بناء النماذج الأساسية
يستطيع الذكاء الاصطناعي اليوم إنشاء نماذج أولية ودفاتر ملاحظات لمهام التصنيف والانحدار المعيارية بسهولة كبيرة، ما يختصر الوقت اللازم لبدء التجربة. لكن الحكم على ما إذا كانت الدقة الناتجة تعني شيئًا فعلًا يتطلب تقديرًا منفصلًا.
هل سيحل الذكاء الاصطناعي محل مهندسي التعلم الآلي؟
هل سيحل الذكاء الاصطناعي محل مهندسي التعلم الآلي؟ النماذج الأساسية صارت سهلة، لكن جودة البيانات وتصميم التقييم ومراقبة الانحراف تبقى عملًا بشريًا.
الخلاصة أولاً
ستظل المؤسسات بحاجة إلى مهندسي التعلم الآلي. ما يضعف هو الدور المقتصر على بناء التجارب الأساسية.
ما طبيعة هذه المهنة؟
يفعل مهندسو التعلم الآلي أكثر بكثير من تدريب النماذج. فدورهم بناء منظومة تستخلص القيمة من البيانات وتواصل العمل باستقرار في بيئة الإنتاج، ما يعني التعامل مع الخصائص وبيانات التدريب ومقاييس التقييم وتقديم النموذج للخدمة والمراقبة وإدارة الانحراف بوصفها سير عمل واحدًا مترابطًا. فالبحث وحده لا يكفي، والتنفيذ وحده لا يكفي كذلك.
لا تكمن قيمة هذا الدور في معرفة أسماء الخوارزميات، بل في الموازنة بين الدقة والجدوى التشغيلية في ظل قيود البيانات الحقيقية. وقد يسرّع الذكاء الاصطناعي تنفيذ النماذج الأساسية، لكن المسؤولية عن جودة البيانات وتشغيل الإنتاج تبقى في يد البشر.
القطاع
التكنولوجيا
ماذا تقول البيانات العامة
التعرض للذكاء الاصطناعي التوليدي
80 / 100
المرتبة 69 من 188 مهنة
تصنيف الحكومة الأمريكية
تعرض مرتفع جدًا
مكتب إحصاءات العمل الأمريكي (BLS)، فئة التعرض النسبي للذكاء الاصطناعي (2026).
يحسبه ai-job-risk.net من أربع مجموعات بيانات عامة، على مقياس من 0 إلى 100 نسبةً إلى 188 مهنة نغطيها. الرقم الأعلى يعني أن جزءًا أكبر من مهام الوظيفة مما يستطيع الذكاء الاصطناعي التوليدي أداءه أو يُستخدم فيه بالفعل. وهو ليس احتمال فقدان الوظيفة.
ما يستطيع الذكاء الاصطناعي فعله بالمهام
85
تحليل المهام لدى الباحثين (Eloundou وزملاؤه؛ منظمة العمل الدولية). يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
ما يُستخدم فيه الذكاء الاصطناعي بالفعل
76
الاستخدام المرصود لـ Microsoft Copilot وAnthropic Claude في مهام هذه المهنة. يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
سوق العمل الأمريكية (توقعات BLS 2025–35)
- التغير المتوقع في العمالة، 2025–35
- +21.8%
- عدد العاملين في الولايات المتحدة، 2025
- 38,600
- فرص العمل سنويًا (المتوسط)
- 2,900
- الأجر السنوي الوسيط، 2025
- US$140,300
- التعليم المعتاد للالتحاق
- درجة الماجستير
لماذا يتوقع مكتب BLS هذا التغير
تغيّر الطلب: يُتوقع أن ترتفع حصة هذه المهنة من العمالة في القطاعات التي توظفها، إذ سيدعم الطلب على حلول لتحديات الحوسبة المعقدة وعلى تطوير تقنيات جديدة، بما فيها الذكاء الاصطناعي، زيادةَ الطلب على علماء أبحاث الحاسوب والمعلومات.
النص الأصلي لمكتب BLS (بالإنجليزية). الترجمة من ai-job-risk.net.
Demand change - share increases as demand for solutions to complex computing challenges and for developing new technologies, including artificial intelligence (AI), will support an increased demand for computer and information research scientists.
أرقام أمريكية لمهنة BLS "Computer and information research scientists". تفترض توقعات BLS أن التقنية تواصل التطور بوتيرتها التاريخية؛ وهي ليست توقعًا لأثر الذكاء الاصطناعي وحده.
لا تتتبع الإحصاءات الرسمية هذا المسمى الوظيفي بعينه، لذا تصف الأرقام أقرب فئة مهنية رسمية.
