كيف يؤثر حجم البيانات وجودتها على أداء الذكاء الاصطناعي

البيانات هي التي تحدد سقف أداء الذكاء الاصطناعي. فزيادة حجمها تحسّن الأداء عادةً، لكن كل دفعة إضافية تضيف أقل مما أضافته سابقتها، وبشرط أن تكون البيانات دقيقة وكاملة وحديثة وممثِّلة للحالات الحقيقية. وبعد حدٍّ معين يصبح تنظيف البيانات أنفع من زيادتها، لأن كل خطأ في البيانات يصير خطأً في المخرجات.

يشرح هذا الدليل كيف يؤثر حجم البيانات وجودتها وملاءمتها على أداء الذكاء الاصطناعي، وما تقوله الأبحاث عن كل منها، ومشكلات البيانات التي تضر الذكاء الاصطناعي في الشركات السعودية أكثر من غيرها، وقائمة مراجعة تطبّقها قبل أن تدرّب نظام ذكاء اصطناعي أو تضبطه أو تزوّده بالبيانات. والأمثلة توضيحية ما لم يُذكر لها مصدر.

كيف تؤثر البيانات على أداء الذكاء الاصطناعي: الكمية والجودة والملاءمة

تقولها مبادئ أخلاقيات الذكاء الاصطناعي من سدايا بوضوح: ينبغي أن تكون كمية مجموعات البيانات وجودتها كافيتين ودقيقتين بما يخدم غرض النظام، ولحجم العينة التي تُجمع أثر كبير في دقة مخرجات النموذج وعدالتها [1]. ويُدرج المعهد الوطني الأمريكي للمعايير والتقنية (NIST) البيانات ضمن المخاطر التي تميّز الذكاء الاصطناعي عن البرمجيات المعتادة: فقد لا تمثّل البيانات السياق الذي يُستخدم فيه النظام تمثيلًا صحيحًا، وقد تضعف مشكلات جودتها الثقة به، وقد تتقادم مقارنةً بالبيئة التي يعمل فيها [2].

ومن ذلك تنتج ثلاثة أسئلة:

فإذا خيّب نظام ذكاء اصطناعي ظنك، فراجع هذه الأسئلة الثلاثة قبل أن تلوم النموذج.

كيف يؤثر حجم بيانات الحاسوب على أداء الذكاء الاصطناعي؟ ما تقوله أبحاث التوسّع

في النماذج اللغوية الكبيرة التي تعمل بها مساعدات المحادثة، قيست العلاقة بين حجم البيانات والأداء. فقد وجدت دراسة صدرت عام 2020 أن خطأ النموذج (ما يُسمّى «الخسارة») ينخفض وفق قانون قوة مع حجم النموذج وحجم البيانات وقدرة الحوسبة المستخدمة في التدريب [3]. وبعبارة بسيطة: التحسّن منتظم ويمكن توقعه، لكن كل مضاعفة للبيانات تشتري تحسنًا أصغر من سابقتها.

ودرّبت دراسة أخرى صدرت عام 2022 أكثر من 400 نموذج لغوي، تتراوح بين 70 مليون معامل وأكثر من 16 مليار معامل، على ما بين 5 و500 مليار وحدة نصية. وخلصت إلى أن حجم النموذج وعدد وحدات التدريب ينبغي أن يزيدا بالنسبة نفسها، وأن نماذج كبيرة كثيرة دُرّبت على بيانات أقل من حاجتها. وتفوّق نموذجها «تشينشيلا» (Chinchilla)، بحجم 70 مليار معامل ونحو أربعة أضعاف البيانات مقارنةً بنموذج «غوفر» (Gopher) ذي 280 مليار معامل وبميزانية الحوسبة نفسها، على «غوفر» وعلى عدة نماذج أكبر منه في طيف واسع من المهام [4].

والأحجام هنا هائلة. فيذكر المركز الوطني للذكاء الاصطناعي في سدايا أن نسخة «علّام» (ALLaM) ذات 7 مليارات معامل دُرّبت على 5.2 تريليون وحدة نصية: 4 تريليونات بالإنجليزية، ثم 1.2 تريليون من نصوص عربية وإنجليزية مختلطة [5]. والوحدة النصية (token) مقطع قصير من النص يكون غالبًا جزءًا من كلمة.

ونادرًا ما تدرّب شركةٌ نموذجًا من هذا النوع. فهي في الغالب تكيّف نموذجًا قائمًا بأمثلتها الخاصة، أو تعطيه مستنداتها ليقرأها عند الإجابة. وحينها تكون البيانات المطلوبة أصغر بكثير، لكن وزنها أكبر: فبضع مئات من الأمثلة الخاطئة أو الناقصة قد تحسم هل يعمل النظام مع عملائك أم لا.

