرها الكبير إن النموذج ما عنده أي معلومة عن نيّتك خارج ما كتبته — فكل غموض يتركه لك يملأه بافتراض قد يكون بعيداً عن قصدك.

استدعاء واجهة النموذج

هنا تنتقل من مستخدم للواجهة إلى مطوّر يبني عليها. والآلية أبسط مما توحي به التسمية: ترسل قائمة رسائل عبر طلب شبكي، ويرجع لك رد. هذا كامل الشكل، وكل ما بعده تفاصيل حول هالعملية الواحدة.

وفيه خاصية جوهرية تفسّر معظم ما ستقابله لاحقاً: الواجهة لا تحتفظ بأي حالة بين الطلبات. النموذج لا يتذكّر ما دار قبل ثانية. والمحادثة المستمرة اللي تشوفها في التطبيقات هي إعادة إرسال للسجل كاملاً في كل مرة. ومن هالنقطة تتفرّع مسائل التكلفة وحدود الحجم والتخزين المؤقت — كلها نتائج مباشرة لها.

وأمران ستحتاجهما مبكراً: المخرج المُهيكَل — اطلب استجابة بصيغة JSON تطابق بنية تحدّدها، فتحصل على بيانات جاهزة للمعالجة بدل نص تستخرج منه يدوياً. ومعالجة الأعطال — انقطاع الشبكة وتجاوز حدود المعدّل حالات متوقّعة، فاجعل إعادة المحاولة بفواصل متزايدة سلوكاً افتراضياً. واحفظ المفتاح في متغيّر بيئة، ولا يُكتب داخل الملفات أبداً.

السياق، التخزين المؤقت والتكلفة

سؤالان يظهران في كل مشروع تقريباً خلال أيامه الأولى: ما الحد الأقصى لما أقدر أعطيه للنموذج، ولماذا ارتفعت التكلفة بهذه السرعة؟ الإجابتان مرتبطتان بنفس الوحدة — الرموز — ولهما معالجات معروفة.

نافذة السياق هي السعة القصوى لما يستطيع النموذج أخذه بالحسبان في طلب واحد. وتتقاسمها التعليمات وسجل المحادثة والمستندات المرفقة والمساحة المخصّصة للرد. ونقطة مهمة يغفل عنها كثيرون: زيادة المحتوى ليست تحسيناً بالضرورة. حشو النافذة بمعلومات ضعيفة الصلة يشتّت التركيز ويخفّض جودة الإجابة. ولذلك أصبح انتقاء ما يدخل السياق تخصّصاً قائماً بذاته يُسمّى هندسة السياق.

أما التخزين المؤقت فيعالج هدراً متكرّراً: إذا كان جزء ثابت يتصدّر كل طلباتك — تعليمات طويلة أو وثيقة مرجعية — فأنت تدفع ثمن معالجته من جديد في كل مرة. والتخزين المؤقت يحتفظ بنتيجة معالجة هذا الجزء، فتنخفض تكلفة الطلبات المتكرّرة بشكل كبير ويقل زمن الاستجابة. وشرط عمله يتلخّص في قاعدة واحدة: رتّب المحتوى من الأثبت إلى الأكثر تغيّراً. المطابقة تتم على البداية، فأي تعديل مبكر يُبطل ما بعده — ووضع طابع زمني في المقدمة يلغي الفائدة بالكامل.

الوكلاء، الأُطُر والحلقة

الفرق بين نظام يجيب ونظام ينفّذ يكمن في إضافة واحدة: حلقة تكرار. تُعرّف للنموذج مجموعة أدوات متاحة — بحث، قراءة ملف، تشغيل كود، استعلام من قاعدة متّجهة — وتحدّد له هدفاً، ثم تتركه يعمل. يطلب أداة، ينفّذها كودك، تُعاد إليه النتيجة، فيبني عليها قراره التالي. وتستمر الدورة حتى اكتمال المهمة أو بلوغ حد أوقفته أنت.

وتوزيع الأدوار هنا يستحق التوضيح، لأنه يُساء فهمه كثيراً: النموذج لا ينفّذ شيئاً بنفسه إطلاقاً، هو يصدر طلبات فقط. أما التنفيذ الفعلي والذاكرة والصلاحيات وإدارة الدورة نفسها فكلها في الطبقة المحيطة — وهي الإطار الذي تبنيه أنت. ولهذا الفروقات الكبيرة بين الوكلاء غالباً ترجع لجودة هذه الطبقة، لا لاختلاف النموذج المستخدم.

وهندسة الحلقة هي القرارات التصميمية داخل هذه الدورة: ماذا يُحتفظ به في السياق بعد كل خطوة، وما يُختصر أو يُسقط، وشروط التوقّف، والتصرّف عند فشل أداة أو دخول النموذج في تكرار عقيم، والسقف المسموح للاستهلاك. هذه التفاصيل تشكّل الجزء الأكبر من العمل الفعلي رغم قلّة الحديث عنها.

وملاحظتان عمليتان تفوقان في أثرهما اختيار أي إطار عمل. الأولى: ليست كل مشكلة تحتاج وكيلاً — تعليمة واحدة محكمة، أو سلسلة ثابتة من خطوتين أو ثلاث، أقل تكلفة وأسهل في التنبّؤ بسلوكها. والثانية: عند البناء، اقتصر على أقل عدد أدوات يكفي للمهمة، وضع سقفاً صريحاً لعدد الخطوات وحجم الإنفاق — فالنظام المفتوح بلا حدود يستهلك أكثر بكثير مما تتوقّع.