المصطلح في الذكاء الاصطناعي ليس زينة لغوية؛ هو الفرق بين أن تفهم ما يفعله النموذج بنصّك، وأن تتعامل معه كصندوق أسود. وللمترجم خصوصًا فائدتان: فهمٌ أعمق لأدوات عمله، وقدرةٌ على ترجمة هذا الحقل نفسه بدقّة، وهو حقل يتّسع يوميًّا.
أبواب المسرد
| المصطلح | المقابل | التعريف |
|---|---|---|
| Artificial Intelligence (AI) | الذكاء الاصطناعي | علم بناء أنظمة تحاكي قدرات بشرية كالتعلّم والاستدلال واللغة |
| Machine Learning (ML) | التعلّم الآلي | فرع يمكّن الأنظمة من التعلّم من البيانات دون برمجة صريحة لكل حالة |
| Deep Learning | التعلّم العميق | تعلّم آلي بشبكات عصبية متعدّدة الطبقات |
| Neural Network | الشبكة العصبية | نموذج حسابي من طبقات «عصبونات» مترابطة بأوزان |
| Narrow AI | الذكاء الاصطناعي الضيّق | نظام بارع في مهمة محدّدة |
| AGI | الذكاء الاصطناعي العام | نظام افتراضي يؤدّي أي مهمة معرفية بشرية |
| Generative AI | الذكاء الاصطناعي التوليدي | نماذج تولّد محتوى جديدًا: نصًّا أو صورًا أو صوتًا أو كودًا |
| Algorithm | الخوارزمية | خطوات محدّدة لحلّ مشكلة أو أداء مهمة |
| Model | النموذج | ناتج التدريب: دالّة تحوّل المدخلات إلى مخرجات |
| Inference | الاستدلال (التشغيل) | استخدام النموذج المدرَّب لإنتاج مخرجات جديدة |
| المصطلح | المقابل | التعريف |
|---|---|---|
| Supervised Learning | التعلّم الموجَّه (الخاضع للإشراف) | تدريب على بيانات مصنّفة بإجاباتها |
| Unsupervised Learning | التعلّم غير الموجَّه | اكتشاف أنماط في بيانات غير مصنّفة |
| Self-supervised Learning | التعلّم الذاتي الإشراف | يولّد النموذج إشرافه من البيانات نفسها، كتوقّع الكلمة التالية |
| Reinforcement Learning | التعلّم المعزّز | التعلّم بالتجربة والخطأ عبر المكافآت والعقوبات |
| Transfer Learning | التعلّم المنقول | إعادة استخدام نموذج مدرّب في مهمة جديدة |
| Training Data | بيانات التدريب | البيانات التي يتعلّم منها النموذج |
| Labeled Data | بيانات مصنّفة (موسومة) | بيانات مرفقة بالإجابة الصحيحة |
| Annotation | التوسيم (التصنيف) | إضافة الوسوم أو التصنيفات إلى البيانات يدويًّا |
| المصطلح | المقابل | التعريف |
|---|---|---|
| NLP | معالجة اللغة الطبيعية | الحقل الذي يعالج اللغة البشرية حاسوبيًّا |
| Token | الوحدة النصّية (التوكن) | وحدة صغيرة يقسَّم إليها النص: كلمة أو جزء كلمة |
| Tokenization | التقطيع إلى وحدات | تقسيم النص إلى توكنات؛ والعربية غالبًا تستهلك توكنات أكثر من الإنجليزية للمعنى نفسه |
| Embedding | التضمين | تمثيل النص متّجهًا رقميًّا يحفظ المعنى |
| Vector | المتّجه | قائمة أرقام تمثّل موقع المعنى في فضاء رياضي |
| Semantic Similarity | التشابه الدلالي | قرب نصّين في المعنى، يُقاس بالمسافة بين متّجهيهما |
| Named Entity Recognition | التعرّف على الكيانات المسمّاة | استخراج الأسماء والأماكن والجهات والتواريخ |
| Sentiment Analysis | تحليل المشاعر | تصنيف النص بحسب موقفه الإيجابي أو السلبي |
| Machine Translation (MT) | الترجمة الآلية | ترجمة يؤدّيها نظام حاسوبي |
| Post-editing (MTPE) | التحرير اللاحق | مراجعة مخرجات الترجمة الآلية وتصحيحها بشريًّا |
| Corpus / Parallel Corpus | المكنز / المكنز المتوازي | مجموعة نصوص؛ والمتوازي نصوص ومقابلاتها المترجمة |
| المصطلح | المقابل | التعريف |
|---|---|---|
| Large Language Model (LLM) | النموذج اللغوي الكبير | نموذج مدرّب على نصوص هائلة لفهم اللغة وتوليدها |
| Transformer | المحوِّل | البنية التي تقوم عليها النماذج اللغوية الحديثة |
| Attention | آلية الانتباه | ما يسمح للنموذج بوزن أهمية كل جزء من السياق |
| Parameters | المعاملات | الأوزان التي تعلّمها النموذج؛ ويُقاس حجمه بعددها |
| Context Window | نافذة السياق | أقصى قدر من النص يعالجه النموذج في طلب واحد |
| Temperature | درجة الحرارة | إعداد يتحكّم في عشوائية المخرجات؛ الأقل للدقّة والأعلى للتنوّع |
| Hallucination | الهلوسة | اختلاق معلومات خاطئة بثقة وأسلوب مقنع |
