الفصل الثالث: منهج الأدلة في الذكاء الاصطناعي الزراعي

الفصل الثالث: منهج الأدلة في الذكاء الاصطناعي الزراعي

رسالة الفصل: من وفرة المصادر إلى معرفة جديرة بالثقة ليست قوة الكتاب العلمي في عدد المراجع التي تتراكم في هوامشه، بل في قدرته على تحديد ما يستطيع كل مرجع أن يثبته، وأين تنتهي سلطته المعرفية. فالمصدر لا يكتسب قيمته من حضوره وحده، وإنما من ملاءمته للادعاء الذي يُستدعى لإسناده. وتزداد هذه المسألة تعقيدًا في مجال سريع التطور كالذكاء الاصطناعي الزراعي؛ إذ قد يجد الكاتب أمامه ورقة علمية محكّمة، وتقريرًا رسميًا، وصفحة منتج، ومستودعًا برمجيًا، ومحاكاة حاسوبية، وخبرًا صحفيًا، وشهادة تصف تجربة ميدانية. وقد يحمل كل مصدر من هذه المصادر معلومة صحيحة، لكن صحتها لا تكون بالدرجة نفسها، ولا تؤدي الوظيفة الاستدلالية ذاتها. فالورقة العلمية قد تقيس أداء نموذج ضمن بيانات وشروط تجريبية محددة، لكنها لا تثبت تلقائيًا نجاحه في كل محصول أو إقليم. والجهة التنظيمية هي المرجع المختص بتسجيل المبيد أو تقرير صلاحية استعماله، لكنها ليست الجهة التي تقيس دقة خوارزمية. وصفحة المنتج توثّق ما يعلنه المورّد عن نظامه في تاريخ معين، لكنها لا تقوم مقام التقييم المستقل لفاعليته. أما المستودع البرمجي، فقد يثبت وجود مكوّن في الشفرة وقت الفحص، من دون أن يثبت أن هذا المكوّن يعمل في خدمة حية، أو أنه يحقق أثرًا زراعيًا ملموسًا في الميدان. من هنا تتحدد مهمة هذا الفصل: توضيح الكيفية التي انتقل بها الكتاب من تنوع المصادر إلى بناء أحكام منضبطة، قابلة للتتبع والمراجعة. وهو لا يقدم قائمة نظرية مجردة في مناهج البحث، بل يكشف البنية العملية التي استُخدمت للتمييز بين حقيقة موثقة، ونتيجة مقيدة بسياقها، ووصف منسوب إلى صاحبه، ورقم لم يكتمل التحقق منه، ومقترح تحريري لا يدّعي أنه نتيجة تجربة. ولا تتمثل الغاية في إضعاف الحجة بتراكم التحفظات، أو إحاطة المعرفة بسياج دائم من الشك؛ بل في بناء ثقة تعرف أساسها وحدودها. فاليقين العلمي لا تصنعه النبرة القاطعة، وإنما يصنعه مسار واضح يستطيع القارئ أن يتتبعه: من أين جاءت المعلومة؟ وما نوع مصدرها؟ وما الذي يثبته هذا المصدر فعلًا؟ وما الذي لا يحق لنا أن نستنتجه منه؟

