لماذا نتعلَّم تحليل البيانات بينما يستطيع الذكاء الاصطناعي القيام بذلك؟

تحياتي 

كلما جرى الحديث عن تقدُّم الذكاء الاصطناعي (AI) وقدرته على تنفيذ المهمات المعقّدة، يتساءل كثيرون: لماذا نتعلَّم أساسًا إذا كان الذكاء الاصطناعي قادرًا على تنفيذ نفس المهمَّات بالنيابة عنا؟ أو بالأحرى، لمَ نتعلَّم تحليل البيانات بينما يستطيع الذكاء الاصطناعي القيام بذلك؟

سأجيب في هذه العجالة بشكل ٍمعاكسٍ: لماذا لا يُغنينا الذكاء الاصطناعي عن تعلُّم تحليل البيانات؟

لعل أهم ما ينبغي أن نُدركه بداية هو أنَّ الذكاء الاصطناعي ليس عالِمًا مستقلًا يُفكّر من تلقاء نفسه، بل أداة تعتمد على ما نطلبه منها. إذا جهلنا ما نطلبه؛ فإننا سنواجه أحد احتمالين: إمَّا سنحصل على نتائج عامة وغير دقيقة، أو نُضلَّل بنتائج لا تخدم هدفنا، حتى لو بدت لنا مبهرة.

لذلك، لعلَّ معرفة المبادئ الأساسية ليست أمرًا ترفيهيًا، بل شرطًا لطرح السؤال الصحيح واستثمار قدرات هذه الأدوات الحديثة، إذ لا «يفهم» الذكاء الاصطناعي السياق من تلقاء نفسه، بل يعالج السؤال الذي نقدّمه له كما هو.

تخيّل مثلًا أنك تريد تحليل ارتباط المبيعات بالمواسم. إذا قلت له ببساطة: «حلّل لي البيانات»، فستحصل على كمٍّ هائل من المخرجات، كثير منها قد لا يفيدك بشيء.

لكن إذا طلبت:

«أعطني تحليل الانحدار الخطي (Linear Regression)»، فهذا يفترض أنك تعرف:

- ما هو الانحدار الخطي؟

- متى يُستخدم؟

- ما الذي تتوقَّعه من نتائجه؟

لنكن واضحين هنا، من دون هذه المعرفة، لن تعرف أصلًا كيف تصوغ السؤال، ولن تستطيع الحكم على الإجابة التي يقدِّمها الذكاء الاصطناعي إن كانت صحيحة أو مفيدة.

خذ مثالًا آخر،  اختيار التمثيل البياني المناسب، عندما تطلب من الذكاء الاصطناعي رسم توزيع الرواتب مثلًا؛ سيفترض أنك تعرف أن المخطط التكراري (Histogram) هو الرسم الأنسب، بينما إذا كنت تجهل هذا، قد تحصل على مخطط دائري (Pie Chart) أو خط زمني (Timeline) لا علاقة له بسؤالك، فتُضيِّع وقتك في مراجعة رسوم غير ملائمة بدلًا من التقدّم في تحليلك.

في سياق آخر، من الأمثلة التقليدية الآخرى في تحليل البيانات، خطوة تنقية البيانات وفهمها قبل تحليلها، وعليه عليك معرفة مفاهيم بديهية عند محللي البيانات قبل عملية التحليل، مثلًا: متى تستخدم المتوسط (Mean)؟ متى يُفضَّل الوسيط (Median)، خصوصًا بوجود قيم شاذة (Outliers) مثل موظف راتبه 100,000 بينما زملاؤه يتقاضون 5,000؟ هل تعرف أهمية الانحراف المعياري (Standard Deviation) لقياس التشتُّت؟

تخيّل، اذا كنت لا تعرف الفرق بين الوسيط والمتوسط الحسابي ستحلل البيانات بشكل خاطئ، مثلًأ: 

تخيل هذه الرواتب:

• 9 موظفين: 5,000
• 1 موظف: 100,000

المتوسط الحسابي:

• (45,000 + 100,000) ÷ 10 = 145,000 ÷ 10 = 14,500

لكن! هل يعكس هذا المتوسط حالة أغلب الموظفين؟ لا، لأن 90% منهم يأخذون 5,000 فقط.

✅ القيمة الصحيحة الواجب عرضها هنا هي الوسيط (Median):

• نرتب الرواتب: 5,000, 5,000, 5,000, 5,000, 5,000, 5,000, 5,000, 5,000, 5,000, 100,000
• الوسيط = 5,000

يكشف الوسيط الصورة الحقيقية أكثر من المتوسط الحسابي هنا، ولكن الفكرة هنا ليست دورة في الاحصاء ولكن أن تسأل نفسك: هل يمكن معرفة ذلك إذا لم تدرس ذلك في منهج أكاديمي ما؟

شتّان بين الوسيط والمتوسط

من دون فهم هذه المفاهيم، قد تعتمد على المتوسط وحده، بينما قد يعطي صورة مشوَّهة عن الواقع.

الخلاصة: الذكاء يكافئ الفهم

في الواقع، إنَّ وجود الذكاء الاصطناعي لا يُلغي حاجتنا إلى تعلُّم تحليل البيانات، بل يجعل هذا التعلم أكثر قيمة.

وبالطبع، كلما أتقنتَ المفاهيم الأساسية، استطعت طرح الأسئلة الصحيحة، واختيار التحليل المناسب، ومراجعة النتائج بوعي، والأهم اتخاذ قرارات دقيقة ومستنيرة. بالمقابل من دون هذه المهارات، فستكون مجرد متلقٍّ لإجابات قد تبدو ذكية لكنها في الحقيقة قد تُضلّلك من دون أن تدري.

بعبارة أخرى:

 لا يُغنيك عن الفهم الذكاء الاصطناعي، بل يكافئك عليه!

دمتم فهيمين

فادي