دليل الشرح المبسّط — الجلسة الأولى «الخريطة»
كل نقطة في المحاضرة، مشروحة بالعامية من الصفر، بأمثلة ملموسة، وبالكلام اللي تقدر تقوله حرفيًا قدام الحاضرين.
محتويات الدليل
- اللغز الافتتاحي — وليه بنبدأ بفشل مش بتعريف
- صعوبة العربية — «علم» والمورفيمات
- التاريخ في ٣ موجات
- المناظرة الكبرى — تشومسكي ونورفيغ
- لوحة الحالة البحثية
- سوسيولوجيا الحقل — إزاي بيتنشر العلم هنا
- مشهد العربية ٢٠٢٦ — النماذج السيادية
- الختام — قلب مقولة Jelinek
- مسرد: كل مصطلح في المحاضرة بالعامية
- أسئلة الحاضرين المتوقعة + إجاباتك
اللغز الافتتاحي — وليه بنبدأ بفشل مش بتعريف
الطلاب دول مش عايزين يسمعوا «اللسانيات الحاسوبية هي علم يدرس...» — دي جملة هيقفلوا عندها. فإحنا بنبدأ بالعكس تمامًا: بنوريهم نظام ذكاء اصطناعي بيغلط قدامهم في حاجة هُمّ يعرفوها. لحظتها بيحصل حاجة نفسية مهمة: بيحسوا إنهم أعلى من النظام في نقطة معينة — وده بيفتح دماغهم فورًا للسؤال: «طب ليه بيغلط؟» والإجابة على السؤال ده هي المحاضرة كلها.
اللغز الأول: التشكيل
إحنا بنطلب من نموذج ذكاء اصطناعي (زي ChatGPT أو Claude أو Jais) إنه يشكّل الجملة دي:
النموذج غالبًا هيكتب: «الذي عَقَدَ» — بفتح العين والقاف، يعني مبني للمعلوم.
طب إيه الغلط في كده بالظبط؟
لما نقول «عَقَدَ» بالمعلوم، يبقى إحنا بنقول إن المجلس هو اللي عَقَد حاجة — المجلس فاعل. بس إحنا في الجملة دي قصدنا إن المجلس هو اللي اتعقد (يعني اجتماعه انعقد)، فالصح «الذي عُقِدَ» بضم العين وكسر القاف — مبني للمجهول.
تخيل حد قال لك: «الحفلة الذي أقام أمس» — هتحس إن في حاجة غلط، لأن الحفلة مبتقيمش، الحفلة بتتقام. نفس الكلام بالظبط: المجلس مبيعقدش نفسه، المجلس بينعقد. الطالب بتاعك في كلية الألسن حاسس بالفرق ده بالسليقة — والنموذج مش حاسس بيه.
اللغز التاني: الإحالة (مين بيرجع على مين؟)
الجملة: «سلّم المحامي الموكّلَ المستنداتِ ثم شكرَه» — نسأل النموذج: الهاء في «شكرَه» راجعة على مين؟
الحقيقة إن الجملة محتملة للاتنين: يمكن المحامي شكر الموكّل، ويمكن الموكّل شكر المحامي. مفيش قاعدة نحوية بتحسمها — اللي بيحسمها هو السياق والمنطق (ده اسمه «تداولي» يعني بيعتمد على الموقف مش على القواعد).
النموذج بيرد وبيقول «راجعة على المحامي» — بثقة تامة، من غير ما يقول لك «الجملة دي فيها احتمالين».
المشكلة مش إنه اختار غلط. المشكلة إنه ماقالش إنه مش متأكد. تخيل مترجم شغال معاك، وجه على جملة ملتبسة، واختار قراءة من عنده من غير ما يسألك ولا يعلّق. ده أخطر بكتير من مترجم بيقول لك «الجملة دي محتملة لمعنيين، إيه رأيك؟». المصطلح العلمي لده اسمه Calibration — يعني «معايرة الثقة»: هل النظام بيعرف يقدّر مدى تأكده من كلامه؟
«خلينا نتفق على حاجة من دلوقتي: إحنا مش هنا عشان نصطاد أخطاء في النماذج ونضحك عليها. إحنا بنعمل حاجة تانية خالص — بنرسم حدود قدرة. لما تعرف بالظبط فين النظام بيقف، تكون رسمت خريطة الأرض اللي هتشتغل عليها. ده اسمه شغل علمي.»