المصادر
مؤشر التعرض يحسبه ai-job-risk.net من مجموعات البيانات أدناه (البيانات حتى 15 أكتوبر 2026). وأرقام العمل الأمريكية مصدرها BLS دون تغيير.
- Eloundou, Manning, Mishkin & Rock, "GPTs are GPTs: Labor market impact potential of LLMs", Science (2024); data MIT licence
- Gmyrek, Berg, Kamiński, Konopczyński, Ładna, Nafradi, Rosłaniec, Troszyński. Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. Geneva: ILO, 2025. © ILO, CC BY 4.0
- Tomlinson, Jaffe, Wang, Counts & Suri, "Working with AI: Measuring the Occupational Implications of Generative AI", Microsoft Research; CC BY 4.0
- Anthropic Economic Index (job_exposure); CC BY
- U.S. Bureau of Labor Statistics, Employment Projections 2025–35 and AI exposure categories
لم تُعدّ الجهات الناشرة هذا الموقع ولم تراجعه ولم تصادق عليه. الاستشهادات الكاملة والتراخيص والمنهجية
هل سيحل الذكاء الاصطناعي محل مهندسي التعلم الآلي؟
مع انتشار AutoML والذكاء الاصطناعي التوليدي، صار إنشاء النماذج الأساسية وصياغة دفاتر الملاحظات البرمجية وتوليد الأفكار حول الخصائص المرشحة أسهل من ذي قبل. ومرحلة افتتاح التجارب باتت أخف بكثير الآن.
غير أن جودة البيانات وصحة التسميات ومقاييس التقييم ورصد الانحراف في الإنتاج كثيرًا ما تكون في العمل العملي للتعلم الآلي أهم من النموذج ذاته. فإذا عولجت هذه الأمور على نحو سيئ، قد تبدو النتائج دقيقة بينما تكون عديمة الفائدة في العالم الحقيقي.
مهندسو التعلم الآلي لا يكتفون ببناء النماذج؛ إنهم مهندسون يصلون إعداد البيانات بعمليات الإنتاج ويحوّلون نتائج التدريب إلى شيء قابل للاستخدام. والخط المفيد هنا هو الفاصل بين الخطوات التجريبية الأرجح أن يؤتمتها الذكاء الاصطناعي والأحكام التي لا يزال على البشر إصدارها.
المهام الأكثر عرضة للأتمتة
أكثر ما يُرجَّح أن يحل الذكاء الاصطناعي وAutoML محله هو إنشاء النماذج الأساسية المعيارية والمسودات الأولى للتجارب. وكلما كانت البنية أكثر توحيدًا، سهلت أتمتتها.
توليد الخصائص المرشحة
الذكاء الاصطناعي فعّال في توسيع نطاق الخصائص الممكنة وأفكار المعالجة المسبقة انطلاقًا من البيانات الموجودة، فيسرّع مرحلة الاستكشاف المبكرة. غير أن رصد تسرّب البيانات أو الاستخدام غير المقصود لمعلومات من المستقبل يبقى مسؤولية بشرية.
إنشاء قوالب نصوص التدريب البرمجية
يسهل على الذكاء الاصطناعي إنتاج خطوط أساسية للتدريب والتقييم وحفظ النماذج، ومن المرجح أن ينخفض عبء العمل في الأجزاء الروتينية. لكن التعديلات المطلوبة لمراعاة خصوصيات البيانات الحقيقية والقيود التشغيلية لا تُقرَّر تلقائيًا.
تلخيص نتائج التجارب
يتقن الذكاء الاصطناعي تلخيص درجات التجارب المتعددة وملاحظاتها، ما يخفف عبء التوثيق. لكن تقرير ما ينبغي تجربته بعد ذلك، ولماذا ظهر فرق بعينه، يبقى عملًا بشريًا.
المهام التي ستبقى
ما يبقى لمهندسي التعلم الآلي هو التصميم المرتكز على دلالة البيانات وواقع الإنتاج. وستزداد أهمية القدرة على تحمّل مسؤوليات تتجاوز دقة النموذج المجردة.
الحكم على جودة البيانات وتعريفات التسميات
لا بد أن يقرر أحدهم أي البيانات جديرة بالثقة، وهل تمثّل التسميات النتيجة المستهدفة حقًا. فإن بقي هذا الجزء مبهمًا، قد يبدو التدريب ناجحًا بينما يفشل في الميدان. ومن يفهم ما تعنيه البيانات فعلًا سيبقى ذا قيمة.
مواءمة مقاييس التقييم مع المتطلبات التشغيلية
كثيرًا ما لا تكفي قيمة AUC مرتفعة أو دقة خام وحدها، إذ على الفرق أيضًا أن تراعي كلفة الإيجابيات الكاذبة وسرعة الاستدلال وقابلية التفسير. ويبقى تعريف ما يُعدّ نموذجًا جيدًا عملًا بشريًا، لأنه يتطلب ربط التقييم التقني بالتقييم التجاري.
