Sequential Data — البيانات التسلسلية

قبل أن نتحدث عن الشبكات، نحتاج فكرة واحدة بسيطة: بعض البيانات لها ترتيب. لو غيّرت الترتيب، يتغيّر المعنى. هذه هي البيانات التسلسلية (Sequential Data).

Text — النص

الجملة «القطة أكلت الفأر» تختلف تمامًا عن «الفأر أكل القطة». نفس الكلمات، ترتيب مختلف، معنى مختلف. لذلك لا يكفي أن نعدّ الكلمات فقط — نحتاج نموذجًا يفهم ماذا جاء قبل وماذا جاء بعد.

Audio — الصوت

الصوت موجة مستمرة عبر الزمن. الحاسوب يقسّمها إلى قطع صغيرة متتابعة (frames). كلمة «مرحبا» ليست نقطة واحدة — بل سلسلة أصوات: مـ → ر → حـ → با. التعرّف على الكلام = فهم تسلسل هذه القطع.

Time Series — السلاسل الزمنية

أرقام تُقاس عبر الوقت: سعر الذهب كل يوم، درجة الحرارة كل ساعة، عدد الزوار كل أسبوع. الهدف غالبًا: التنبؤ بالغد من الأمس واليوم.

DNA — الحمض النووي

DNA سلسلة من الحروف: A، T، C، G. الترتيب يحدد ماذا يصنع الجين. نماذج التسلسل تساعد في اكتشاف الأمراض والتنبؤ بوظيفة المناطق الجينية — نفس فكرة «الترتيب مهم» لكن في علم الأحياء.

Recurrent Neural Networks — الشبكات المتكررة

الشبكة العادية (Feedforward) ترى المدخلات مرة واحدة وتنتهي. لكن النص طويل: كلمة بعد كلمة. نحتاج شبكة تقرأ خطوة بخطوة وتتذكر ما قرأت. هذه فكرة RNN.

RNN — الفكرة الأساسية

في كل خطوة زمنية t، الشبكة تأخذ:

1. المدخل الحالي (مثلاً الكلمة الحالية)
2. الملخّص من الخطوات السابقة (يُسمّى الحالة المخفية)

ثم تنتج ملخّصًا جديدًا يُمرَّر للخطوة التالية. كأنها تقرأ الكتاب صفحة بصفحة وتكتب ملاحظات في الهامش.

Hidden State — الحالة المخفية

الحالة المخفية (Hidden State) ليست «سرًا» — بل متجه أرقام يمثّل «ماذا فهمت الشبكة حتى الآن». بعد قراءة «الجو اليوم جميل وسأخرج لـ…» قد تحتوي الحالة على أثر لكلمات مثل «جو»، «جميل»، «سأخرج» لتساعد على توقع الكلمة التالية.

Sequence Learning — تعلّم التسلسل

أنواع المهام الشائعة:

لا تحتاج حفظ المعادلة الآن. المعنى: المدخل الحالي + الذكرى السابقة تُخلط بحساب بسيط لإنتاج ذكرى جديدة.

LSTM — الذاكرة الطويلة القصيرة

RNN البسيط ينسى. لو قلتَ في أول الجملة اسم شخص، وبعد 50 كلمة سألتَ «من فعل ذلك؟»، قد يضيع الاسم. LSTM (Long Short-Term Memory) حلّ هذه المشكلة بأبواب تتحكم بما يُحفظ وما يُنسى.

Gates — الأبواب

Cell State — حالة الخلية

الحالة المخفية في RNN مثل سبورة تُمسح كثيرًا. في LSTM يوجد مسار أملس اسمه Cell State — كحزام ناقل يمر عبر الخطوات، والأبواب فقط تضيف أو تحذف منه بلطف. لذلك المعلومات المهمة تبقى أطول.

Long-Term Memory — الذاكرة طويلة المدى

لهذا يُقال إن LSTM يتذكر على مدى طويل نسبيًا: الأسماء، الأزمنة، العلاقات بين بداية الجملة ونهايتها. هذا جعل LSTM الأشهر لسنوات في الترجمة وتحليل المشاعر والتنبؤ بالسلاسل الزمنية.