متترتبكش خالص — ده في الحقيقة نتيجة أحسن. غيّر صياغة السؤال شوية (بدل «اضبط بالشكل» قول «شكّل الجملة دي») وشغّله تاني. غالبًا هتلاقي الإجابة اتغيّرت. وقتها قول للحاضرين: «شفتوا؟ نفس السؤال تقريبًا، وإجابة مختلفة. ده اسمه Robustness — ثبات النظام. وعدم ثباته دي ظاهرة بحثية بيتكتب فيها أوراق منشورة.» يبقى حوّلت «العرض اللي فشل» لدرس أعمق.
صعوبة العربية — «علم» والمورفيمات
عايزين نثبت للحاضرين — بدليل يشوفوه بعينهم مش بكلام — إن العربية من أصعب اللغات على الكمبيوتر. ولو أثبتنا ده، بيترتب عليه استنتاج مهم جدًا: يبقى اللي بيفهم عربي من جوّه، ده كنز نادر في المجال ده. مش زيادة عن الحاجة — نادر.
١. مُشكِّل «علم» — الحاجة اللي بتتحرك في الصفحة
في المحاضرة في مربع كبير غامق، وفيه كلمة «علم» عملاقة بتتبدل حركاتها لوحدها كل شوية بين ٦ قراءات. الفكرة إن الرسم واحد (ع + ل + م) لكن المعاني ٦:
| الشكل | المعنى | نوعها |
|---|---|---|
| عِلْم | المعرفة | اسم |
| عَلَم | الراية | اسم |
| عَلِمَ | عرف | فعل ماضي |
| عُلِمَ | بقى معروف | مبني للمجهول |
| عَلَّمَ | درّس | فعل مضعّف |
| عُلِّمَ | اتعلّم على إيد حد | مضعّف مجهول |
طب ليه دي مشكلة للكمبيوتر بالتحديد؟
لأن إحنا بنكتب من غير تشكيل. فلما الكمبيوتر يشوف «علم» في نص، بيلاقي قدامه ٦ احتمالات ومفيش أي علامة في النص نفسه تقول له مين الصح. لازم يستنتج من الكلام اللي حواليها. الإنجليزي مبيعانيش من ده: book مكتوبة كده يبقى هي دي، مفيش حركات ناقصة.
«لو كتبت لك على ورقة: عقد — تترجمها إزاي؟ contract؟ ولا necklace؟ ولا decade؟ ولا هي فعل he tied؟ إنت مش هتعرف غير لما تشوف الجملة كلها. الكمبيوتر بردو. الفرق إن إنت بتستنتج في جزء من الثانية بخبرة عمرك، وهو محتاج نموذج مدرّب على ملايين الجمل عشان يقرّب من كده.»
٢. الغنى الصرفي — «أفاستسقيناكموها»
في المحاضرة الكلمة دي بتتفجّر لست قطع ملونة. المعنى: «فهل طلبنا منكم أن تسقونا إياها؟»
أصغر جزء في الكلمة له معنى أو وظيفة. مثال: كلمة «الكاتبون» فيها: ال (تعريف) + كاتب (الأصل) + ون (جمع مذكر). يبقى ٣ مورفيمات في كلمة واحدة.
كلمة «أفاستسقيناكموها» جواها ٦ وظائف: همزة استفهام + فاء عطف + الفعل من جذر س‑ق‑ي + ضمير الفاعل (نا) + مفعول أول (كمو) + مفعول تاني (ها). يعني جملة إنجليزية كاملة اتلمّت في كلمة واحدة.
مش المطلوب إن الحاضرين ينبهروا بغرابة الكلمة. المطلوب إنهم يفهموا النتيجة الحاسوبية: الفعل الإنجليزي له ٤–٥ صيغ (write, writes, wrote, written, writing) — الجذر العربي بيطلّع آلاف الصيغ. يبقى أي برنامج بيتدرّب على نصوص عربية، هيقابل باستمرار كلمات مشافش زيها قبل كده، حتى لو اتدرب على ملايين الصفحات.
معناها: عندك بيانات كتير بس مبعثرة على أشكال كتير جدًا، فكل شكل بيظهر مرات قليلة. تخيل عندك مكتبة فيها مليون كتاب، بس كل كتاب مكتوب بخط مختلف — كتر الكتب مش هينفعك لأنك في كل مرة بتقابل خط جديد. ده حال العربية مع الكمبيوتر.