النشر في الإنتاج ومراقبة انحراف النموذج
سيظل نشر النموذج المدرَّب ضمن خدمة ومراقبة زمن الاستجابة والانحراف والتغيرات في توزيع المدخلات عملًا مهمًا. فهذا هو الدور الذي يسد الفجوة بين دفاتر الملاحظات البحثية وأنظمة الإنتاج، ومن يستطيع إبقاء هذا الجسر مستقرًا يصعب استبداله.
تصميم دورة التحسين
لا بد أن يقرر أحدهم عدد مرات إعادة التدريب، وما الذي ينبغي أن يطلق التحسينات، ومقدار ما يُؤتمت من العملية. فالنماذج لا تكتمل عند بنائها، بل يجب تحسينها باستمرار في أثناء التشغيل.
مهارات ينبغي تعلّمها
يحتاج مهندسو التعلم الآلي في المستقبل إلى ما هو أكثر من المعرفة بالخوارزميات؛ إنهم بحاجة إلى القدرة على ربط البيانات بالعمليات. فالمهم ليس مدى براعة التجربة في الظاهر، بل قدرة المنظومة على مواصلة تقديم القيمة في الإنتاج.
الإحصاء وتصميم التجارب
فهم الإحصاء وتصميم التجارب ضروري للحكم على ما إذا كان فرق الدرجات ذا دلالة، وما إذا كانت طريقة التقييم صحيحة. وتزداد أهمية القدرة على مقاومة الانجذاب إلى تحسينات تبدو معقولة كلما انتشر الذكاء الاصطناعي. والمتمكنون يستطيعون التمييز بين تغيّر عرضي في المقياس وتغيّر جوهري.
خطوط البيانات وMLOps
من المهم القدرة على تصميم المسار الكامل لتوليد الخصائص وبنية التدريب التحتية والنشر والمراقبة وإعادة التدريب. ومن يفكر بمنطق الأنظمة التشغيلية لا النماذج المعزولة يحظى بقيمة خاصة. وكلما سهل عليه نقل التجارب إلى الإنتاج، ازدادت فائدته للمؤسسة.
تقديم النماذج للخدمة ومراقبتها
يحتاج مهندسو التعلم الآلي إلى معرفة بواجهات الاستدلال البرمجية وزمن الاستجابة والتوسع ورصد الانحراف. فحتى النموذج عالي الدقة تبقى قيمته محدودة إذا كان بطيئًا أو غير مستقر في الإنتاج. ومن يستطيع تحمّل المسؤولية بعد النشر نادر وثمين.
ربط التعلم الآلي بمؤشرات الأعمال
من المهم تصميم النماذج مع فهم التحسينات التي تؤثر فعلًا في الإيرادات أو الاستخدام. ومن يستطيع أن يشرح لا التحسين التقني فحسب بل القيمة الميدانية أيضًا، أرجح أن يحتفظ بقيمته بمرور الوقت. وترجمة جودة النموذج إلى قرارات أعمال عامل تمييز كبير.
انتقالات مهنية محتملة
تمتد خبرة مهندس التعلم الآلي إلى ما وراء بناء النماذج لتشمل تصميم البيانات والتقييم والتحسين التشغيلي، ما يسهّل الانتقال إلى أدوار مجاورة في التحليلات والعمل على المنتجات والتصميم التشغيلي.
محلل بيانات
تنتقل الخبرة في التفكير في الخصائص ومقاييس التقييم مباشرة إلى التحليل ودعم القرار. ويناسب هذا المسار من يريد الابتعاد قليلًا عن بناء النماذج وتعميق عمله في تفسير البيانات نفسها.
مؤشر التعرض 95/100 · الوظائف الأمريكية 2025–35 +34.6%
محلل أعمال
ترتبط الخبرة في تنظيم جودة البيانات ومتطلبات الأعمال أيضًا بتحسين إجراءات الأعمال وتصميم المتطلبات. ويلائم ذلك من يريد الانتقال من التحقق التقني نحو حل مشكلات الأعمال بشكل أكثر مباشرة.
مؤشر التعرض 88/100 · الوظائف الأمريكية 2025–35 +10.1%
مدير منتج
كثيرًا ما ينتقل من سبق لهم ربط دقة النماذج بقيمة الأعمال بنجاح إلى تقرير أولويات الميزات. ويناسب هذا المسار من يريد الانتقال من الجسر بين التحليل والتنفيذ إلى قرارات أعلى مستوى بشأن المنتج.