| Multimodal | متعدّد الوسائط | يعالج أكثر من نوع من المدخلات: نصًّا وصورًا وصوتًا |
| Knowledge Cutoff | تاريخ انقطاع المعرفة | آخر تاريخ تغطّيه بيانات تدريب النموذج |
| المصطلح | المقابل | التعريف |
|---|---|---|
| Pre-training | التدريب المسبق | المرحلة الأولى على كمّ هائل من النصوص العامة |
| Fine-tuning | الضبط الدقيق | تدريب إضافي على بيانات متخصّصة لمهمة أو مجال |
| RLHF | التعلّم المعزّز من الملاحظات البشرية | تحسين النموذج بناءً على تفضيلات مقيّمين بشريين |
| Loss Function | دالّة الخسارة | مقياس حجم الخطأ أثناء التدريب |
| Gradient Descent | الانحدار التدرّجي | خوارزمية تعدّل الأوزان لتقليل الخطأ |
| Overfitting | الإفراط في التلاؤم | حفظ بيانات التدريب والفشل في التعميم |
| Benchmark | مقياس مرجعي | مجموعة اختبار معيارية لمقارنة النماذج |
| Evaluation (Evals) | التقييم | قياس أداء النموذج على مهام محدّدة بمعايير واضحة |
| Gold Standard | البيانات المرجعية | إجابات موثوقة تُقاس بها المخرجات |
| المصطلح | المقابل | التعريف |
|---|---|---|
| Prompt | الأمر (التعليمة) | النص الذي توجّه به النموذج |
| System Prompt | تعليمات النظام | تعليمات عليا تحدّد دور النموذج وقواعده في المحادثة كلها |
| Zero-shot / Few-shot | دون أمثلة / بأمثلة قليلة | الطلب مباشرة، أو مع أمثلة توضيحية |
| Chain-of-Thought | سلسلة التفكير | دفع النموذج إلى إظهار خطوات استدلاله |
| Role Prompting | تحديد الدور | إسناد دور خبير محدّد إلى النموذج |
| Self-consistency | الاتساق الذاتي | توليد عدّة مسارات واختيار الإجابة الأكثر اتفاقًا |
| Structured Output | المخرجات المنظّمة | إلزام النموذج بصيغة محدّدة مثل JSON أو جدول |
للتطبيق: الدور وسلسلة التفكير، والاتساق الذاتي والاسترجاع وReAct.
| المصطلح | المقابل | التعريف |
|---|---|---|
| RAG | التوليد المعزّز بالاسترجاع | تزويد النموذج بمقتطفات من مصادرك قبل أن يجيب |
| Vector Database | قاعدة بيانات متّجهية | قاعدة تخزّن التضمينات للبحث بالمعنى |
| Chunking | التقطيع إلى مقاطع | تقسيم المستندات إلى أجزاء قبل فهرستها |
| AI Agent | الوكيل الذكي | نظام يخطّط وينفّذ خطوات ويستخدم أدوات لتحقيق هدف |
| Tool Use / Function Calling | استخدام الأدوات | قدرة النموذج على استدعاء أدوات أو دوال خارجية |
| Workflow | سير العمل | خطوات محدّدة مسبقًا تنفّذها الأنظمة بالتتابع |
| ReAct | التفكير ثم الفعل | نمط يتناوب فيه النموذج بين التفكير واستخدام الأدوات |
| MCP | بروتوكول سياق النموذج | معيار مفتوح لربط النماذج بالأدوات ومصادر البيانات |
| المصطلح | المقابل | التعريف |
|---|---|---|
| Alignment | المحاذاة | مطابقة سلوك النظام للقيم والأهداف المقصودة |
| Bias | التحيّز | انحياز منهجي في المخرجات تجاه فئة أو منظور |
| Fairness | العدالة (الإنصاف) | تصميم أنظمة لا تميّز ضد فئات |
| Explainability (XAI) | القابلية للتفسير | جعل قرارات النموذج مفهومة للبشر |
| Guardrails | حواجز الحماية | قيود تمنع المخرجات غير المرغوبة |
| Red Teaming | الاختبار العدائي | محاكاة الهجمات لكشف الثغرات قبل النشر |
| Prompt Injection | حقن التعليمات | تعليمات خبيثة مدسوسة تتجاوز نيّة المطوّر |
| Model Card | بطاقة النموذج | وثيقة تصف قدرات النموذج وحدوده ومخاطره |
| AI Literacy | محو الأمية في الذكاء الاصطناعي | الحدّ الأدنى من الفهم لاستخدام الأنظمة بوعي ومسؤولية |
للتوسّع: أسس الاختبار العدائي، وخريطة حوكمة الذكاء الاصطناعي.
مصطلحات تُخطئ فيها الترجمات كثيرًا
اختبر فهمك
حفظ النموذج بيانات التدريب وفشل في بيانات جديدة. ما اسم هذه الظاهرة؟
النموذج «حفظ» ولم «يتعلّم»، فلا يعمّم خارج ما رآه.
اختبر فهمك
تريد أن يجيب النموذج من مستندات شركتك لا من معرفته العامة. أيّ تقنية تحتاج؟
RAG يزوّد النموذج بمقتطفات من مصادرك وقت الإجابة، دون إعادة تدريب.
اختبر فهمك
ما أدق مقابل عربي لـ Agent في سياق الذكاء الاصطناعي؟
«عميل» تعني client، وهي خطأ شائع في هذا السياق.