GRU — الوحدة المتكررة المبسّطة

GRU (Gated Recurrent Unit) فكرة قريبة من LSTM لكن أبسط وأسرع غالبًا: بابان فقط بدل ثلاثة، وحالة واحدة بدل اثنتين.

Reset Gate — باب إعادة التعيين

يقرر كم من الماضي نتجاهل عند حساب المرشّح الجديد. إذا كان السياق تغيّر فجأة (موضوع جديد في المحادثة)، الـ Reset Gate يساعد على «البدء من جديد» جزئيًا.

Update Gate — باب التحديث

يمزج بين «القديم» و«الجديد». يشبه الجمع بين Forget وInput في LSTM في قرار واحد: هل أبقي الذاكرة كما هي أم أحدّثها بقوة؟

اليوم، لمعظم مهام اللغة، يتجاوز الجميع إلى Transformers. لكن فهم LSTM/GRU مهم جدًا للأسس وللفهم والبحوث القديمة والمشاريع الصغيرة.

NLP Basics — أساسيات معالجة اللغة

الحاسوب لا يفهم العربية أو الإنجليزية كما نفهمها. يحتاج خطوات تحويل النص إلى أرقام ثم تمثيلات ذكية.

Tokenization — التقطيع إلى رموز

التوكنيزيشن = تقطيع النص إلى وحدات صغيرة تُسمّى tokens. قد تكون كلمات، أو أجزاء كلمات، أو أحرفًا.

Embeddings — التضمينات

بعد التقطيع، نحوّل كل token إلى قائمة أرقام (متجه). الكلمات المتشابهة المعنى تقترب في هذا الفضاء الرقمي.

Word2Vec

طريقة شهيرة (2013) تعلّم التضمين من السياق: «قل لي جيرانك أقل لك من أنت». الشبكة ترى نوافذ كلمات وتتعلّم تمثيلًا يجعل السياقات المتشابهة قريبة.

أشهر معادلة توضيحية: اطرح «رجل» من «ملك» وأضف «امرأة» فتقترب من «ملكة» — ليس سحرًا، بل هندسة في فضاء الأرقام.

GloVe

Global Vectors: يعتمد على إحصاءات التكرارات المشتركة للكلمات في كل النصوص (كم مرة ظهرت «شاي» مع «سكر»؟). النتيجة: تضمينات ثابتة جاهزة للاستخدام.

FastText

مثل Word2Vec لكن يأخذ أجزاء الكلمات (subwords). مفيد جدًا للغات الغنية بالصرف مثل العربية: يفهم «يكتبون» و«كتبت» لأن الجذر/الأجزاء مشتركة حتى لو الكلمة كاملة نادرة.

اليوم، نماذج Transformer تتعلّم تضمينات سياقية: كلمة «عين» في «عين الماء» تختلف عن «عين الإنسان» — نفس الحروف، تمثيل مختلف حسب الجملة.

Attention — الانتباه

عندما تترجم جملة طويلة، لا تنظر لكل كلمة بنفس القوة. تركّز على الكلمات المهمة الآن. Attention يعطي الشبكة هذه القدرة: توزيع أوزان الانتباه.

Self Attention — الانتباه الذاتي

كل كلمة في الجملة تنظر إلى كل الكلمات الأخرى في نفس الجملة وتسأل: «من الأهم لفهمي؟»

ثلاث تسميات تسمعها كثيرًا:

• Query (سؤال): ماذا أبحث عنه؟
• Key (مفتاح): ماذا أمثّل كمدخل للبحث؟
• Value (قيمة): ماذا أعطي من محتوى لمن ركّز عليّ؟

تشبيه المكتبة: تكتب سؤالًا (Query)، تقارنه بعناوين الكتب (Keys)، ثم تأخذ محتوى الكتب المناسبة (Values).

Multi Head Attention — الانتباه متعدد الرؤوس

رأس انتباه واحد قد يركّز على نوع علاقة واحد. بعدة «رؤوس» بالتوازي، كل رأس يتعلّم زاوية مختلفة: واحد يربط الضمائر، وآخر يربط الصفات، وثالث يربط الأفعال بمفعولها.

ثم تُدمج نتائج الرؤوس. لهذا قيل: Transformer يفهم اللغة بشكل أغنى من RNN خطوة بخطوة.