لماذا تتقدم الجودة على الحجم بعد حدٍّ معين؟

ثلاث نتائج بحثية تبيّن أن البيانات الأنظف قد تكون أهم من البيانات الأكثر.

• البيانات المنتقاة قد تتفوق على الحجم. درّب باحثون نموذج البرمجة phi-1، بحجم 1.3 مليار معامل، على نحو 6 مليارات وحدة نصية من بيانات ويب «بجودة الكتب المدرسية»، ونحو مليار وحدة من كتب وتمارين مولَّدة. فبلغ 50.6% في اختبار HumanEval للبرمجة، ويعزو الباحثون قوته أمام نماذج أكبر منه بكثير إلى جودة بياناته [6].
• أخطاء التصنيف تضللك في تقييم الأداء. قدّرت دراسة لعشر مجموعات اختبار شائعة أن متوسط أخطاء التصنيف فيها لا يقل عن 3.3%، وأنها تبلغ 6% على الأقل في مجموعة التحقق من ImageNet. وبعد تصحيح التصنيفات، تفوّق نموذج أصغر على نموذج أكبر بمجرد أن ارتفعت نسبة الأمثلة المصنفة خطأً في الأصل بمقدار 6% فقط [7]. أي أن أخطاء بيانات الاختبار قد تدفعك إلى اختيار النموذج الخطأ.
• مشكلات البيانات تتراكم. وصف باحثون في Google قابلوا 53 من العاملين في الذكاء الاصطناعي ما سمّوه «تتابع البيانات»، أي أحداثًا متراكمة تنشأ عن مشكلات في البيانات وتترك آثارًا سلبية لاحقة، ووجدوا أن انتشاره بينهم بلغ 92% [8].

سبع مشكلات في البيانات تضر أداء الذكاء الاصطناعي

يعرّف الدليل المرجعي لتحيّز الذكاء الاصطناعي من سدايا، الصادر في طبعته الأولى في مايو 2026، نحو مئة صورة يتسلل بها التحيز أو الخطأ عبر البيانات والنماذج ومستخدميها [9]. ويقرن الجدول سبعًا من أكثرها شيوعًا بما يبدو عليه في شركة سعودية.

وتستحق القيم الناقصة والسجلات المكررة مكانًا في القائمة أيضًا. فهي ليست تحيزًا بالمعنى الذي تقصده سدايا، لكنها تشوّه ما يتعلمه النموذج بالطريقة الصامتة نفسها.

البيانات العربية: الفجوة الأولى هي الحجم

تبدأ العربية برصيد من البيانات أقل بكثير من الإنجليزية. ففي أحدث أرشيف أدرجته Common Crawl في أكتوبر 2026 (CC-MAIN-2026-39)، وهو أرشيف عام لصفحات الويب يُستخدم على نطاق واسع في تدريب النماذج اللغوية، شكّلت الصفحات الإنجليزية 41.86% والعربية 0.67% [10]، أي نحو 63 صفحة إنجليزية مقابل كل صفحة عربية. ويُظهر مزيج تدريب «علّام» الاختلال نفسه: 4 تريليونات وحدة إنجليزية قبل 1.2 تريليون من النصوص العربية والإنجليزية المختلطة [5].

وتتسع الفجوة أكثر في اللهجات السعودية والمستندات الممسوحة ضوئيًا ومصطلحات القطاعات. ويضرب دليل سدايا المثال المعتاد: نموذج مراجعات دُرّب على النصوص الرسمية وحدها يعجز عن فهم التعليقات المكتوبة باللهجة، فيهمّش طريقة كتابة شريحة كبيرة من المستخدمين [9]. والدرس العملي للشركة السعودية: اختبر أي نظام ذكاء اصطناعي على موادك العربية أنت، لا على العرض التجريبي للمورّد، وتعامل مع رسائلك وتذاكرك ونماذجك السابقة على أنها بيانات تستحق التنظيف والحفظ. وإن كانت سجلاتك ملفات PDF ممسوحة ضوئيًا، فدليلنا عن OCR العربي يشرح كيف تحوّلها أولًا إلى بيانات يمكن الوثوق بها.