1\. هندسة قاعدة الأدلة: كيف بُني الأساس المعرفي للكتاب؟

يقصد الكتاب بـ«المجموعة المصدرية متعددة اللغات» مجموع المواد التي جُمعت ونُظمت خلال مراحل إعداده، ثم بُنيت عليها فصوله وتحليلاته. ولم تقتصر هذه المجموعة على نوع واحد من الوثائق، بل شملت دراسات أولية، ومراجعات علمية، وتقارير رسمية، وأوراق عمل، ووثائق مؤسسية، وأوصاف منتجات، ومواد تقنية، وأدلة تنفيذ، إلى جانب مواد مساعدة استُخدمت لاكتشاف الأسماء والموضوعات وفتح مسارات البحث. وقد جاءت هذه المواد بلغات متعددة؛ لأن الابتكار الزراعي لا يُنشر كله باللغة الإنجليزية، ولأن بعض التطبيقات والسياسات والمصطلحات المحلية لا ينكشف معناها الكامل إلا داخل لغتها وسياقها. غير أن تعدد اللغات لا يعني احتساب الترجمة والأصل مصدرين مستقلين، كما لا يمنح الوثيقة مرتبة علمية أعلى لمجرد ظهورها في أكثر من نسخة. لذلك رُبطت الترجمات بأصولها، وحُددت النسخ المكررة أو المشتقة، وحُفظ لكل وثيقة موقعها ووظيفتها الدقيقة في بناء الحجة. بدأ العمل بجرد المادة المصدرية وتنظيمها، لكنه لم يتوقف عند حدود جمع الملفات. فقد انتقل إلى بناء سجلات تحريرية منفصلة للمصادر، والادعاءات، والأرقام، ودراسات الحالة. والفرق بين المرحلتين جوهري: فجمع الوثيقة لا يعني سوى أن مادة ما أصبحت متاحة للفحص، أما اعتماد ادعاء مستمد منها فيتطلب مستوى آخر من التحقق. عندئذ يصبح السؤال: هل هذا المصدر مناسب لإثبات هذا الادعاء تحديدًا؟ وهل يمكن تتبع الرقم إلى موضعه الأصلي؟ وهل ظلت شروط الدراسة وحدودها ظاهرة عندما نُقلت النتيجة إلى الكتاب؟ كما أُنشئ سجل مستقل للأدلة المرتبطة بدراسة حالة Aladdin Agri AI، منعًا لاختلاط أدلة التنفيذ الداخلية بالمراجع العلمية العامة المتاحة للقارئ. فوجود شفرة، أو واجهة، أو مسار تكامل قد يثبت حالة تنفيذية محددة في إصدار معلوم، لكنه لا يتحول بذلك إلى دراسة مستقلة للفاعلية، ولا إلى دليل على أثر زراعي في الميدان. ويحمي هذا الفصل بين نوعي الأدلة قيمة كل منهما: فلا يُحمَّل الدليل التقني ما لا يستطيع إثباته، ولا يُحرم القارئ، في المقابل، من معرفة ما يثبته بالفعل. وعندما أُعيد تنظيم الملفات ومساراتها، لم تُترك الإحالات رهينة مواقع قديمة أو أسماء قابلة للتغير؛ بل أُعيد تثبيت خط الأساس للمسارات والبصمات الرقمية. ولم تكن الغاية من ذلك تقنية محضة، بل تحريرية ومعرفية أيضًا: أن يظل كل ادعاء مهم مرتبطًا بالمادة التي بُني عليها، وألا يؤدي انتقال الملفات أو تغير أسمائها إلى انقطاع في سلسلة التحقق. لماذا يُوصف هذا العمل بأنه مراجعة سردية منظمة مستنيرة بالأدلة؟ ينتمي هذا الكتاب إلى منهج المراجعة السردية المنظمة المستنيرة بالأدلة؛ فهو يجمع مواد متباينة، ويصنفها، ويقارن بينها، ثم يبني منها تفسيرًا متماسكًا للمجال، مع إظهار نوع كل دليل وحدود ما يسمح باستنتاجه. وقد اختير هذا المنهج لأنه يلائم السؤال الواسع الذي يطرحه الكتاب: كيف ينتقل الذكاء الاصطناعي من المختبر والمنتج إلى القرار الزراعي، والاقتصاد، والعمل، والحوكمة، والميدان؟ أما المراجعة المنهجية، بالمعنى العلمي الدقيق، فلها غرض مختلف وعقد منهجي أكثر تحديدًا. فهي تبدأ عادةً بسؤال أضيق، وبروتوكول بحث معلن مسبقًا، وقواعد بيانات محددة، وعبارات بحث قابلة لإعادة الاستخدام، ومعايير واضحة للإدراج والاستبعاد، وسجل كامل لنتائج البحث وإزالة التكرار ومراحل الفرز. وتتيح هذه العناصر لباحث آخر أن يعيد تنفيذ المسار نفسه، ثم يقارن ما يتوصل إليه بما توصل إليه مؤلفو المراجعة. ولا يعني اختلاف التصنيف أن أحد النوعين جاد والآخر أقل شأنًا؛ بل يعني أن لكل منهما وظيفة معرفية مختلفة. فالمراجعة المنهجية ممتازة للإجابة عن سؤال محدد ضمن بروتوكول قابل للتكرار، في حين تتيح المراجعة السردية المنظمة الربط بين مجالات لا يجمعها تصميم تجريبي واحد: الخوارزميات، والزراعة، والاقتصاد، وسلامة الغذاء، والعمل، وحقوق البيانات، والبنية المؤسسية، والفروق الإقليمية. وتتجلى قوة هذا الكتاب في إحكام هذه الروابط من دون طمس الفروق بين أنواع الأدلة، أو تقديمها كما لو كانت متساوية في طبيعتها وقدرتها على الإثبات. الأعداد الموروثة من المسودات السابقة: حين تكون الدقة أهم من جاذبية الرقم ورد في بعض المسودات لإصدار أقدم من هذا الكتاب أن أكثر من 150 وثيقة جرى فحصها عبر قواعد ومصادر متعددة. غير أن هذا الإصدار لم يعتمد ذلك الرقم لمجرد تكراره في النسخة السابقة؛ إذ لم يكن مصحوبًا بسجل كامل يسمح بإعادة تنفيذ عبارات البحث، والتواريخ، والنتائج، والفرز، والاستبعاد، وإزالة التكرار، بالدرجة اللازمة لاعتماده رقمًا منهجيًا نهائيًا. كان الخيار الأسهل أن يُنقل العدد إلى الطبعة الجديدة؛ فهو رقم كبير، واضح، وجذاب. أما الخيار العلمي، فكان الفصل بين المعرفة المفيدة التي أمكن التحقق منها وبين الادعاء العددي الذي لم يكتمل توثيق مساره. لذلك لم يُستخدم الرقم التاريخي دليلًا على شمول المراجعة، وأُعيد تقييم المواد والادعاءات وفق سجلات هذا الإصدار وحدوده المعلنة. ولا يعني ذلك أن المعرفة التي مرت عبر المسودات السابقة قد أُهدرت أو أُلغيت. فقد احتُفظ بالأسماء والأفكار ومسارات البحث التي أمكن تتبعها، وأُعيد فحص الادعاءات قبل اعتمادها. أما الرقم أو النتيجة التي لم تصل إلى مصدر مناسب، فلم تُقدَّم للقارئ بوصفها حقيقة مكتملة. وهكذا أصبحت المراجعة التحريرية أداة لتنقية المعرفة، لا لمحوها؛ ووسيلة لرفع موثوقية الكتاب، لا للتقليل من شأنه. ويمكن لمراجعة منهجية منشورة مثل [SRC004] أن تسهم في رسم جزء من المجال، وأن تقدم مثالًا على بروتوكول بحث موثق ضمن سؤالها الخاص. غير أن صفتها المنهجية تخص العمل الذي أنجزه مؤلفوها، ولا تنتقل تلقائيًا إلى هذا الكتاب لمجرد الاستشهاد بها. وبالمثل، لا تتحول مجموعة واسعة من الوثائق إلى مراجعة منهجية لمجرد كثرة ملفاتها أو انتظام فصولها. فالدقة تبدأ من تسمية العمل بما أنجزه فعلًا، ثم محاسبته بصرامة على مقتضيات ذلك الاسم. وبهذا المعنى، لا يكون المنهج اعتذارًا عن الكتاب، بل بيانًا لقوته: لقد اختار أن يبني حجة واسعة قابلة للتتبع، وأن يعلن طبيعتها بوضوح، وأن يمنح كل مصدر المساحة التي يستحقها، من غير أن يرفعه فوق قدرته الحقيقية على الإثبات. الخلاصة المنهجية: لا تُبنى الثقة من كثرة الوثائق، بل من وضوح الطريق الذي يصل كل ادعاء بمصدره، ويحدد بدقة ما يثبته ذلك المصدر وما يتجاوز حدوده.

2\. وحدة التحقق هي الادعاء، لا الفقرة

قد تبدو الفقرة على الصفحة وحدة واحدة متماسكة، لكنها قد تضم في داخلها عدة ادعاءات تختلف جذريًا في طبيعتها وفي نوع الدليل المطلوب لإثبات كل منها. فالجملة التي تثبت وجود نظام ليست في المرتبة نفسها مع الجملة التي تصف إحدى خصائصه، ولا تكفي أي منهما لإثبات دقته أو أثره في حياة المزارع. ولنتأمل مثالًا مبسطًا لفقرة تتناول منتجًا زراعيًا رقميًا. قد تتضمن الفقرة أربعة مستويات مختلفة من الادعاء:

• ادعاء هوية أو وجود: «توجد منصة أو أداة تحمل هذا الاسم».
• ادعاء خاصية: «يعلن مقدمها أنها تستخدم الرؤية الحاسوبية للكشف عن أعراض المرض».
• ادعاء أداء: «حققت دقة قدرها 95% في مهمة محددة».
• ادعاء أثر: «خفضت خسائر المزارعين أو حسنت دخلهم في ظروف التشغيل الفعلية».

قد توثّق صفحة المورد أن المنتج معروض بهذا الاسم، وأن الشركة تصفه بأنه يستخدم الرؤية الحاسوبية. لكنها لا توثق، في هذه الحالة، سوى ما يعلنه المورد عن منتجه في تاريخ معين. ولا تقدم الصفحة وحدها تحققًا مستقلًا من أن الخاصية تعمل كما وُصفت، أو أن النظام حقق دقة معينة، أو أن استخدامه أدى بالفعل إلى خفض الخسائر. أما نسبة الأداء، فتحتاج إلى مصدر يوضح البيانات التي اختُبر عليها النموذج، وطريقة تقسيمها، وتعريف المقياس المستخدم، وخط الأساس الذي قورنت به النتيجة، وحدود تعميمها خارج إعداد الدراسة. وحتى إذا ثبت أن النموذج حقق دقة قدرها 95% داخل اختبار معين، فإن هذه النتيجة لا تثبت تلقائيًا أثرًا اقتصاديًا أو زراعيًا. فإثبات خفض الخسائر يتطلب تصميمًا يقيس ما حدث في الميدان، ويقارن النتيجة بما كان سيحدث في غياب النظام، ويأخذ في الحسبان التكاليف والمخاطر والعوامل الأخرى التي قد تفسر التحسن. ثلاثة أسئلة تحكم فحص كل ادعاء لهذا يتعامل منهج الكتاب مع الادعاء القابل للتحقق بوصفه وحدة الفحص الأساسية. ويعني ذلك تفكيك العبارة المركبة إلى وحدات واضحة، ثم طرح ثلاثة أسئلة على كل وحدة:

1. ما نوع الادعاء؟

هل هو ادعاء هوية، أم خاصية، أم أداء، أم أثر؟

2. ما المصدر الملائم لإثباته؟

هل يحتاج إلى وثيقة رسمية، أم دراسة أداء، أم تقييم ميداني، أم مادة تقنية؟

3. ما حدود الصياغة التي يسمح بها المصدر؟

ما الذي يمكن قوله بثقة، وما الذي سيُعد تعميمًا يتجاوز الدليل؟

وبعد الفحص، لا تُجمع الادعاءات كلها في خانة واحدة، بل تُصنف وفق درجات واضحة:

• متحقق: تدعمه مادة مناسبة، ويمكن تتبع سلسلة إثباته.
• متحقق ضمن حدود: ثبت في دراسة أو سياق محدد، ولا يجوز تعميمه خارجه.
• وصف منسوب: يعبّر عما تقوله جهة أو شركة عن منتجها، لا عن تقييم مستقل له.
• في انتظار التحقق: توجد قرينة أو إحالة أولية، لكن سلسلة الإثبات لم تكتمل.
• غير صالح للاستخدام: تعذر تحديد مصدر مطابق، أو تبين أن المصدر لا يثبت الادعاء المنسوب إليه.