Transformers — المحوّلات

ورقة «Attention Is All You Need» (2017) غيّرت اللعبة: بدلاً من قراءة كلمة ثم كلمة مع ذاكرة متسلسلة فقط، نعالج الجملة تقريبًا «دفعة واحدة» بالانتباه. النتيجة: أسرع تدريبًا على GPU، وأقوى على النصوص الطويلة نسبيًا.

Encoder — المشفّر

يقرأ المدخل (مثل جملة عربية) ويبني تمثيلًا غنيًا لكل كلمة في سياقها. سلسلة طبقات: Self-Attention ثم شبكة تغذية أمامية، تتكرر.

Decoder — فك التشفير

يولّد المخرج خطوة بخطوة (مثل الترجمة الإنجليزية). ينظر إلى:

1. ما أنتجه حتى الآن (كلماته السابقة)
2. مخرجات الـ Encoder (فهم الجملة الأصلية)

BERT يعتمد بشكل أساسي على Encoder. GPT يعتمد على Decoder (أو كتلة شبيهة بالـ Decoder). نماذج الترجمة الكلاسيكية Transformer تستخدم الاثنين.

Positional Encoding — الترميز الموضعي

مشكلة: الانتباه يرى كل الكلمات معًا، فيفقد فكرة «من أول ومن ثانٍ». الحل: نضيف لكل كلمة إشارة عن موقعها في الجملة (موجة أو أرقام مواضع قابلة للتعلّم).

Large Language Models — نماذج اللغة الكبيرة

LLM = Transformer ضخم دُرّب على كميات هائلة من النصوص. الفكرة الجوهرية غالبًا: توقّع الكلمة التالية ملايين المرات، حتى يصبح النموذج بارعًا في اللغة والمعرفة والأنماط.

BERT

Bidirectional Encoder Representations from Transformers. يقرأ السياق من الاتجاهين (يمين ويسار الكلمة). ممتاز لـ: تصنيف النصوص، استخراج الكيانات، الإجابة على أسئلة من فقرة.

GPT

Generative Pre-trained Transformer. يولّد نصًا باتجاه واحد (من اليسار لليمين في الإنجليزية). أساس ChatGPT وكثير من المساعدين. قوته: الكتابة، الحوار، التلخيص، الأكواد — حسب البيانات والتعليمات اللاحقة (Instruction Tuning).

T5

Text-to-Text Transfer Transformer. كل مهمة تُصاغ كنص → نص: «ترجم إلى إنجليزية: …»، «لخّص: …»، «هل المشاعر إيجابية؟ …». فكرة موحّدة أنيقة.

Llama · Qwen · DeepSeek

التطبيقات — أين ترى هذا كل يوم؟

كل ما سبق ليس نظرية بعيدة. هذه نماذج التسلسل في حياتك:

Translation — الترجمة

مدخل عربي → Encoder يفهم → Decoder يكتب إنجليزية. Google Translate وDeepL يعتمدان على أفكار Transformer (وأجيال سابقة من Seq2Seq + Attention).

Chatbots — روبوتات المحادثة

تقرأ رسائلك كتسلسل، تحافظ على سياق الحوار (حد أقصى لعدد الـ tokens)، وتولّد الرد كلمة كلمة. الجودة تعتمد على النموذج + التعليمات + ربما استرجاع معلومات من مستنداتك (RAG).

Summarization — التلخيص

مقال طويل → ملخّص قصير يحافظ على الأفكار الأساسية. نوعان: استخراج جمل مهمة، أو توليد ملخّص جديد بكلمات النموذج.

Sentiment Analysis — تحليل المشاعر

تعليق منتج → إيجابي / سلبي / محايد. قد يكفي نموذج صغير أو BERT مضبوط بدقة على بيانات عربية.

Speech Recognition — التعرّف على الكلام

موجة صوت → ميزات عبر الزمن → نماذج تسلسل (قديمًا RNN/LSTM، اليوم غالبًا Transformer أو Conformer) → نص. مثالك اليومي: المساعد الصوتي ولوحة المفاتيح الصوتية.

أسئلة شائعة عن Sequence Models