Zero Shot Learning: كيف يتعامل الذكاء الاصطناعي مع المهام التي لم يُعرض عليها من قبل في 2026

Zero shot learning هو أسلوب في التعلم الآلي يتيح للنموذج التعرف على أنواع جديدة من البيانات أو المهام أو المعلومات أو فهمها، دون أن يكون قد رآها أثناء التدريب. فبدلاً من الحاجة إلى أمثلة موسومة لكل فئة جديدة، يفهم النموذج المدخلات غير المألوفة من خلال ربطها بما يعرفه بالفعل. وبالنسبة لنماذج اللغة الكبيرة (LLM)، هذا ما يتيح طلب تنفيذ مهمة دون أي أمثلة على الإطلاق مع الحصول رغم ذلك على إجابة مفيدة.

هذا الأمر مهم لأنه ما يجعل مساعدي الذكاء الاصطناعي الحديثين يبدون مرنين إلى هذا الحد. فعندما يجيب ChatGPT أو Claude أو Gemini على سؤال أو يصنف نصاً لم يدرب عليه صراحةً من قبل، فإنه يؤدي في الواقع عملية zero shot learning. فهم هذه الآلية يوضح كلاً من قوة وحدود الأنظمة التي تقرر بشكل متزايد كيفية تلخيص المحتوى والاستشهاد به.

ما هو zero shot learning؟

يصف Zero shot learning قدرة النموذج على التعامل مع فئات أو مهام لم يتلقَّ بشأنها أمثلة تدريب محددة. المثال الكلاسيكي بصري: نموذج مدرب على التعرف على الخيول، لكنه لم يرَ حمار وحش قط، لا يزال بإمكانه التعرف على حمار الوحش إذا كان يعرف أن حمار الوحش يشبه حصاناً مخططاً. الوصف النصي يسد الفجوة بين ما تعلمه النموذج وما يواجهه الآن.

بالنسبة لنماذج اللغة، ينطبق المبدأ نفسه على المهام بدلاً من الصور. يمكن أن يُطلب من نموذج تصنيف مشاعر مراجعة مطعم دون تزويده بأي مراجعات موسومة، وسيعتمد على فهمه العام للغة للإجابة. السمة المميزة هي غياب أمثلة خاصة بالمهمة، وهو ما يفصل zero shot عن الأساليب التي تعتمد على أمثلة توضيحية.

كيف يعمل zero shot learning

تعمل أساليب zero shot بشكل عام من خلال ربط الفئات الملاحَظة وغير الملاحَظة عبر نوع من المعلومات المساعدة التي تُرمِّز خصائصها المميزة. عملياً، يعني هذا غالباً تنظيم المعرفة حسب المعنى الدلالي في فضاء مشترك، بحيث يمكن تموضع مدخل جديد بالقرب من المفاهيم التي يشبهها. يجمع النموذج معرفة واسعة أثناء التدريب المسبق (pre-training)، ثم يربط المدخلات غير المألوفة بهذه المعرفة الموجودة لإنتاج تنبؤ.

بالنسبة لنماذج اللغة الكبيرة (LLM) تحديداً، تنبع هذه القدرة من الفهم الدلالي المتشكل أثناء التدريب المسبق على كميات هائلة من النصوص. استوعب النموذج العلاقات بين المفاهيم بشكل جيد بما يكفي بحيث تكون تعليمات مصاغة بوضوح كافية لتفعيل السلوك الصحيح. هذا الاعتماد على embeddings المتعلمة وعلى تدريب مسبق واسع هو ما يجعل نموذج LLM قادراً على أداء zero shot.

Zero shot prompting في الممارسة

في سياق نماذج اللغة، يظهر zero shot learning على شكل zero shot prompting: طلب من النموذج تنفيذ مهمة باستخدام تعليمة فقط، دون تقديم أي أمثلة. يكفي وصف المطلوب، تصنيف هذا النص كإيجابي أو سلبي، ترجمة هذه الجملة، تلخيص هذا المستند، ويقوم النموذج بتفسير التعليمة وإنتاج المخرجات.