فإذا ثبت اسم المنتج ومجال استخدامه، بينما لم تثبت نسبة أدائه، فلا يلزم حذف المنتج من خريطة المجال، ولا يجوز، في الوقت نفسه، نشر الرقم كما لو كان حقيقة مكتملة. يُحتفظ بالاسم وبوصف المهمة ضمن الحدود التي أمكن توثيقها، بينما يُعزل رقم الأداء مؤقتًا عن المتن إلى أن يظهر مصدر مناسب له. الحجر العلمي: حماية الاستنتاج قبل اكتمال الدليل هذا هو المقصود بـالحجر العلمي في هذا الكتاب. فهو ليس حكمًا بأن الفكرة باطلة، ولا اتهامًا للمصدر أو للمنتج، بل قرار تحريري يمنع الادعاء غير المكتمل من العمل داخل النص بوصفه حقيقة. وقد يُعاد فتح الادعاء إذا ظهر مصدر أولي مطابق أو تحقق مستقل كافٍ، وقد يبقى خارج الاستنتاج إذا لم تكتمل شروط إثباته. وبذلك يصبح الحجر العلمي آلية لحماية المعرفة من التسرع، لا أداة لإقصاء الأفكار. وعلى هذا الأساس، لا يتحول ضبط الأدلة إلى إفقار للمحتوى، كما لا تتحول الرغبة في تقديم كتاب واسع إلى مبرر لخلط درجات اليقين. يستطيع الكتاب أن يحتفظ بخريطة غنية للتطبيقات والمنتجات والبحوث، وأن يرسم، في الوقت نفسه، حدًا واضحًا بين:

• ما نعرفه بدليل مناسب؛
• وما نعرفه داخل شروط وسياقات محددة؛
• وما تقوله الجهة عن نفسها؛
• وما لا يزال ينتظر اكتمال البرهان.

فالصرامة العلمية لا تجعل المعرفة أقل اتساعًا؛ بل تجعل حدودها أكثر وضوحًا. وحين يعرف القارئ من أين جاءت العبارة، وما الذي يسندها، وأين ينتهي مداها، لا يعود التحفظ علامة ضعف، بل يصبح الأساس الذي يمنح الثقة معناها.

3\. من دقة النموذج إلى جودة القرار الزراعي

قد يحقق نموذج الذكاء الاصطناعي نتائج مرتفعة في الاختبارات، خصوصًا عندما يُقيَّم على بيانات نظيفة ومكتملة تشبه البيانات التي تدرب عليها. غير أن هذا النجاح الفني لا يضمن وحده أن يغيّر قرارًا زراعيًا في الواقع. فقد يتعذر تشغيل النموذج على الهاتف أو الجهاز المتاح في الحقل، أو يحتاج إلى اتصال دائم بالإنترنت، أو يصدر تنبيهه بعد فوات الوقت الذي كان يمكن فيه إنقاذ المحصول، أو يقدم توصية واثقة رغم أن الصورة غير واضحة أو أن البيانات ناقصة. في مثل هذه الحالات تظل النتيجة الرقمية مثيرة للإعجاب، لكن قيمتها العملية محدودة. وفي المقابل، قد يسجل نموذج آخر أداءً أقل قليلًا في الاختبار، لكنه يكون أخف تشغيلًا، وأقدر على العمل في ظروف الحقل، وأكثر صراحة في التعبير عن حدود معرفته. فإذا كانت البيانات غير كافية، امتنع عن إصدار توصية قاطعة وطلب صورة أو قياسًا إضافيًا، أو أحال الحالة إلى مهندس زراعي. وإذا اكتشف خطرًا، أصدر تنبيهًا مبكرًا يمنح المزارع وقتًا كافيًا للفحص واتخاذ الإجراء قبل انقضاء نافذة التدخل؛ أي الفترة التي يظل فيها العلاج أو الوقاية ممكنين وفعّالين. عندئذ قد يكون هذا النموذج أكثر نفعًا، حتى إن لم يكن صاحب الرقم الأعلى على لوحة الاختبار. ولنأخذ مثالًا عمليًا: قد يتعرف نموذج لتشخيص مرض نباتي على الإصابة بدقة مرتفعة، لكنه لا يكتشفها إلا بعد أن تصبح الأعراض واضحة ويكون المرض قد انتشر في مساحة واسعة. وقد يتفوق عليه عمليًا نموذج أقل دقة بقليل، لكنه يلتقط العلامات المبكرة، ويحدد درجة ثقته، ويميز بين الحالة التي يمكن مراقبتها والحالة التي تستدعي فحصًا بشريًا عاجلًا. الأول يصف المشكلة جيدًا بعد وقوعها؛ أما الثاني فيساعد على اتخاذ القرار بينما لا يزال للقرار أثر. ولا يعني ذلك التقليل من أهمية الدقة أو قبول نموذج ضعيف بحجة سهولة تشغيله. فالأداء الفني يظل شرطًا أساسيًا، ولا سيما في القرارات التي قد تمس سلامة المحصول أو الحيوان أو الإنسان. لكن القيمة الزراعية لا يصنعها رقم منفرد؛ بل تصنعها منظومة متكاملة تجمع بين دقة مقبولة ومثبتة، وبيانات مناسبة للسياق، وتشغيل موثوق، وتنبيه في الوقت المناسب، وتوصية مفهومة وقابلة للتنفيذ، وامتناع مسؤول عندما لا تكفي الأدلة. فالنموذج الأفضل ليس دائمًا من يعرف أكثر داخل المختبر، بل من يساعد الإنسان على اتخاذ قرار أصوب في المكان والوقت اللذين لا يزال فيهما القرار قادرًا على تغيير النتيجة. لهذا ينبغي الفصل بين خمسة مستويات من النجاح:

هذه المستويات ليست أسماء مختلفة للنجاح نفسه، بل حلقات في سلسلة واحدة. فقد يكون النموذج دقيقًا ولا يلائم البيئة المحلية، وقد يلائمها لكن تتعطل الخدمة، وقد تعمل الخدمة لكن تأتي التوصية متأخرة أو غامضة، وقد يتخذ المزارع قرارًا أفضل من دون أن تظهر فائدته في موسم استثنائي. لذلك لا يكتمل الحكم على التقنية إلا بتتبع الطريق كله: من صحة التنبؤ، إلى ملاءمته للمزرعة، إلى وصوله في الوقت المناسب، ثم إلى القرار الذي غيّره، وأخيرًا إلى الأثر الذي تركه في الحقل وفي حسابات المزارع ويمكن تمثيل سلسلة الدليل هكذا: بيانات صالحة ↓ نموذج مناسب ↓ تحقق مستقل ↓ تشغيل موثوق ↓ توصية مفهومة ↓ فعل ممكن وفي الوقت المناسب ↓ نتيجة زراعية ↓ أثر اقتصادي وبيئي واجتماعي لا يحق للادعاء أن يقفز فوق حلقة مفقودة. فإذا كان الدليل المتاح يخص أداء النموذج، صيغ الاستنتاج في حدود أداء النموذج. وإذا كان الدليل تجربة ميدانية قصيرة، لم يُقدّم بوصفه تشغيلًا مستقرًا عبر المواسم. وإذا تغيرت الغلة، لم يُنسب التغير إلى النظام قبل النظر في الطقس والمساحة والمدخلات وخط الأساس.