حين تضر زيادة البيانات: البيانات المولَّدة وانهيار النماذج

مع ازدياد المحتوى الذي يكتبه الذكاء الاصطناعي على الويب، ينتهي جزء أكبر منه في مجموعات التدريب. وقد وجد باحثون أن تدريب النماذج دون تمييز على محتوى ولّدته نماذج أخرى يُحدث عيوبًا لا رجعة فيها، تختفي فيها أطراف التوزيع الأصلي، أي الحالات النادرة لكنها حقيقية [11]. فالبيانات الأكثر هنا تعني نموذجًا أضيق وأقل دقة.

والمنطق نفسه ينطبق داخل الشركة. فالملخصات والردود المسودة والسجلات المولَّدة بالذكاء الاصطناعي قد تفيد، لكنها ليست بديلًا عن السجلات الحقيقية. احتفظ بالأصول، وميّز السجلات التي ولّدها الذكاء الاصطناعي، ولا تدع النص المولَّد يصبح بصمت «الحقيقة المرجعية» التي يتعلم منها نموذج لاحق.

دقة البيانات التزام نظامي أيضًا في السعودية

حين تكون البيانات شخصية، لا تكون الجودة ممارسة حسنة فقط. فالمادة الرابعة عشرة من نظام حماية البيانات الشخصية لا تجيز لجهة التحكم معالجة البيانات الشخصية دون اتخاذ خطوات كافية للتحقق من دقتها واكتمالها وحداثتها وارتباطها بالغرض الذي جُمعت من أجله [12]. وتقصر المادة الحادية عشرة محتوى البيانات الشخصية على الحد الأدنى اللازم لتحقيق الغرض من جمعها [12].

وتضيف مبادئ الأخلاقيات من سدايا ضوابط إجرائية: أن تُعتمد مجموعات البيانات ويُصادق عليها قبل بدء تطوير النموذج، وأن تُوثَّق عملية إعداد البيانات وفحوص جودتها وتتحقق منها الجهات المسؤولة [1]. وما في هذا القسم معلومات عامة؛ ففي الحالة الخاصة راجع إرشادات سدايا أو مستشارًا مرخّصًا.

قائمة من 10 بنود لمراجعة البيانات قبل استخدام الذكاء الاصطناعي

طبّقها على أي مجموعة بيانات قبل أن تدرّب بها نظام ذكاء اصطناعي أو تضبطه أو تزوّده بها.

1. سمِّ القرار. اكتب ما سيقرره النظام أو يُنتجه، والحالات التي يجب أن يتعامل معها.
2. عُدّ كل حالة. تأكد أن كل فئة وفرع ولهجة وخط منتجات وموسم سيراه النظام موجود في البيانات، لا الحالات الشائعة وحدها.
3. اختبر التوسيم. اجعل شخصين يوسّمان العينة نفسها من السجلات ثم قارن؛ فمواضع الخلاف تكشف القواعد الناقصة.
4. احذف المكرر وسجلات التجربة، ومنها الإدخالات التجريبية والعمليات الملغاة التي لم تقع فعلًا.
5. راجع التواريخ. دوّن النطاق الزمني، وميّز السجلات السابقة لأي تغيير في الأسعار أو الرسوم أو الأنظمة أو الإجراءات.
6. افصل بيانات التدريب عن الاختبار، بالتاريخ حيثما أمكن، وتأكد أن أي حقل مُدخل لا يكشف الإجابة.
7. احتفظ بمجموعة من الحالات الحقيقية الحديثة لا يراها النظام في التدريب، واحكم على النتائج بها وحدها.
8. ميّز السجلات المولَّدة بالذكاء الاصطناعي حتى لا تمرّ على أنها بيانات أصلية.
9. قلّل البيانات الشخصية وتحقق من دقتها، وفق نظام حماية البيانات الشخصية.
10. راقب بعد التشغيل. أعد الاختبار على حالات جديدة في مواعيد ثابتة، وأعد التدريب أو عدّل النظام حين تتراجع النتائج.

خطوتك التالية

اختر مجموعة بيانات واحدة تريد أن يعمل عليها الذكاء الاصطناعي، كرسائل العملاء أو فواتير الموردين أو تذاكر الخدمة، وطبّق البنود الخمسة الأولى هذا الأسبوع على عينة من بضع مئات من السجلات. فالفجوات التي ستجدها تخبرك عن أداء الذكاء الاصطناعي المتوقع أكثر من أي مقارنة يعرضها مورّد. وحين تصبح جاهزًا لتجربة الذكاء الاصطناعي في هذه المهمة، يشرح دليلنا عن الذكاء الاصطناعي في الشركات الصغيرة كيف تجري تجربة قصيرة قابلة للقياس. ويمكنك التعرف على O AI (أو إيه آي)، شركة البرمجيات والذكاء الاصطناعي في الخبر، من صفحتنا الرئيسية.