يعد اختبار ممارسة أساسيات الذكاء الاصطناعي التوليدي (Generative AI Foundations) حلًا تدريبيًا شاملًا ومصممًا على أيدي خبراء لمساعدتك في إتقان المبادئ الأساسية والمنهجيات والتطبيقات الواقعية للذكاء الاصطناعي التوليدي. يغطي هذا الاختبار التحضيري كل شيء بدءًا من بنيات النماذج الأساسية وحتى تقنيات صياغة الأوامر المتقدمة، مما يضمن تطوير المهارات العملية والمعرفة النظرية المطلوبة للتميز في المشهد التقني الحديث القائم على الذكاء الاصطناعي، والتكيف بسرعة مع ابتكارات هذه الصناعة.
ملاحظة: هذا مجرد اختبار تدريبي للتحضير لامتحان الحصول على الشهادة الاحترافية ولا يوجد له شهادة من المركز.
| الأسئلة | 110 |
|---|---|
| تاريخ الإصدار | 01/2025 |
| الدور الوظيفي | ممارس ذكاء اصطناعي (AI Practitioner) |
| اللغة | الإنجليزية |
لماذا ينبغي عليّ استخدام اختبار ممارسة Generative AI Foundations للتحضير للامتحان الرسمي؟
تعد شهادة أساسيات الذكاء الاصطناعي التوليدي (Generative AI Foundations) خيارًا مثاليًا لممارسي الذكاء الاصطناعي الذين يرغبون في التحقق من مهاراتهم في هذا المجال المزدهر. سيتيح لك اجتياز اختبار Generative AI Foundations إثبات معرفتك العميقة بأساليب الذكاء الاصطناعي التوليدي، بما في ذلك نماذج الانتشار (Diffusion Models)، ونماذج المحولات (Transformer Models)، وشبكات الخصومة التوليدية (GANs)، والمشفرات التلقائية التباينية (VAEs). يوفر هذا الامتحان أساسًا متينًا لفهم تقنيات الذكاء الاصطناعي التوليدي وتطبيقها، على الرغم من أنه ليس شرطًا مسبقًا رسميًا. وبعد الحصول على هذه الشهادة، يمكنك التفكير في التقدم نحو شهادات أكثر تخصصًا في مجال الذكاء الاصطناعي. يشتمل اختبار الممارسة على وضعين مختلفين: وضع الشهادة ووضع الممارسة؛ حيث يتيح لك وضع الشهادة تقييم معرفتك وتحديد نقاط الضعف لديك، بينما يساعدك وضع الممارسة على التركيز على المجالات التي تحتاج إلى تطوير وتحسين.
يحتوي اختبار ممارسة Generative AI Foundations على 110 أسئلة ويغطي الأهداف التالية:
طرق ومنهجيات الذكاء الاصطناعي التوليدي – 23 سؤالًا
1.1 تعريف الذكاء الاصطناعي التوليدي (Generative AI).
- مقارنة ومباينة الذكاء الاصطناعي التوليدي مع الذكاء الاصطناعي التنبئي، والذكاء الاصطناعي التمييزي، والذكاء الاصطناعي التحليلي، والذكاء الاصطناعي الإحصائي.
- مقارنة ومباينة الذكاء الاصطناعي التوليدي مع محركات البحث.
- الفهم الأساسي لنموذج الانتشار (diffusion model)، ونموذج المحولات (transformer model)، وشبكات الخصومة التوليدية (GANs)، والمشفرات التلقائية التباينية (VAEs).
1.2 شرح العمليات الأساسية التي يستخدمها الذكاء الاصطناعي التوليدي لإنتاج المخرجات.
- فهم أن كل نموذج يتم تدريبه بشكل مختلف.
- تشمل نماذج النصوص: OpenAI GPTx، Google Gemini، Anthropic Claude، Meta LLaMA
- تشمل نماذج الصور: DALL-E، Adobe Firefly
- تحتاج النماذج اللغوية الكبيرة (LLMs) إلى كمية هائلة من بيانات التدريب لتعمل بفعالية.