4\. مقاييس مختلفة لمهام مختلفة: ماذا يعني الرقم الذي يعرضه النموذج؟

تمتلئ الدراسات وصفحات المنتجات بعبارات من قبيل: «دقة مرتفعة»، و«أداء متقدم»، و«نتائج تتفوق على النماذج السابقة». غير أن الرقم، مهما بدا لامعًا، لا يفسر نفسه. فقبل أن نسأل: كم بلغت الدقة؟ ينبغي أن نسأل سؤالًا أسبق: ما المهمة التي قيس أداؤها، وما نوع الخطأ الذي يمكن أن يقع فيها؟ فالذكاء الاصطناعي قد يُستخدم للإجابة عن أسئلة مختلفة تمامًا:

• هل النبات مصاب أم سليم؟
• أين توجد الثمرة أو الحشرة داخل الصورة؟
• ما مساحة الجزء المصاب من الورقة؟
• ما الغلة المتوقعة في نهاية الموسم؟
• هل يستطيع الروبوت التقاط الثمرة من دون إتلافها؟
• هل أدى نظام الري فعلًا إلى تقليل استهلاك الماء؟

لا يمكن قياس هذه المهام جميعًا بالمقياس نفسه. كما لا يجوز وضع أرقامها في جدول واحد وترتيب التطبيقات من الأعلى إلى الأدنى كأنها تتنافس في اختبار واحد. فكل مقياس يضيء جانبًا من الأداء، ويترك جوانب أخرى في الظل. ولا يحتاج القارئ إلى حفظ المعادلات الرياضية التي تقف وراء هذه المقاييس. ما يحتاج إليه هو أن يفهم ثلاثة أمور: ما السؤال الذي يجيب عنه المقياس، وما الخطأ الذي قد يخفيه، وما علاقته بالقرار الزراعي. أولًا: عندما تكون المهمة تصنيف حالة — هل النبات مصاب أم سليم؟ لنفترض أن تطبيقًا يستقبل صورة لورقة نبات ويصنفها في واحدة من حالتين: «مصابة» أو «سليمة». قد يبدو الأمر بسيطًا، لكن النموذج يمكن أن ينتج أربع نتائج مختلفة:

هذه النتائج الأربع هي الأساس الذي تُشتق منه معظم مقاييس التصنيف. والاختلاف بين المقاييس ليس ترفًا إحصائيًا؛ فكل واحد منها ينظر إلى جانب مختلف من الخطأ. الدقة الكلية (Accuracy): كم إجابة صحيحة أعطاها النموذج؟ تحسب الدقة الكلية نسبة جميع التوقعات الصحيحة، سواء كانت حالات مصابة اكتُشفت بصورة صحيحة أم حالات سليمة جرى استبعادها بصورة صحيحة. إذا فحص النموذج مئة صورة وأصاب في تسعين منها، تكون دقته الكلية 90%. يبدو هذا الرقم واضحًا، لكنه قد يصبح مضللًا عندما تكون إحدى الفئات أكثر عددًا بكثير من الأخرى. لنفترض، مثلًا، أن لدينا مئة صورة: خمسًا وتسعين لنباتات سليمة، وخمسًا فقط لنباتات مصابة. إذا أعلن نموذج ضعيف أن جميع الصور سليمة، فسوف يصيب في خمس وتسعين حالة، وتظهر له دقة كلية قدرها 95%. ومع ذلك، لم يكتشف إصابة واحدة من الإصابات الخمس. إذن، تجيب الدقة الكلية عن السؤال: كم مرة كان النموذج مصيبًا بوجه عام؟ لكنها لا تجيب وحدها عن السؤال الأهم في هذا المثال: كم إصابة حقيقية استطاع النموذج اكتشافها؟ الحساسية أو القدرة على اكتشاف الحالات المصابة (Recall/Sensitivity) تقيس الحساسية نسبة الحالات المصابة التي نجح النموذج في اكتشافها من بين جميع الحالات المصابة فعلًا. وبلغة المزارع، يكون السؤال: إذا كان المرض موجودًا بالفعل، فما احتمال أن ينتبه إليه النظام وألا يتركه يمر من دون إنذار؟ تكتسب الحساسية أهمية خاصة عندما يكون تفويت الحالة المصابة شديد الخطورة؛ مثل مرض سريع الانتشار، أو علامة مبكرة لاضطراب صحي في قطيع، أو آفة يمكن احتواؤها إذا اكتُشفت في الوقت المناسب. ارتفاع الحساسية يعني أن النموذج يفوّت عددًا أقل من الحالات المصابة. لكنه لا يعني بالضرورة أن كل إنذار يصدره صحيح؛ فقد يرفع النظام حساسيته بإطلاق إنذارات كثيرة، بعضها حقيقي وبعضها كاذب. النوعية أو القدرة على استبعاد الحالات السليمة (Specificity) تقيس النوعية نسبة الحالات السليمة التي تعرف عليها النموذج على أنها سليمة فعلًا. والسؤال هنا هو: إذا كان النبات سليمًا، فما احتمال ألا يصنفه النظام خطأً على أنه مصاب؟ تكون النوعية مهمة عندما تؤدي الإنذارات الكاذبة إلى تكلفة مرتفعة، مثل إرسال فرق للفحص، أو تعطيل عمليات الإنتاج، أو أخذ عينات مخبرية، أو التفكير في معاملة غير ضرورية. لكن النوعية المرتفعة وحدها لا تضمن أن النموذج يكتشف الحالات المصابة. فقد يكون شديد التحفظ في إطلاق الإنذارات، فيقل عدد الإنذارات الكاذبة، لكنه يفوّت في المقابل إصابات حقيقية. دقة الإنذارات الإيجابية (Precision) يُترجم هذا المقياس أحيانًا إلى «الإحكام»، لكن هذا اللفظ قد لا يكون واضحًا للقارئ. ومعناه العملي أبسط من اسمه: من بين كل الحالات التي أعلن النظام أنها مصابة، كم حالة كانت مصابة فعلًا؟ إذا أصدر النظام عشرة إنذارات، واتضح بعد الفحص أن ستة منها فقط صحيحة، فإن دقة إنذاراته الإيجابية ليست كاملة؛ لأن أربعة إنذارات كانت كاذبة. هذا المقياس مهم عندما تكون متابعة الإنذار مكلفة أو عندما يمكن أن يترتب عليه تدخل حساس. فإذا كان كل إنذار يستدعي تحليلًا مخبريًا، أو زيارة متخصص، أو إيقاف جزء من خط الإنتاج، فلا يكفي أن يلتقط النظام معظم الحالات المصابة؛ ينبغي أيضًا ألا يغرق المستخدم في إنذارات كاذبة. وهنا يظهر الفرق بين هذا المقياس والحساسية:

• الحساسية تسأل: من بين الحالات المصابة فعلًا، كم حالة اكتشفها النموذج؟
• دقة الإنذارات الإيجابية تسأل: من بين الحالات التي أعلن النموذج إصابتها، كم إنذارًا كان صحيحًا؟

قد يكون النموذج قويًا في أحد الجانبين وضعيفًا في الآخر؛ ولذلك يجب أن يرتبط اختيار المقياس بعاقبة الخطأ في الواقع الزراعي. مقياس F1: هل يوازن النموذج بين اكتشاف الإصابة وصحة إنذاراته؟ يجمع مقياس F1 بين الحساسية ودقة الإنذارات الإيجابية في قيمة واحدة. ويرتفع هذا المقياس عندما ينجح النموذج في أمرين معًا:

• اكتشاف نسبة جيدة من الحالات المصابة.
• تجنب إصدار عدد كبير من الإنذارات الكاذبة. يمكن النظر إليه بوصفه درجة مختصرة للتوازن بين عدم تفويت الإصابة وعدم المبالغة في التحذير منها. فإذا كان النموذج يكتشف كل إصابة لكنه يطلق إنذارات كاذبة كثيرة، فلن يكون مقياس F1 مرتفعًا كما ينبغي. وكذلك إذا كانت إنذاراته القليلة صحيحة، لكنه يفوّت عددًا كبيرًا من الإصابات. غير أن جمع الأمرين في رقم واحد له ثمن: فهو قد يخفي أن نوعًا من الخطأ أخطر من الآخر. ففي مرض وبائي سريع الانتشار قد يكون تفويت إصابة واحدة أشد ضررًا من إرسال عدة حالات سليمة إلى الفحص. وفي تدخل مرتفع الكلفة أو المخاطر، قد يصبح الإنذار الكاذب نفسه مشكلة جسيمة. لذلك لا يقول مقياس F1 إن النموذج «آمن» أو «ملائم» تلقائيًا؛ بل يقول فقط إنه حقق قدرًا من التوازن الرياضي بين نوعين من الأداء. أما التوازن المطلوب زراعيًا، فتحدده عواقب الخطأ وطبيعة القرار.

مصفوفة الالتباس: جدول يبين أين أصاب النموذج وأين أخطأ رغم اسمها المربك، فإن مصفوفة الالتباس ليست لغزًا رياضيًا، وليست مقياسًا منفردًا مثل الدقة. إنها ببساطة جدول يجمع النتائج الأربع السابقة:

• حالات مصابة اكتُشفت بصورة صحيحة.
• حالات مصابة فاتت النموذج.
• حالات سليمة استُبعدت بصورة صحيحة.
• حالات سليمة صُنفت خطأً على أنها مصابة. تكمن قيمتها في أنها لا تخفي الأخطاء خلف رقم إجمالي. فقد يحقق نموذجان الدقة الكلية نفسها، لكن أحدهما يفوّت الأمراض الخطرة، بينما يطلق الآخر إنذارات كاذبة كثيرة. الرقم الإجمالي قد يجعلهما متشابهين، أما جدول الأخطاء فيكشف الفرق الذي يهم المزارع. ومن هنا فإن الاسم الأبسط الذي يمكن أن يصاحب المصطلح هو:

مصفوفة الالتباس: جدول يوضح أنواع الإجابات الصحيحة والخاطئة. كيف نختار المقياس المناسب في التشخيص؟ لا يوجد مقياس أفضل في جميع الحالات. يتوقف الاختيار على السؤال الزراعي وعلى عاقبة كل نوع من الخطأ.

• إذا كان تفويت المرض قد يؤدي إلى انتشار واسع أو خسارة يصعب تداركها، تصبح الحساسية ذات أولوية كبيرة.
• إذا كانت الاستجابة لكل إنذار مكلفة أو قد تقود إلى تدخل غير ضروري، تصبح دقة الإنذارات الإيجابية والنوعية أكثر أهمية.
• إذا كانت الفئات غير متوازنة، فلا تكفي الدقة الكلية وحدها.
• إذا أردنا رقمًا مقارنًا يلخص التوازن بين اكتشاف الحالات وصحة الإنذارات، يمكن الاستعانة بـ F1، مع الرجوع إلى تفاصيل الأخطاء.
• وإذا أردنا أن نعرف تحديدًا أين أخطأ النموذج، نرجع إلى مصفوفة الالتباس.

ولا يجوز أن ينتقل التطبيق من التعرف الأولي إلى توصية علاجية حساسة اعتمادًا على هذا التقييم وحده. فنجاح النموذج في تمييز صورة مشتبه فيها لا يثبت، بذاته، صحة التشخيص السببي أو ملاءمة المعاملة المقترحة. وقد تظل الحاجة قائمة إلى فحص ميداني أو تحليل مخبري أو مراجعة متخصص والرجوع إلى الملصق الرسمي والضوابط المحلية. ثانيًا: عندما تكون المهمة تحديد مكان الكائن أو رسم حدوده التصنيف يجيب عادة عن سؤال مثل: «هل توجد حشرة في الصورة؟». لكن بعض التطبيقات تحتاج إلى معلومات أدق:

• أين توجد الحشرة تحديدًا؟
• كم ثمرة ظهرت في الصورة؟
• ما موضع العشبة بين صفوف المحصول؟
• ما المساحة المصابة من الورقة؟
• أين ينتهي الجزء السليم ويبدأ النسيج المتضرر؟ هنا ننتقل من التصنيف إلى مهمتين بصريتين أكثر تفصيلًا:

1. الكشف: يحدد النظام موضع الكائن داخل إطار أو مساحة تقريبية، مثل رسم مربع حول كل ثمرة.
2. التقسيم: يرسم النظام الحدود الدقيقة للكائن أو المنطقة، مثل تحديد مساحة البقعة المرضية على الورقة بقدر أكبر من التفصيل. ولأن السؤال لم يعد مجرد «هل الكائن موجود؟»، نحتاج إلى مقاييس تقارن موضع الكائن وحدوده بالموضع الصحيح الذي حدده الخبراء في الصور المرجعية.

التقاطع على الاتحاد (IoU): إلى أي مدى تطابقت المنطقة المتوقعة مع المنطقة الصحيحة؟ لنفترض أن خبيرًا رسم الحدود الصحيحة لبقعة مرضية على ورقة، ثم رسم النموذج منطقة توقع أنها تمثل البقعة نفسها. يقارن مقياس التقاطع على الاتحاد بين المساحتين:

• الجزء المشترك بين ما حدده الخبير وما حدده النموذج.
• المساحة الكلية التي تغطيها المنطقتان معًا. كلما زاد التداخل الحقيقي وقل الجزء الزائد أو المفقود، ارتفعت قيمة المقياس. ويمكن فهمه بصريًا على النحو الآتي:
• تطابق كامل بين المنطقتين يعني أداءً مثاليًا في تحديد الحدود.
• تداخل جزئي يعني أن النموذج أصاب جزءًا وأخطأ في جزء آخر.
• انعدام التداخل يعني أن النموذج حدد مكانًا مختلفًا تمامًا. لكن ارتفاع هذا المقياس لا يجيب عن سؤال ما إذا كان تحديد المنطقة دقيقًا بما يكفي لتنفيذ مهمة زراعية معينة. فقد يكون مناسبًا لتقدير انتشار الإصابة، ولا يكون كافيًا لتوجيه ذراع روبوتية تحتاج إلى دقة مكانية أعلى.