«كل صعوبة شفتوها دلوقتي معناها حاجة واحدة: الحلول الجاهزة اللي اتعملت للإنجليزي بتشتغل أوحش على العربي. والفرق البحثية في العالم عارفة كده كويس، وعشان كده بتدوّر على ناس تعرف العربي من جوّه — صرفه ونحوه ولهجاته. إنتوا مش داخلين المجال ده من الصفر. إنتوا داخلينه ومعاكم الحاجة النادرة فيه.»
التاريخ في ٣ موجات
المجال عدّى بـ٣ طرق مختلفة تمامًا في التفكير. مش تطوير على بعض — تغيير كامل في الفلسفة كل مرة. لما الطالب يفهم الـ٣ طرق دول، يبقى يقدر يقرا أي بحث ويعرف فورًا هو تابع لأنهي مدرسة.
الموجة الأولى: نكتب القواعد بإيدينا (١٩٥٤ – الثمانينات)
الفكرة: اللغة قواعد، والقواعد ممكن نكتبها للكمبيوتر. يعني نقعد نكتب: «لو لقيت اسم بعده صفة، اعملها كذا» — آلاف القواعد بإيدينا.
محطة ١٩٥٤ — تجربة Georgetown
أول عرض علني للترجمة الآلية: ترجموا ٦٠ جملة من الروسي للإنجليزي، بقاموس فيه ٢٥٠ كلمة بس و٦ قواعد نحوية. الصحافة اتجننت وقالت «الترجمة الآلية هتتحل خلال ٣ لـ٥ سنين».
«قالوا ٣ لـ٥ سنين... خدت ٦٠ سنة. أول درس في المجال ده: خلي بالك من التنبؤات المتفائلة — وده درس نافع لغاية النهارده مع كل عناوين الصحف عن الذكاء الاصطناعي.»
محطة ١٩٦٦ — صدمتين في سنة واحدة
- تقرير ALPAC: لجنة حكومية أمريكية طلعت تقرير بيقول الترجمة الآلية فاشلة ومش مستاهلة فلوس — فاتقطع التمويل وحصل ركود سموه «شتاء المجال».
- برنامج ELIZA: واحد اسمه Weizenbaum عمل برنامج بسيط جدًا بيقلّد دكتور نفسي. طريقته: بياخد كلامك ويقلبه سؤال. تقول له «أنا حزين من شغلي» يرد «ليه إنت حزين من شغلك؟». مفيش أي فهم — مجرد استبدال كلمات. ومع ذلك الناس اتعلقت بيه وكانت بتحكي له أسرارها لدرجة إن اللي عمله اتخض ورجع يكتب ينتقد اختراعه.
«ELIZA سنة ١٩٦٦ خدعت الناس بمجرد إنها بتتكلم بطلاقة. وسنة ٢٠٢٢ جه ChatGPT وخدع العالم كله بنفس الظاهرة بالظبط، بس على مستوى مئات الملايين. السؤال اللي اتسأل من ٦٠ سنة لسه هو هو: هل الطلاقة دليل على الفهم؟ إحنا هنقعد نلف حوالين السؤال ده طول المحاضرة.»
الموجة الثانية: خلي الكمبيوتر يتعلم من أمثلة (التسعينات – ٢٠١٢)
الفكرة الجديدة (مشروع IBM Candide): بلاش نكتب قواعد. نجيب ملايين الجمل المترجمة فعلًا، والكمبيوتر يستنتج القواعد بنفسه إحصائيًا.
الطريقة القديمة: أقعد أشرح لواحد قواعد الشطرنج بندًا بندًا. الطريقة الجديدة: أوريه ٥ ملايين لعبة شطرنج ويستنتج لوحده إن الوزير أقوى من العسكري. مافيش حد قال له، هو لاحظ من كتر ما شاف.
مصدر البيانات وقتها كان طريف: محاضر البرلمان الكندي، لأنها بتتكتب بالإنجليزي والفرنساوي مع بعض بشكل رسمي — يعني ملايين الجمل المترجمة ببلاش.
مجموعة نصوص كبيرة متجمّعة عشان نحللها أو ندرّب عليها. لو اشتغلت قبل كده على AntConc — إنت اشتغلت على corpus. الكلمة دي هتقابلك في كل ورقة بحثية.