- يتم تدريب النماذج اللغوية الكبيرة (LLMs) على مجموعات بيانات ضخمة لدرجة أنها قد تحتوي على آراء ووجهات نظر متنوعة.
- يتم تدريب نماذج الصور على أزواج من النصوص والصور التي يتم تمييزها (Tagging) يدويًا.
- يستهلك تدريب النموذج كمية كبيرة من الطاقة ويتطلب وحدات معالجة رسومات (GPUs) قوية.
1.3 التعرف على أنواع المدخلات والمخرجات المستخدمة في سيناريوهات الذكاء الاصطناعي التوليدي.
- يمكنك استخدام مدخلات متعددة للحصول على مخرج واحد.
- تشمل المدخلات: النصوص، الصوت، الفيديو، الصور
- تشمل أنواع المخرجات: النصوص التوليدية، الفيديو التوليدي، الصور التوليدية، الصوت التوليدي
- تسمح الأدوات المختلفة بأنواع مختلفة من المدخلات لتوليد المخرجات.
1.4 الإدراك بأن نماذج الذكاء الاصطناعي التوليدي يمكن تخصيصها لأداء مهام فردية محددة.
- تطبيقات قائمة بذاتها تؤدي مهمة معينة نيابة عنك.
- أمثلة: Custom GPT، Google Gems، Microsoft Copilots
1.5 اختيار الأداة المناسبة لأداء مهمة محددة.
- الأدوات: Microsoft Copilot، Google Gemini، MetaGPT، Adobe Express، Canva، OpenAI ChatGPT، Claude، Microsoft Azure AI Studio، Stable Diffusion.
- اعتبارات اختيار الأداة: الغرض والوظيفة، سهولة الاستخدام، التكلفة، التحديثات والدعم، خصوصية البيانات، الأمان، الجودة، القابلية للتخصيص، والمعلمات المتاحة للتحكم في المخرجات.
1.6 وصف قيود وحدود الذكاء الاصطناعي التوليدي.
- المخرجات ليست موثوقة دائمًا.
- يمكن أن تتضمن المخرجات انحيازًا، ومعلومات مضللة، وهلوسة (Hallucinations).
- يتطلب قوة معالجة ووصولاً إلى البيانات (عبر الإنترنت عادةً).
- تُستخدم المحادثات لأغراض التدريب ما لم تقم بتفعيل إعدادات الخصوصية.
- لا توجد معايير عالمية موحدة لكيفية استخدامه.
- قيود تتعلق بالاتساق (على سبيل المثال، ساعتان تظهر كل منهما وقتًا مختلفًا).
- قد تؤدي التغييرات السريعة إلى جعل الأعمال السابقة عفا عليها الزمن.
هندسة الأوامر الأساسية (Basic Prompt Engineering) – 33 سؤالًا
2.1 تحديد الأوامر المناسبة لاستخراج المعلومات النصية.
- جمع المحتوى.
- التلخيص.
- إنشاء المحتوى وتوليد الأفكار.
2.2 تحديد الأوامر المناسبة لتحويل وتعديل المحتوى.
- إعادة تنسيق المحتوى لتلبية متطلبات معينة.
- تحرير وتدقيق المستندات لغويًا.
- تقديم تصور مرئي للمحتوى.
- تحويل المحتوى إلى نوع وسائط مختلف.
- ترجمة المحتوى إلى لغة أخرى.
- تخصيص المحتوى وتكييفه لتسهيل التعلم والاستيعاب.
2.3 تحديد الأوامر المناسبة لتوليد الصور وتحويلها.
- إنتاج صورة لغرض محدد.
- استكشاف الأفكار الفنية.
- تحويل وتعديل صورة قائمة.
- وصف محتوى الصور.
2.4 تحديد الأوامر المناسبة لتوليد الفيديو وتحويله.
- إضافة حركة إلى الصور الثابتة.
- الاستكمال الداخلي (Interpolation) بين الصور.
- تلوين الأفلام بالأبيض والأسود.
- توليد مقاطع فيديو من خلال الأوامر النصية.
- توليد شخصية افتراضية (Avatar) تقرأ نصًا محددًا.