هذا هو الشكل الأبسط للعمل مع نموذج LLM والمعيار الأساسي الذي تُقارن به التقنيات الأخرى. عندما لا تكون نتائج zero shot دقيقة بما يكفي، يضيف الممارسون أمثلة أو يحسّنون الصياغة، مما يقربهم من هندسة التعليمات (prompt engineering) الأكثر تقدماً. لكن بالنسبة للعديد من المهام اليومية، تكفي تعليمة zero shot مصاغة بشكل جيد.

Zero shot مقابل few shot وone shot learning

الفرق الأساسي هو عدد الأمثلة المقدَّمة. لا يمنح Zero shot learning النموذج أي مثال للمهمة الجديدة. يمنحه One shot learning مثالاً واحداً، بينما يمنحه few shot learning عدداً قليلاً من الأمثلة. كل مثال إضافي هو توضيح يساعد على توجيه النموذج نحو الصيغة والسلوك المرغوبين.

المفاضلة هي بين المرونة والدقة. يُعد Zero shot الأسلوب الأسرع والأقل تكلفة، ولا يتطلب بيانات موسومة أو إعداداً مسبقاً، لكن few shot قد يكون أكثر دقة وقابلية للتكيف عندما تختلف المهمة اختلافاً كبيراً عما رآه النموذج أثناء التدريب المسبق. الأمثلة الإضافية تكلف بعض الجهد ومساحة إضافية في التعليمة، لكنها غالباً ما تحسّن الموثوقية، ولهذا يلجأ الممارسون إلى few shot عندما لا يكون zero shot كافياً.

فوائد zero shot learning

الفائدة الرئيسية هي الكفاءة. يلغي Zero shot learning العمل المكلف المتمثل في جمع مجموعات بيانات موسومة وإعادة تدريب النماذج لكل فئة جديدة، مما يقلل الجهد اليدوي ويحسّن قابلية التوسع. يمكن إعادة توظيف نموذج واحد قادر عبر مهام عديدة دون تطوير إضافي، مما يتيح للفرق التحرك بسرعة.

كما يتألق في الحالات التي تكون فيها البيانات نادرة أو ناشئة. ولأنه لا يعتمد على أمثلة سابقة لفئة محددة، يمكن لـ zero shot learning التعامل مع مواقف جديدة، مثل تصنيف موضوع جديد تماماً، أو الاستجابة لأخبار عاجلة، أو التعامل مع فئة لم تكن موجودة في الشهر الماضي. هذه القدرة على التكيف مع المتطلبات الديناميكية والمتغيرة هي سبب رئيسي وراء شعور النماذج الأساسية (foundation models) بأنها عامة الغرض إلى هذا الحد، استناداً إلى التدريب الواسع الذي يقف خلفها.

حالات استخدام شائعة

يشغّل Zero shot learning مجموعة واسعة من التطبيقات. في مجال اللغة، يتعامل مع تحليل المشاعر على نصوص غير موسومة، والتصنيف إلى فئات جديدة، والترجمة بين أزواج لغات لم يُضبط النموذج عليها تحديداً، مثل معالجة مستندات إسبانية بعد تدريب ركّز أساساً على الإنجليزية. في مجال الرؤية الحاسوبية، يدعم مهام مثل تحديد الحالات في الصور الطبية انطلاقاً من أوصاف نصية بدلاً من أمثلة موسومة.

في السياقات التجارية، يظهر في تقييم مخاطر العقود، ووسم الامتثال (compliance) في الوثائق الخاضعة للتنظيم، وكشف العيوب البصرية في التصنيع، وتصنيف الأصول في المجال المالي. القاسم المشترك هو تطبيق نموذج عام على مهمة محددة، وغالباً جديدة، دون تكلفة بناء مجموعة تدريب مخصصة، وهذه بالضبط هي المرونة التي يتيحها التدريب المسبق الواسع في التعلم الآلي (machine learning).