معامل دايس (Dice): ما درجة التشابه بين المساحتين؟ يقيس معامل دايس أيضًا مقدار التشابه بين المنطقة التي حددها النموذج والمنطقة المرجعية التي حددها الخبير. وهو قريب في فكرته من التقاطع على الاتحاد، وإن اختلفت طريقة حسابه. لا يحتاج القارئ إلى حفظ الفرق الرياضي بين المقياسين. المهم أن كليهما يحاول الإجابة عن السؤال: إلى أي مدى رسم النموذج المنطقة الصحيحة، من دون أن يترك أجزاء مهمة أو يضيف مساحات لا تنتمي إليها؟ يظهر معامل دايس كثيرًا في مهام تقسيم الصور، ومنها تحديد الأنسجة أو الأوراق أو الثمار أو مناطق الإصابة. لكنه يظل مقياسًا للتشابه البصري، لا دليلًا كاملًا على نجاح القرار الزراعي الذي سيُبنى على هذا التقسيم. متوسط دقة الكشف (mAP): كيف كان أداء النظام في العثور على الكائنات وتحديد مواضعها؟ يُستخدم mAP كثيرًا عند تقييم نظم اكتشاف الكائنات في الصور؛ مثل اكتشاف الثمار أو الحشرات أو الأعشاب أو الحيوانات. وهو مقياس مركب يلخص جودة الكشف عبر فئات أو شروط تقييم متعددة. وبدل الدخول في صيغته الحسابية، يمكن فهم وظيفته على النحو الآتي: هل وجد النظام الكائنات المطلوبة، وتجنب اكتشاف كائنات غير موجودة، وحدد مواقعها بدرجة مقبولة من التداخل مع المواقع الصحيحة؟ لا ينبغي قراءة قيمة mAP باعتبارها «نسبة نجاح زراعي» مباشرة. فإذا حقق نموذج رقمًا مرتفعًا في اكتشاف الثمار داخل مجموعة صور، فهذا لا يعني أن الروبوت سوف يقطف النسبة نفسها من الثمار بنجاح. فقد يرى نظام الرؤية الثمرة جيدًا، ثم تفشل الذراع في الوصول إليها، أو تمسك بها بقوة زائدة، أو تستغرق وقتًا غير اقتصادي، أو تعجز عن العمل في الإضاءة والغبار وحركة الأغصان في الحقل. إن الرؤية في النظام الروبوتي حلقة أولى فقط، تليها حلقات أخرى: رؤية الهدف ← تحديد موقعه ← تخطيط الحركة ← الوصول إليه ← تنفيذ الفعل ← تجنب الضرر ← إتمام المهمة في زمن وتكلفة مقبولين. ولهذا يجب الفصل بين دقة الرؤية ونجاح العمل الزراعي الكامل. ثالثًا: عندما تكون المهمة توقع رقم — الغلة أو السعر أو الطلب في بعض التطبيقات لا يصنف النموذج النبات إلى «مصاب» و«سليم»، ولا يبحث عن ثمرة داخل صورة، بل يتوقع قيمة عددية؛ مثل:

• كمية الغلة المتوقعة.
• احتياج المحصول إلى الماء.
• السعر المتوقع في فترة معينة.
• حجم الطلب على منتج.
• مدة التخزين المتبقية.
• كمية العلف أو الطاقة المطلوبة. في هذه الحالات نحتاج إلى معرفة مقدار الفرق بين الرقم الذي توقعه النموذج والرقم الذي تحقق فعلًا. وتوجد عدة طرق لحساب هذا الفرق، لأن كل طريقة تكشف جانبًا مختلفًا.

متوسط الخطأ المطلق (MAE): كم يخطئ النموذج في المتوسط بوحدة يفهمها المزارع؟ إذا توقع النموذج غلة مقدارها 5.5 أطنان للهكتار، بينما بلغت الغلة الفعلية 6 أطنان، فإن مقدار الخطأ في هذه الحالة نصف طن للهكتار. يجمع متوسط الخطأ المطلق مقادير هذه الأخطاء عبر جميع الحالات، من دون الاهتمام بما إذا كان النموذج قد زاد في التقدير أو نقص، ثم يحسب متوسطها. ميزته الأساسية أنه يُعبّر عنه بوحدة المتغير نفسه:

• طن للهكتار عند توقع الغلة.
• ليرة للكيلو جرام عند توقع السعر.
• متر مكعب عند توقع استهلاك الماء.
• يوم عند توقع مدة التخزين. ولذلك فهو من أكثر المقاييس قابلية للترجمة إلى سؤال عملي:

إذا اعتمدت على هذا النموذج، فكم يبتعد توقعه عن الواقع في المتوسط؟ لكن المتوسط قد يخفي حالات قليلة وقع فيها النموذج في أخطاء كبيرة جدًا؛ وهنا تظهر الحاجة إلى مقياس آخر يعطي هذه الأخطاء وزنًا أكبر. الجذر التربيعي لمتوسط مربع الخطأ (RMSE): هل توجد أخطاء كبيرة ينبغي ألا يخفيها المتوسط؟ يقيس RMSE خطأ التنبؤ أيضًا، لكنه يعاقب الأخطاء الكبيرة أكثر من الأخطاء الصغيرة. فإذا كانت معظم توقعات النموذج قريبة من الواقع، لكنه أخفق إخفاقًا شديدًا في بعض المواسم أو المناطق، فسوف يظهر أثر تلك الإخفاقات بصورة أوضح في هذا المقياس. فكرته العملية هي: لا نريد فقط معرفة متوسط الخطأ؛ نريد أيضًا ألا تمر الأخطاء الكبيرة وكأنها حالات عادية. تزداد أهمية ذلك عندما تكون القفزة الكبيرة في الخطأ مؤثرة في القرار. فالخطأ المحدود في توقع الغلة قد يكون قابلًا للإدارة، أما الانحراف الكبير فقد يقود إلى عقد بيع غير مناسب، أو سعة تخزين غير كافية، أو تقدير خاطئ للنقل والتمويل. وكما في MAE، يُعبّر RMSE بوحدة المتغير نفسه، لكن قيمته تتأثر بدرجة أكبر بالحالات ذات الخطأ الكبير. متوسط نسبة الخطأ المطلق (MAPE): كم تبلغ نسبة الخطأ قياسًا إلى القيمة الفعلية؟ يحول MAPE الخطأ إلى نسبة مئوية، وهو ما يجعله جذابًا وسهل العرض. فعبارة «بلغ متوسط الخطأ كذا في المئة» تبدو مفهومة أكثر من رقم بوحدة قد تختلف بين المحاصيل والمناطق. لكن هذا المقياس قد يصبح مضللًا عندما تكون القيمة الفعلية صغيرة جدًا أو قريبة من الصفر. فالخطأ العددي البسيط قد يتحول عند قسمته على قيمة صغيرة إلى نسبة ضخمة لا تعكس الأهمية العملية للحالة. لذلك ينبغي قبل الاعتماد عليه أن نسأل:

• هل يمكن أن تقترب القيم الفعلية من الصفر؟
• هل النسبة المئوية هي الطريقة الأنسب لفهم الخطأ؟
• هل أُبلغ أيضًا عن مقدار الخطأ بالوحدة الأصلية؟
• هل تخفي النسبة فروقًا مهمة بين المحاصيل أو المناطق أو المواسم؟ سهولة قراءة النسبة لا تعني أنها صالحة دائمًا.