- إضافة وإزالة الكائنات في مقطع الفيديو.
- توليد الترجمات المصاحبة (Subtitling) بشكل مؤتمت.
تحسين وتطوير الأوامر (Prompt Refinement) – 33 سؤالًا
3.1 بناءً على أمر أولي ومخرجاته، تقييم كيفية تحسين الأمر للحصول على مخرجات أكثر دقة واستهدافًا.
- المحتوى:
- صياغة أمر بمستوى ملائم من التحديد.
- صياغة أوامر واضحة وخالية من الاختصارات المبهمة.
- عدم افتراض أن الذكاء الاصطناعي “سيعرف” تلقائيًا ما تتحدث عنه.
- الأسلوب:
- تضمين معلومات حول أسلوب ونبرة المخرجات المطلوبة.
- إرفاق دليل أسلوب (Style Guide).
- الشخصية (Persona):
- منح الذكاء الاصطناعي شخصية أو دورًا محددًا يلعبه.
- السياق (Context):
- يحتاج الذكاء الاصطناعي إلى معرفة سياق المهمة المطلوبة منه؛ فهو آلة ولا يمكنه استنتاج السياق بشكل طبيعي.
3.2 بناءً على أمر أولي ومخرجاته، تحديد المدخلات الإضافية التي يمكنك استخدامها للحصول على مخرجات أكثر استهدافًا.
- أمثلة (هندسة الأوامر بالأمثلة القليلة – Few-shot prompting).
- مسرد مصطلحات للمساعدة في الترجمة.
- قوالب جاهزة (Templates).
- مستندات لاستخدامها في البحث والتوثيق.
- المحادثات السابقة في نفس سلسلة الرسائل.
3.3 التعرف على تقنيات صياغة الأوامر الشائعة.
- Zero-shot، few-shot، chain-of-thought (سلسلة الأفكار)، self-consistency (الاتساق الذاتي)، generate knowledge (توليد المعرفة)، prompt chaining (سلسلة الأوامر).
3.4 استخدام تقنيات الهندسة العكسية للأوامر (Reverse Prompting) لتحقيق النتيجة المرجوة.
3.5 بناءً على مخرجات الذكاء الاصطناعي، شرح كيفية التحقق من دقة وصحة المخرجات.
- الحقائق التاريخية.
- الحقائق الحالية والمعاصرة.
الأخلاقيات، القانون، والأثر المجتمعي – 21 سؤالًا
4.1 تحديد احتمالية وجود انحياز (Bias) في مخرجات الذكاء الاصطناعي التوليدي.
- يمكن للذكاء الاصطناعي أن يعكس الانحيازات الموجودة في بيانات التدريب الخاصة به.
- قد تحتوي النماذج المختلفة على انحيازات مختلفة.
- قد يُدخل منشئ النموذج انحيازًا من خلال وضع ضوابط وحواجز حماية (Guardrails).
- تسمح بعض الأدوات بتشغيل وإيقاف حواجز الحماية الإضافية (مثل Azure OpenAI).
- يمكن أن يُدخل المستخدم الانحياز من خلال صيغة الأمر نفسه.
- تشمل الانحيازات الشائعة: الجنس، العرق، الإعاقة، العمر، الدين، الثقافة، اللغة، الجنسية، والوضع الاقتصادي.
- يمكن استخدام الذكاء الاصطناعي التوليدي لنشر وترسيخ الانحيازات.
4.2 تحديد الآثار القانونية المحتملة لاستخدام الذكاء الاصطناعي التوليدي.
- احترام حقوق الملكية الفكرية
- لا تزال القوانين في حالة تغير مستمر، ومع ذلك، فإن أفضل نهج هو اتباع الممارسات التقليدية وعدم استخدام عمل شخص آخر دون إذن صريح.
- تم استخدام بيانات محمية بحقوق الطبع والنشر لتدريب بعض نماذج الذكاء الاصطناعي.
- تحديد الآثار القانونية للاستخدام غير المناسب للمحتوى المُولّد.