لماذا يهم zero shot learning لـ SEO وGEO

يمثل Zero shot learning الآلية الكامنة وراء طريقة تفسير محركات الذكاء الاصطناعي للمحتوى والتصرف بناءً عليه، حتى لو لم تدرب عليه تحديداً من قبل. عندما يقرأ مساعد الذكاء الاصطناعي صفحتكم ويقرر ما إذا كانت تجيب عن استعلام، أو يصنف موضوعها، أو يلخصها لإجابة، فإنه يؤدي في الواقع استدلال zero shot. هذا يعني أن محتواكم يُحكم عليه من قبل نموذج يعتمد على فهم عام، لا على أمثلة من صفحتكم بالتحديد.

الأثر العملي هو أن الوضوح هو الفائز. ولأن النموذج لا يملك أمثلة خاصة بالمهمة يعتمد عليها، فإن المحتوى الذي يوضح معناه ببساطة ويستخدم لغة لا لبس فيها يكون أسهل في التصنيف والاستشهاد به بشكل صحيح. الكتابة بطريقة تتيح للنموذج استيعاب فكرتكم من قراءة واحدة، دون الحاجة إلى سياق لا يملكه، تحسّن فرص تفسير المحتوى وإبرازه بدقة، وهو ما يكمّل عمل استراتيجية المحتوى للذكاء الاصطناعي الأوسع وبحث الكلمات المفتاحية وتخطيط المحتوى المنضبط.

التحديات والقيود

Zero shot learning قوي لكنه غير مثالي. فهو يواجه صعوبة في التكيف مع المجال (domain adaptation) عندما تختلف البيانات الجديدة اختلافاً كبيراً عن بيانات التدريب، وقد يعاني من التحيز، أي تصنيف فئة جديدة خطأً كفئة مألوفة عندما تختلط الفئات الملاحَظة وغير الملاحَظة. هناك مشكلة معروفة تُسمى hubness problem تسبب تجمعاً في فضاء الـ embedding، مما يجعل النماذج تعتمد بشكل مفرط على عدد قليل من التصنيفات عند التنبؤ بفئات غير ملاحَظة. تعتمد النتائج أيضاً بشكل كبير على جودة بيانات التدريب المسبق.

والأهم من ذلك، أن zero shot يكون في أضعف حالاته تحديداً حيث تكون الدقة الأكثر أهمية، مثل تشخيص الأمراض النادرة أو التحليل المالي المعقد. في هذه الحالات عالية المخاطر، يؤدي تقديم أمثلة عبر few shot learning، أو الضبط الدقيق (fine-tuning) على بيانات حقيقية، إلى نتائج أكثر موثوقية. الموقف المعقول هو استخدام zero shot من أجل السرعة والاتساع، ثم الانتقال إلى الأمثلة أو fine-tuning عندما تكون الدقة أمراً حاسماً.

الخلاصة

يتيح Zero shot learning للنموذج التعامل مع مهام وفئات لم يواجهها قط أثناء التدريب من خلال ربطها بمعرفته العامة، وبالنسبة لنماذج اللغة يظهر ذلك على شكل تعليمات دون أمثلة. إنه فعّال وقابل للتوسع ومتكيف مع المواقف الجديدة، ولهذا يشكل أساس جزء كبير من طريقة عمل مساعدي الذكاء الاصطناعي، بما في ذلك طريقة تفسيرهم وتلخيصهم لمحتواكم. أما حدوده، أي الدقة الأقل والحساسية للمجال، فهي السبب في أن few shot وfine-tuning لا يزالان مهمين.

للتعمق أكثر، يمكن ربط هذا بـ few shot learning وprompt engineering، واستخدام أدوات البحث وتخطيط المحتوى الخاصة بـ Sorank لكتابة محتوى يمكن لنماذج الذكاء الاصطناعي تفسيره بوضوح. مصادر مرجعية: Grammarly وAI21.