معامل التحديد (R²): كم من اختلاف النتائج استطاع النموذج تفسيره؟ يقيس معامل التحديد مدى قدرة النموذج، ضمن البيانات وطريقة التقييم المستخدمتين، على تفسير الاختلاف في القيم المرصودة. لنفترض أن الغلة تختلف بين الحقول والمواسم بسبب عوامل متعددة. يحاول النموذج تفسير جانب من هذا الاختلاف اعتمادًا على البيانات التي أُدخلت إليه؛ مثل الطقس والتربة والصنف والممارسات الزراعية. يبين معامل التحديد مقدار التباين الذي استطاع النموذج تمثيله مقارنة بخط أساس إحصائي في إطار الاختبار. لكن هذا المقياس كثيرًا ما يُساء تفسيره. فإذا أبلغت دراسة عن وصول قيمة R² إلى 0.92 في إعداد التقييم المستخدم فيها [SRC006]، فلا يصح تحويل ذلك إلى العبارة: «النظام دقيق بنسبة 92%.» العبارتان لا تعنيان الشيء نفسه. فقيمة R² لا تخبرنا مباشرة:

• كم أخطأ النموذج بالأطنان أو الكيلوجرامات.
• هل كانت الأخطاء مقبولة اقتصاديًا.
• هل نجح في موسم جفاف أو موجة حر.
• هل يحافظ على أدائه في منطقة أخرى.
• هل وصل التوقع في وقت يسمح بتغيير القرار.
• هل كان أفضل من متوسط تاريخي أو قاعدة أبسط وأقل كلفة. ولهذا يُفضّل أن يُقرأ معامل التحديد إلى جانب مقياس يوضح مقدار الخطأ بوحدة مفهومة، مثل MAE أو RMSE، ومع وصف واضح للبيانات والمكان والموسم وطريقة الاختبار.

خلاصة المقاييس بلغة عملية

الرقم الصحيح لا يكفي إذا لم يصلح للقرار بعد فهم المقياس، يبقى السؤال الأهم: هل قيست الخاصية التي يحتاج إليها المزارع فعلًا؟ فقد يكون توقع الغلة قريبًا من الواقع، لكنه يصل بعد انتهاء وقت شراء المدخلات أو التعاقد على التخزين والتسويق. وقد يكتشف نموذج بصري الآفة بكفاءة، لكنه لا يميز بين حالة تستدعي المراقبة وأخرى تتطلب تدخلًا عاجلًا. وقد يحدد نظام آلي موضع الثمرة بدقة، لكن ذراعه لا تستطيع الوصول إليها من دون إتلاف الأغصان. وقد يخفض نظام ري كمية الماء لكل كيلوجرام من المحصول، بينما لا يخفض إجمالي السحب من المصدر المائي. لهذا ينبغي، بعد قراءة أي مقياس فني، طرح الأسئلة التالية:

1. ما المهمة التي قاسها الرقم تحديدًا؟

هل قاس تصنيف صورة، أم تحديد موضع، أم توقع كمية، أم نجاح عملية زراعية كاملة؟

2. على أي بيانات وبيئة جرى الاختبار؟

وهل تمثل المحصول والمنطقة والموسم والمعدات التي سيُستخدم فيها النظام؟

3. ما نوع الأخطاء التي يخفيها الرقم الإجمالي؟

وهل الأخطر هو تفويت الحالة، أم إطلاق إنذار كاذب، أم التأخر في إصدار التوصية؟

4. هل وصل الناتج قبل إغلاق نافذة التدخل؟

فالتوقع الصحيح بعد فوات وقت الري أو المكافحة أو الحصاد معرفة متأخرة، لا قرارًا نافعًا.

5. هل كان أداء النظام أفضل من بديل أبسط؟

مثل الفحص المعتاد، أو قاعدة زراعية واضحة، أو متوسط تاريخي، أو خدمة إرشادية أقل كلفة.

6. هل استطاع المزارع فهم التوصية وتنفيذها؟

فالدقة الفنية لا تتحول إلى منفعة إذا كانت التوصية غامضة، أو تحتاج إلى موارد غير متاحة، أو تتجاهل القيود المحلية.

7. هل بقيت المنفعة بعد حساب التكلفة والمخاطر؟

بما في ذلك ثمن الأجهزة والاتصال والصيانة والاشتراك وإدخال البيانات والتدريب والأخطاء المحتملة.

الخلاصة أن المقاييس ليست طلاسم مطلوبًا من القارئ حفظها، ولا أوسمة تمنح التقنية شرعية تلقائية. إنها أدوات للإجابة عن أسئلة محددة. والقراءة الواعية لا تنبهر بارتفاع الرقم قبل أن تعرف ما الذي قيس، وما الذي أُغفل، ومن يتحمل تكلفة الخطأ، وهل استطاع هذا الأداء أن يعبر المسافة من شاشة الاختبار إلى قرار نافع في الحقل.

5\. سلم النضج: من خاصية معلنة إلى أثر زراعي مثبت

تختصر الكتابة التقنية حالة المنتج أحيانًا في كلمتين: «موجود» أو «غير موجود». لكن بين الفكرة والأثر الزراعي درجات كثيرة، ولكل درجة دليل يناسبها. يقترح هذا الكتاب سلمًا تحريريًا لفهم النضج. وهو ليس معيارًا تنظيميًا رسميًا، بل أداة تساعد القارئ على منع القفز من وجود خاصية إلى ادعاء أثر.

ليس من العدل مطالبة نموذج بحثي بأن يقدم دليل تشغيل تجاري لا يدعيه، كما ليس من المقبول أن يستخدم المنتج التجاري نتيجة نموذج أولي بوصفها برهانًا على أثر ميداني. ويستطيع النظام أن يكون متقدمًا في مستوى ومتأخرًا في آخر. فقد تكون معماريته البرمجية ناضجة، بينما لا يزال الدليل الزراعي أوليًا. وقد تنجح تجربة ميدانية، بينما تبقى حقوق البيانات أو خطة الصيانة غير ناضجة. لذلك لا تُختزل الجاهزية في درجة واحدة إذا كانت أبعادها مختلفة. ثلاثة أسئلة تكشف القفزة غير المشروعة عند قراءة أي وصف لتطبيق، اسأل:

1. ما أعلى مستوى أثبته الدليل فعلًا؟
2. إلى أي مستوى تقفز العبارة التسويقية؟
3. ما الحلقة المفقودة بين الاثنين؟

إذا كان المصدر يثبت وجود مكوّن، بينما العبارة تتحدث عن خفض الخسائر، فالمطلوب ليس تحسين اللغة، بل تقديم دليل على المسافة التي لم تُثبت بعد.

6\. حدود انتقال النموذج بين البيئات الزراعية Regional Transferability Limits

قد يبدو ربط نتيجة نموذج الذكاء الاصطناعي الزراعي بظروف الاختبار التي أُنتجت فيها نوعًا من الحذر الزائد، لكن أهمية هذا الحذر تتضح عند طرح السؤال العملي: هل ستحافظ الخوارزمية على أدائها عندما تغادر بيئة التدريب والاختبار، وتُستخدم في حقل يختلف في مناخه وتربته ومحاصيله وممارساته الزراعية؟ النموذج لا يتعلم «الزراعة» في صورتها العامة؛ بل يتعلم علاقات إحصائية داخل بيانات جاءت من تربة ومناخ وأصناف وأجهزة وطرائق قياس محددة. وعندما يتغير أحد هذه العناصر لا يفشل النموذج بالضرورة، لكن أداءه السابق يفقد صلاحيته بوصفه وعدًا مباشرًا، ويعود فرضية تحتاج إلى تحقق جديد.