- الشفافية – توثيق وتوضيح عملياتك عند استخدام الذكاء الاصطناعي في بيئة عمل احترافية.
4.3 شرح أهمية خصوصية البيانات.
- قد تُستخدم المعلومات الشخصية أو البيانات الخاصة بالشركة لأغراض التدريب.
- قد تحدث سرقة الهوية إذا تم استخدام معلومات تحديد الهوية الشخصية (PII) بواسطة الذكاء الاصطناعي التوليدي.
- يمكن أن تؤدي سرقة الهوية إلى ملاحقات قضائية مدنية وجنائية.
- تقوم الشركات بوضع سياسات داخلية تمنع الموظفين من تسريب البيانات إلى نماذج ذكاء اصطناعي عامة أو غير معتمدة.
- قد يتم استخدام المحتوى الذي يملكه البشر لتدريب النموذج ما لم تقم بإلغاء الاشتراك (Opt out).
4.4 تحديد المخاطر المرتبطة باستخدام الذكاء الاصطناعي التوليدي.
- ضرورة وجود إشراف ورقابة بشرية لتجنب نشر معلومات خاطئة أو ضارة قد تعرّضك أو تعرّض الشركة لتداعيات مالية و/أو قانونية.
- فهم أنك مسؤول مسؤولية كاملة عما تقوم بتوليده وإنشائه.
- الامتناع عن إنشاء محتوى ضار أو يمكن أن يؤدي إلى دعاوى مدنية أو جنائية (مثل التنمر، جرائم الكراهية، الاحتيال، المطاردة، الغش).
- يمكن استخدام الذكاء الاصطناعي التوليدي لأغراض خطيرة، بما في ذلك التزييف العميق (Deepfakes)؛ مما يسهل توليد معلومات ضارة أو غير قانونية تبدو واقعية تمامًا، فضلًا عن سرقة الهوية.
4.5 تحديد آثار الذكاء الاصطناعي التوليدي على المجتمع.
- الآثار السلبية:
- إدراك تداعيات تراجع التفاعل البشري.
- الإدراك بأن الذكاء الاصطناعي لا يحل محل التواصل الإنساني الحقيقي.
- إدراك الأثر المحتمل على الدوافع والمخرجات البشرية نتيجة الاعتماد المفرط على الذكاء الاصطناعي.
- إدراك وجود دوافع بشرية لاستخدام الذكاء الاصطناعي للتأثير على الرأي العام وتوجيهه.
- الخوف من أن يسيطر الذكاء الاصطناعي على وظائفنا وإنسانيتنا.
- العوامل الاجتماعية والاقتصادية – الذكاء الاصطناعي ليس متاحًا للجميع على قدم المساواة.
- الآثار الإيجابية:
- يمكن للذكاء الاصطناعي التوليدي مساعدتنا في أداء وظائفنا بكفاءة أعلى.
- مساعدتنا على التواصل بشكل أفضل، لا سيما عبر اللغات المختلفة.
- مساعدتنا على التعلم بطريقة أكثر فعالية.
- توليد الأفكار لإشعال شرارة الإبداع والعصف الذهني.
- مساعدتنا في أداء مهام الحياة اليومية بكفاءة أكبر – مثل إعداد القوائم، الوصفات، قوائم البقالة، وتلخيص الرسائل الطويلة من الأصدقاء والعائلة.
- تحليل الأنماط وتقديمها كفرص واعدة.
- خلق فرص عمل جديدة – ستكون فقط وظائف من نوع مختلف.
سلّح نفسك بالأداة المثالية للتقدم المهني في عالم الذكاء الاصطناعي سريع التطور. من خلال الاستثمار في اختبار ممارسة أساسيات الذكاء الاصطناعي التوليدي (Generative AI Foundations) اليوم، ستحصل على وصول كامل ومباشر إلى محاكاة واقعية للاختبار، وتشخيص دقيق للأداء، وشروحات تفصيلية تضمن لك النجاح. اتخذ الخطوة الحاسمة الآن للتحقق من خبرتك وتأسيس سلطتك كمحترف مؤهل في مجال الذكاء الاصطناعي.