ومن الوقت ده جت مقولة منسوبة لواحد اسمه Jelinek مفادها إن أداء الأنظمة كان بيتحسن كل ما قلّ اعتمادهم على اللغويين. جملة قاسية على اللغويين — وإحنا هنقلبها في آخر المحاضرة.
الموجة الثالثة: الشبكات العصبية والنماذج الضخمة (٢٠١٣ – النهارده)
٢٠١٣ — word2vec: الكلمة بقت أرقام
دي محتاجة شرح بالراحة لأنها أهم فكرة في المجال كله.
تخيل خريطة. كل مدينة ليها إحداثيات (خط طول وخط عرض). المدن القريبة من بعض إحداثياتها متقاربة.
دلوقتي تخيل خريطة تانية، بس بدل المدن فيها كلمات. وكل كلمة ليها إحداثيات (مش اتنين، لكن ٣٠٠ رقم مثلًا). الكلمات اللي معناها قريب، إحداثياتها قريبة. يعني «ملك» و«سلطان» جنب بعض، و«ملعقة» بعيدة خالص. مجموعة الأرقام دي اسمها متجه (Vector) أو Embedding.
من الجيرة. لأنه لاحظ إن الكلمتين بتيجي حواليهم نفس الكلمات: «قصر، حكم، عرش، أمر». اللغوي البريطاني Firth قال جملة من زمان: «تعرف الكلمة من صحبتها» — وde حرفيًا اللي الكمبيوتر بيعمله. يعني الأساس النظري للثورة التقنية دي لغوي مش تقني.
٢٠١٧ — الـ Transformer وورقة "Attention Is All You Need"
آلية بتخلي النموذج، وهو بيعالج كلمة، يبص على باقي كلمات الجملة ويقرر مين المهم فيهم لفهم الكلمة دي.
في جملة: «الطالب اللي قابلته إمبارح ذاكر كويس» — عشان تفهم «ذاكر» دي فعل ولا صفة، عينك رجعت لكلمة «الطالب». إنت عملت attention من غير ما تحس. الـ Transformer بيعمل ده رياضيًا لكل كلمة مع كل كلمة. البنية دي هي أساس ChatGPT وClaude وJais وكل النماذج الحديثة.
٢٠٢٢ — ChatGPT والمرحلة اللي تخصكم
النموذج بيتدرب على مرحلتين: (١) يقرا كمية نصوص رهيبة عشان يتعلم اللغة — دي زي «التعليم». (٢) بعد كده ناس حقيقيين بيقعدوا يقيّموا إجاباته: ده رد كويس، ده وحش، ده مؤدب أكتر — دي زي «التربية». والمرحلة التانية دي اسمها RLHF أو post-training.
«المرحلة التانية دي — التربية — مين بيعملها؟ بشر بيحكموا على لغة. يعني اللي بيحدد شكل النموذج النهائي في الآخر هو حكم لغوي بشري. إنتوا مش بتتفرجوا على الموجة التالتة من بعيد — إنتوا في خط إنتاجها.»
المناظرة الكبرى — تشومسكي × نورفيغ
في خلاف فلسفي كبير مش متحلول لغاية دلوقتي، وهو: إيه اللي يعتبر «تفسير علمي» للغة؟ فريق بيقول لازم نفهم ليه اللغة شغالة كده، وفريق تاني بيقول يكفي إن عندي نظام بيتنبأ صح.
موقف تشومسكي (المدرسة العقلانية)
بيقول: النظام اللي بينجح من غير ما نفهم ليه بينجح، ده مش علم — ده وصف. هدف العلم إنه يفسّر.
تخيل واحد جمع بيانات عن حركة النحل لمدة ٥٠ سنة، وعمل برنامج بيتنبأ بحركة النحلة الجاية بدقة ٩٩٪. تشومسكي هيقول له: «حلو، بس إنت لسه مش فاهم ليه النحل بيتحرك كده. عندك جدول مش نظرية.» ده بالظبط رأيه في نماذج الذكاء الاصطناعي.
موقف نورفيغ (المدرسة التجريبية)
بيقول: اللغة الحقيقية — مش الجمل المثالية في الكتب — مليانة غموض وتدرّج واستثناءات. والاحتمالات هي الوصف الأصدق ليها، مش حيلة هندسية. وكمان: معيار أي نظرية علمية هو قدرتها تتنبأ بحاجة مشفتهاش قبل كده — ودي معايير علمية محترمة في كل العلوم.