مؤشر التعرض 82/100 · الوظائف الأمريكية 2025–35 +6.9%
مدير مشروع
تفيد الخبرة في التنسيق بين أصحاب مصلحة متعددين حول بنية التدريب التحتية والنشر في الإنتاج في إدارة التسليم أيضًا. ويلائم ذلك من يريد التحول من التجريب ذاته إلى قيادة التنفيذ الشامل.
مؤشر التعرض 70/100 · الوظائف الأمريكية 2025–35 +6.7%
محلل أبحاث السوق
تنطبق الخبرة في تصميم التقييم وتفسير البيانات أيضًا على فهم العملاء وتحليل الأبحاث. ويناسب ذلك من يريد أخذ الافتراضات الكامنة وراء تطوير النماذج وتوسيعها إلى عمل أشمل في دعم القرار.
مؤشر التعرض 94/100 · الوظائف الأمريكية 2025–35 +7.0%
مهندس ذكاء اصطناعي
يستطيع أصحاب الأسس المتينة في التعلم الآلي الانتقال بصورة طبيعية إلى الذكاء الاصطناعي التوليدي وتنفيذ ميزات الذكاء الاصطناعي. وهو خيار جدير بالنظر لمن يريد مدّ خبرته في عمليات التعلم الآلي التقليدية إلى مجالات تطبيقية أحدث.
مؤشر التعرض 85/100 · الوظائف الأمريكية 2025–35 +10.2%
الملخص
ستظل المؤسسات بحاجة إلى مهندسي التعلم الآلي. ما يضعف هو الدور المقتصر على بناء التجارب الأساسية. فقد يصبح إنشاء النماذج الأولية أسهل، لكن العمل على جودة البيانات وتصميم التقييم والنشر في الإنتاج ومراقبة الانحراف سيبقى. والميزة الأقوى على المدى الطويل لن تأتي من قدرتك على بناء نموذج، بل من قدرتك على مواصلة تحسينه في أثناء التشغيل.
وظائف مقارنة من القطاع نفسه
الوظائف المعروضة هنا تنتمي الى القطاع نفسه الذي تنتمي اليه مهندس التعلم الآلي. وهي ليست الوظيفة نفسها، لكنها تساعد على مقارنة تاثير الذكاء الاصطناعي وقرب المسارات المهنية.
واصل الاستكشاف
الأسئلة الشائعة
Q.هل سيحل الذكاء الاصطناعي محل مهندسي التعلم الآلي؟
تسجّل مهنة مهندس التعلم الآلي 80 من 100 على مؤشرنا للتعرض للذكاء الاصطناعي التوليدي (المرتبة 69 من 188). ويقيس ذلك مقدار العمل الذي يستطيع الذكاء الاصطناعي أداءه أو يُستخدم فيه، لا ما إذا كانت الوظيفة ستختفي. يتوقع مكتب BLS أن يتغير التوظيف في مهنة مهندس التعلم الآلي في الولايات المتحدة بنسبة +21.8% بين 2025 و2035.
Q.مهندس التعلم الآلي: ما المهام التي يُرجَّح أن يتولاها الذكاء الاصطناعي؟
أكثر ما يُرجَّح أن يحل الذكاء الاصطناعي وAutoML محله هو إنشاء النماذج الأساسية المعيارية والمسودات الأولى للتجارب. وكلما كانت البنية أكثر توحيدًا، سهلت أتمتتها. على سبيل المثال: بناء النماذج الأساسية، توليد الخصائص المرشحة، إنشاء قوالب نصوص التدريب البرمجية، تلخيص نتائج التجارب.
Q.مهندس التعلم الآلي: ما الجوانب التي ستبقى بيد الإنسان؟
ما يبقى لمهندسي التعلم الآلي هو التصميم المرتكز على دلالة البيانات وواقع الإنتاج. وستزداد أهمية القدرة على تحمّل مسؤوليات تتجاوز دقة النموذج المجردة. على سبيل المثال: الحكم على جودة البيانات وتعريفات التسميات، مواءمة مقاييس التقييم مع المتطلبات التشغيلية، النشر في الإنتاج ومراقبة انحراف النموذج، تصميم دورة التحسين.
Q.مهندس التعلم الآلي: ما المهارات التي تستحق التطوير الآن؟
يحتاج مهندسو التعلم الآلي في المستقبل إلى ما هو أكثر من المعرفة بالخوارزميات؛ إنهم بحاجة إلى القدرة على ربط البيانات بالعمليات. فالمهم ليس مدى براعة التجربة في الظاهر، بل قدرة المنظومة على مواصلة تقديم القيمة في الإنتاج. على سبيل المثال: الإحصاء وتصميم التجارب، خطوط البيانات وMLOps، تقديم النماذج للخدمة ومراقبتها، ربط التعلم الآلي بمؤشرات الأعمال.