الجولة الحديثة: هل النماذج «بتفهم»؟
تشبيه من ورقة شهيرة كتبتها Emily Bender وزميلاتها: النموذج زي الببغاء — بيرجّع كلام سمعه بترتيب مقنع، من غير ما يكون قاصد أي حاجة. الطلاقة بتخدعنا فنفتكره فاهم.
تجربة فكرية: تخيل أخطبوط تحت البحر لقى كابل بيوصل بين اتنين بيتراسلوا، وقعد سنين يسمع رسايلهم لغاية ما اتعلم يرد زيهم بالظبط. هو دلوقتي بيرد صح — بس هو شاف الدنيا فوق؟ عمره ما شاف شجرة ولا مطر. يبقى هو فاهم ولا بس عارف الأنماط؟ الفكرة: الشكل لوحده مش بيوصّل للمعنى.
منهج بحثي: بدل ما أسأل سؤال فضفاض «هل النموذج فاهم؟»، أعمل امتحان منظّم يعزل ظاهرة لغوية واحدة، وأشوف بيفشل فين بالظبط. الأبحاث دي لقت جوّه النماذج تمثيلات نحوية حقيقية — يعني الحكاية أعقد من «ببغاء وخلاص».
«خدوا بالكم من حاجة: الجدل ده كله — يعني إيه معنى؟ يعني إيه إحالة؟ يعني إيه فهم؟ — ده جدل لغوي وفلسفي بيحصل جوّه مجال هندسي. وأشهر ورقة نقدية في العقد الأخير كتبتها لغوية. إنتوا مش داخلين ضيوف على المجال — المجال محتاجكم بالاسم.»
لوحة الحالة البحثية
دي أهم لوحة في المحاضرة عمليًا. بنقسم مهام المجال لـ٣ أنواع: 🟢 محلولة تقريبًا (متضيعش وقتك فيها)، 🟡 نص محلولة، 🔴 مفتوحة (لسه محدش حلها). والطالب اللي بيدور على موضوع رسالة، بيدور في الأحمر والأصفر.
أمثلة سريعة من اللوحة
| المهمة | حالتها | ليه |
|---|---|---|
| الوسم الصرفي للإنجليزي | 🟢 | الدقة فوق ٩٧٪ من سنين — مبقاش موضوع رسالة |
| الترجمة الآلية | 🟡 | حلوة بين اللغات الكبيرة، بتنهار في اللغات الصغيرة والمصطلح التخصصي |
| التشكيل الآلي للعربي | 🔴 | حتى النماذج الضخمة بتغلط — شفناها في أول المحاضرة |
| ترجمة اللهجات العربية | 🔴 | مفيش بيانات كفاية أصلًا |
لغة مفيش ليها بيانات رقمية كتير (نصوص، ترجمات، قواميس). الإنجليزي عنده كل حاجة. اللهجة المصرية أو المغربية؟ حاجة قليلة جدًا. وده مش عيب في اللهجة — ده فرصة، لأن أي حاجة تعملها فيها بتبقى إضافة جديدة.
«محلولة» دي كلمة خطيرة. معناها بالظبط: الأداء على الامتحانات الموجودة بقى عالي. بس مين عمل الامتحانات دي؟ وعلى أنهي لغة؟
تخيل امتحان ثابت، الطلبة حفظوه بمرور السنين وكلهم بياخدوا ٩٩٪. ده معناه إن الطلبة بقوا شاطرين؟ ولا إن الامتحان استهلك؟ ده اسمه Benchmark Saturation — تشبّع المعيار. ونقد المعايير دي، خصوصًا العربية، ده موضوع رسالة ماستر ممتاز لوحده.
امتحان موحّد بيتقاس عليه كل النماذج عشان نقدر نقارنهم. زي امتحان الثانوية العامة — كله بيمتحن نفس الورقة فنقدر نقول مين أشطر.
النظام اللي بتقارن نفسك بيه. لو عملت نظام جديد لازم تثبت إنه أحسن من إيه. والحيلة اللي بيعملها الباحثين الضعاف: بيختاروا baseline ضعيف عشان يكسبوه بسهولة — ودي حاجة هتتعلموا تكشفوها في الجلسة الجاية.
سوسيولوجيا الحقل — إزاي بيتنشر العلم هنا
دي المعلومات اللي محدش بيقولها للطالب، وبتضيّع عليه سنة كاملة وهو تايه. مجال اللسانيات الحاسوبية بيشتغل بقواعد مختلفة تمامًا عن كليات الآداب واللغات. لازم يعرفوا القواعد دي من دلوقتي.
الصدمة ١: المؤتمر أهم من المجلة
في كليات اللغات، النشر في مجلة محكّمة = قمة الإنجاز، والمؤتمر حاجة على الهامش. في المجال ده العكس بالظبط: الأوراق اللي بتتقبل في المؤتمرات الكبيرة (ACL، EMNLP، NAACL) هي العملة الأغلى، ونسبة القبول فيها حوالي ٢٠–٢٥٪ بس، وبتتحكّم زي المجلات بالظبط.
وفيه مؤتمر مخصوص للعربية اسمه ArabicNLP (كان اسمه WANLP) — ده أنسب مكان لأول ورقة ليهم.
موقع فيه كل أوراق المجال تقريبًا من الستينات لحد النهارده، مجانًا بالكامل، من غير اشتراكات ولا paywall. دي مكتبتهم الجديدة. ثقافة المجال ده منفتحة بشكل غير عادي.
الصدمة ٢: النشر بيبدأ قبل التحكيم
الباحث بيرفع ورقته على موقع اسمه arXiv قبل ما تتحكّم أصلًا، والناس بتقراها وتستشهد بيها فورًا. بعدين تتحكّم وتتقبل في مؤتمر. يعني الإيقاع بالأسابيع مش بالسنين.
«في كلية الآداب، ممكن تستنى سنتين لغاية ما بحثك ينشر. هنا؟ ممكن ورقة تنزل النهارده وتلاقي عليها ٥٠ استشهاد بعد ٦ شهور. الإيقاع مختلف تمامًا — وده معناه إنكم لازم تتعودوا تتابعوا باستمرار.»
الصدمة ٣: الأرقام هي الحكم
الادعاء العلمي هنا مبيتحسمش بالحجج والبلاغة — بيتحسم بالقياس: نموذجك ضد baseline على benchmark، والأرقام معلنة وأي حد يقدر يعيد التجربة. وده بيرجعنا للنقطة الخطيرة: اللي بيصمم الامتحان هو اللي بيحدد إيه اللي هيتشاف أصلًا.
مشهد العربية ٢٠٢٦ — النماذج السيادية
في حاجة كبيرة حصلت آخر ٣ سنين ومعظم الناس مش واخدة بالها: دول عربية بقت تبني نماذج ذكاء اصطناعي خاصة بيها بميزانيات ضخمة — مش بتستنى جوجل ولا OpenAI. وده بيخلق طلب حقيقي على ناس بتفهم عربي.
نموذج بتبنيه دولة أو جهة وطنية عشان ميبقاش كل شيء معتمد على شركات أجنبية — لأسباب أمن بيانات وهوية ثقافية. زي ما الدولة بتبني مصنع سلاح بدل ما تستورد.
| النموذج | البلد | يعني إيه بالنسبة لطلابك |
|---|---|---|
| Jais / Jais 2 | الإمارات (أبوظبي) | من أوائل النماذج المبنية من الصفر للعربي، والجيل التاني وصل حجم ضخم بأوزان مفتوحة |
| ALLaM | السعودية | مشروع وطني شارك فيه مئات الخبراء — يعني وظّفوا ناس بتفهم لغة، مش بس مبرمجين |
| Fanar | قطر | الأهم ليكم — اقرا تحت |
| Falcon Arabic | الإمارات | نماذج خفيفة تشتغل على كمبيوتر عادي |
| Atlas-Chat | المغرب | أول نماذج مفتوحة للدارجة المغربية — من مبادرة بحثية بحجم رسالة دكتوراه |
ليه Fanar تحديدًا مهم في المحاضرة؟
الكمبيوتر مبيقراش الكلمة كوحدة واحدة — بيقطّعها لقطع صغيرة اسمها tokens. والبرنامج اللي بيقطّع اسمه tokenizer. المشكلة إن القطّاعات دي اتعملت أساسًا للإنجليزي، فبتقطّع العربي بشكل عشوائي وأحيانًا بتكسر الجذر نفسه.
كلمة «وسيكتبونها» ممكن الـ tokenizer يقطّعها كده: [وس] [يكت] [بون] [ها] — بص على «يكت» و«بون»: الجذر ك‑ت‑ب اتقص في النص! يعني النموذج أصلًا مش شايف الجذر. تخيل حد بيقرا كتاب والصفحات مقصوصة بالعرض.
فريق Fanar القطري عمل tokenizer جديد بيراعي الصرف العربي وسموه MorphBPE. يعني الفكرة اللي بنقول إنها «موضوع رسالة محتمل» — حصلت فعلًا في مختبر بحثي. وده بيدي الطلاب إحساس إن كلامك مش نظري.
البنية التحتية — الأدوات الموجودة فعلًا
- CAMeL Tools / Farasa / MADAMIRA: برامج بتحلل الكلمة العربية صرفيًا (تقول لك الجذر والوزن والنوع). ناضجة للفصحى، ضعيفة مع اللهجات.
- Treebanks (بنوك الأشجار): مدونات فيها جمل محللة نحويًا بالكامل بإيد بشر. غالية جدًا في عملها — وعشان كده العربي عنده أقل بكتير من الإنجليزي.
- ArabicMMLU / ACVA: امتحانات (benchmarks) اتعملت للعربي خصيصًا بدل ترجمة الامتحانات الإنجليزية.
إن بشر يقعدوا يعلّموا على النصوص يدويًا: دي كلمة اسم، دي فعل، ده اسم شخص، دي جملة إيجابية. الشغل ده هو وقود كل الأنظمة — ومن غيره مفيش حاجة تشتغل. وده بالظبط اللي بتدرّبوا عليه في الأكاديمية.
«كل سطر في الجدول ده ورا فريق بيوظّف. النماذج دي محتاجة ناس تعمل لها بيانات، وناس تقيّمها، وناس تصمّم لها امتحانات، وناس تختبر أخطاءها الثقافية واللغوية. المسار الأكاديمي والمسار المهني هنا من نفس الباب.»
الختام — قلب مقولة Jelinek
المحاضرة كلها بتنتهي برسالة واحدة، ولازم تتقال بوضوح وبهدوء: اللغوي مكانه في المجال ده اتغيّر، بس مقلّش — بالعكس.
الحكاية في ٣ مراحل
- زمان (الموجة ١): اللغوي كان بيكتب القواعد بإيده. كان أساسي.
- بعدين (الموجة ٢): جت الإحصاء، وقيل «كل ما لغوي يمشي من الفريق، الأداء يتحسن». اللغوي حس إنه اتشال.
- دلوقتي (الموجة ٣): الآية اتقلبت — والدليل مش كلام:
- النماذج بتتعلم من بيانات بشر بيعملوها ويقيّموها (مرحلة الـ post-training).
- النماذج العربية السيادية بتوظّف لغويين بالاسم.
- حتى الـ tokenizer بقى بيتبني على وعي صرفي (MorphBPE).
- أشهر أوراق النقد في المجال كتبتها لغوية.
«دور اللغوي مبقاش إنه يكتب القواعد. بقى حاجتين: إنه يهندس المعرفة اللغوية اللي النماذج بتتغذى عليها — يعني يبني البيانات والمعايير ويحكم على الجودة. ويسائل النماذج لما تدّعي إنها فاهمة وهي مش فاهمة. الأولى شغل بناء، والتانية شغل ضمير. والاتنين محدش يعملهم غيركم.»
مسرد — كل مصطلح في المحاضرة بالعامية
| المصطلح | يعني إيه بالبلدي |
|---|---|
| NLP | معالجة اللغات الطبيعية — الجانب الهندسي: أبني أنظمة تشتغل على اللغة |
| Computational Linguistics | اللسانيات الحاسوبية — الجانب العلمي: أفهم اللغة نفسها عن طريق نمذجتها |
| LLM | نموذج لغوي ضخم — زي ChatGPT: برنامج اتدرب على كميات نصوص رهيبة وبقى بيتوقع الكلمة الجاية |
| Token | القطعة اللي الكمبيوتر بيقسّم عليها الكلام — ممكن تكون كلمة أو جزء منها |
| Tokenizer | البرنامج اللي بيعمل التقطيع ده |
| Embedding / Vector | مجموعة أرقام بتمثّل معنى الكلمة — زي إحداثيات المدينة على الخريطة |
| Transformer | البنية الهندسية اللي كل النماذج الحديثة مبنية عليها (من ٢٠١٧) |
| Attention | الآلية اللي بتخلي النموذج يبص على الكلمات المهمة في السياق |
| Corpus | مجموعة نصوص كبيرة للتحليل أو التدريب (مدونة) |
| Annotation | الوسم — إن بشر يعلّموا على النصوص يدويًا |
| Treebank | مدونة جملها محلّلة نحويًا بالكامل بإيد بشر |
| Benchmark | امتحان موحد بنقيس عليه كل النماذج |
| Baseline | النظام اللي بتقارن نفسك بيه |
| Probing | استنطاق: امتحان منظّم بيعزل ظاهرة لغوية واحدة عشان نشوف النموذج بيفشل فين |
| Calibration | معايرة الثقة: هل النظام عارف قد إيه هو متأكد؟ |
| Robustness | الثبات: هل بيدي نفس الإجابة لو غيّرت الصياغة شوية؟ |
| Data Sparsity | تناثر البيانات: الأشكال كتير جدًا وكل شكل بيظهر مرات قليلة |
| Low-Resource | لغة/لهجة مفيش لها بيانات رقمية كافية |
| Diglossia | الازدواجية: فصحى للكتابة وعامية للكلام — والاتنين اتخلطوا في السوشيال ميديا |
| Post-training / RLHF | مرحلة «تربية» النموذج بتقييم بشري بعد ما يتعلم اللغة |
| Preprint / arXiv | نشر الورقة قبل التحكيم على موقع مفتوح |
| ACL Anthology | مكتبة المجال المجانية الكاملة |
| Sovereign Model | نموذج وطني بتبنيه دولة لأسباب سيادية |
أسئلة الحاضرين المتوقعة + إجاباتك
«طب ما ChatGPT بقى بيعمل كل حاجة، يبقى المجال ده انتهى؟»
الرد: «بالعكس — ده وسّعه. النموذج نفسه بقى موضوع بحث: نقيسه إزاي؟ بيغلط فين؟ بيتحيّز إزاي؟ بنعمل له بيانات إزاي؟ الأسئلة دي كلها جديدة ومحدش حلها. وكمان — إحنا شفنا بعينينا في أول المحاضرة إنه بيغلط في حاجة عندنا طالب سنة أولى بيعملها.»
«أنا مش بعرف برمجة خالص. أقدر أدخل المجال ده؟»
الرد الأمين: «آه، بس بشرط تتعلم أساسيات Python — مش هندسة برمجيات، أساسيات. ده بياخد أسابيع لشخص منظّم. والحاجة اللي إنت شايلها ومحدش هيعوّضها بسهولة هي اللغة. الطرف التاني (المهندس) بياخد سنين عشان يفهم الصرف العربي، وإنت بتاخد شهور عشان تتعلم أدواته.»
«الرياضيات صعبة، أنا خريج ألسن»
الرد: «إنت مش محتاج تثبت نظريات. إنت محتاج تفهم يعني إيه العمليات: يعني إيه متجه، يعني إيه احتمال. ده مستوى مفاهيمي مش مستوى برهان. الناس بتتخض من الرياضيات بسبب طريقة عرضها مش بسبب صعوبتها الحقيقية.»
«طب أنا لو عايز أبدأ بكرة، أعمل إيه؟»
الرد العملي: «تلات حاجات بالترتيب: (١) افتح ACL Anthology ودوّر على موضوع عربي يهمك واقرا ملخصات ٥ ورقات — بس الملخصات. (٢) نزّل كتاب Jurafsky & Martin (مجاني) واقرا الفصل التاني. (٣) اعمل حساب على Google Colab وشغّل أي كود Python بسيط عشان تكسر حاجز الرهبة. الجلسة الجاية هنبني على التلاتة دول.»
«الكلام ده كله للإنجليزي — إحنا هنلحق العالم إزاي؟»
الرد: «الفجوة دي هي فرصتك مش عائقك. في اللغات الكبيرة كل حاجة اتعملت، فمساهمتك هتكون ٠.٥٪ تحسين. في العربي واللهجات؟ لسه فيه مساحات محدش دخلها. والدول دلوقتي بتضخ فلوس ضخمة في المجال ده. إنت في المكان الصح في التوقيت الصح.»
لو حد سألك سؤال تقني إنت مش عارف إجابته — قول «مش عارف، بس أعرف أدوّر» وافتح الـ Anthology قدامهم ودوّر. ده مش ضعف، ده أقوى درس ممكن تديه لطالب دراسات عليا: إن الباحث مش بنك معلومات، الباحث حد عارف يوصل للإجابة.