لا يُقرأ هذا الجدول بوصفه قائمة موانع، بل بوصفه خطة اختبار. فكلما اتسعت المسافة بين بيئة التدريب وبيئة الاستخدام، زادت الحاجة إلى تجربة محلية محدودة قبل الالتزام الواسع. خطة تحقق محلي قبل الاعتماد يمكن أن تشمل الخطة:

1. اختيار عينة تمثل الحقول والأصناف والظروف المستهدفة.
2. الاختبار على الأجهزة والشبكات التي سيستخدمها الناس فعلًا.
3. مقارنة النظام بالممارسة الحالية أو بقاعدة بسيطة مناسبة.
4. فحص الأداء في الفئات النادرة والحالات غير المألوفة.
5. إتاحة فئة «غير معروف» أو آلية امتناع.
6. تحديد الحالات التي تتطلب مراجعة مختص.
7. مراقبة تغير الأداء بمرور الموسم.
8. تسجيل الانقطاعات والقراءات الفاسدة والتدخلات البشرية.
9. قياس النتيجة الزراعية، لا المقياس التقني وحده.
10. إعادة التقييم إذا تغير الصنف أو الجهاز أو مصدر البيانات أو البيئة التنظيمية.

لا يعني طلب التحقق المحلي أن التقنية بلا قيمة خارج موطن تطويرها؛ بل يعني أن القيمة تحتاج أن تثبت نفسها في المكان الذي ستتحمل فيه الأرض والإنسان عاقبة القرار.

7\. الخطأ ليس رقمًا واحدًا: من يدفع ثمن القرار الخاطئ؟

لا تتساوى أخطاء الذكاء الاصطناعي في معناها أو عاقبتها. فقد يخطئ نظامان بالمعدل نفسه، لكن أحدهما يسبب إزعاجًا محدودًا يمكن تداركه، بينما يفتح الآخر بابًا لخسارة محصول، أو هدر مورد، أو تعريض غذاء أو حيوان أو عامل للخطر. لذلك لا يكفي أن نسأل: كم مرة أخطأ النموذج؟ بل ينبغي أن نسأل أيضًا: في أي اتجاه أخطأ، وفي أي وقت، وما القرار الذي ترتب على خطئه، ومن تحمل الكلفة؟ الخطأ في المختبر مجرد حالة داخل جدول. أما في المزرعة فقد يصبح ماءً صُرف في غير موضعه، أو مرضًا لم يُكتشف، أو محصولًا رُش بلا حاجة، أو شحنةً تأخر تبريدها، أو عاملًا تلقى إنذارًا بعد فوات وقت التدخل. ومن هنا لا تُقاس المخاطر بعدد الأخطاء وحده، بل بثقل العواقب التي تحملها هذه الأخطاء معها. وقد يبدو نموذجان متقاربين في الدقة الكلية، بينما يختلفان جذريًا في القيمة العملية. الأول قد يطلق إنذارات زائدة لكنه نادرًا ما يفوّت حالة خطرة؛ والثاني قد يكون أقل إزعاجًا، لكنه يصمت أحيانًا حين يكون الصمت مكلفًا. أيهما أفضل؟ لا يملك الرقم الإجمالي جوابًا مستقلًا؛ فالجواب تحدده طبيعة المهمة، وتكلفة الفحص، وخطورة التأخر، وإمكان الرجوع عن القرار، وقدرة الإنسان على التدخل. الخطأ قد يقع في النموذج، وقد تصنعه المنظومة من حوله من السهل نسب الخطأ كله إلى «الخوارزمية»، لكن النظام الزراعي الرقمي سلسلة مترابطة: مستشعر أو صورة ← بيانات منقولة ← نموذج يحللها ← تنبيه أو توصية ← مستخدم يفسرها ← إجراء يُنفذ ← نتيجة تظهر في الحقل. قد تكون الخوارزمية صحيحة، بينما تكون قراءة المستشعر قديمة أو معيبة. وقد يكون التحليل صحيحًا، لكن التطبيق يعرضه بوحدة قياس خاطئة. وقد تصل التوصية المناسبة إلى هاتف المزارع بعد انتهاء الوقت الذي كان يمكنه فيه التدخل. وقد يفهم المستخدم التنبيه على أنه أمر مؤكد، مع أنه لم يكن سوى إشارة أولية تحتاج إلى الفحص. بل قد يقع الخطأ بعد مغادرة النموذج تمامًا. فقد يرسل النظام أمرًا صحيحًا إلى جهاز الري، لكن خللًا في الاتصال يؤدي إلى تكرار الأمر. وقد تُسجل الكمية باللتر لكل هكتار، بينما يفسرها برنامج آخر بوحدة مختلفة. وقد يعتمد النظام على قراءة رطوبة من مستشعر لم يُعاير منذ مدة، فيبني استنتاجًا منطقيًا على معلومة غير صحيحة. لهذا ينبغي التمييز بين ثلاثة مستويات:

• خطأ النموذج: أخطأ في التصنيف أو التقدير أو التنبؤ.
• خطأ القرار: كانت المعلومة غير كافية، أو فُسرت بطريقة لا تناسب الحالة.
• خطأ المنظومة: تعطلت البيانات أو البرمجيات أو الأجهزة أو الوحدات أو مسارات التنفيذ، فتحولت نتيجة صحيحة أو مقبولة إلى فعل خاطئ. هذا التمييز ضروري؛ لأن علاج كل مستوى مختلف. تحسين النموذج لا يصلح مستشعرًا معطوبًا، وزيادة البيانات لا تعالج واجهة غامضة، ورفع الدقة لا يمنع تنفيذ الأمر مرتين بسبب خلل برمجي.

الإيجابي الكاذب: إنذار بوجود مشكلة غير موجودة يحدث الإيجابي الكاذب عندما يعلن النظام وجود مرض أو آفة أو عطل أو خطر، بينما لا تكون الحالة موجودة فعلًا. وبعبارة أبسط: أطلق النظام إنذارًا، لكن الفحص اللاحق لم يجد المشكلة التي حذّر منها. قد تكون عاقبة هذا الخطأ محدودة. فإذا اقترح التطبيق على المزارع زيارة جزء قريب من الحقل للتأكد من بقعة مشتبه فيها، وكان الفحص سريعًا وآمنًا وقليل الكلفة، فقد لا يتجاوز الضرر بعض الوقت والجهد. وفي هذه الحالة يمكن قبول قدر من الإنذارات الزائدة إذا كان ذلك يساعد على عدم تفويت إصابات خطرة. لكن الإنذار الكاذب لا يبقى بسيطًا دائمًا. تتضاعف عاقبته كلما اقترب من التنفيذ الآلي أو ارتفعت كلفة الاستجابة له. ومن أمثلته:

• أن يفسر نموذج بصري أعراض نقص غذائي على أنها مرض فطري، فيدفع المستخدم إلى التفكير في معاملة لا تعالج السبب الحقيقي.
• أن يفسر نظام الري قراءة غير دقيقة على أنها إجهاد مائي، فيوصي بري تربة ما زالت تحتوي على رطوبة كافية.
• أن يطلق نظام مراقبة حيوانية إنذارًا متكررًا عن حالة صحية غير موجودة، فيستهلك وقت العامل أو الطبيب ويؤدي إلى عزل حيوان بلا حاجة.
• أن يفسر نظام سلسلة التبريد قراءة شاذة من مستشعر معيب على أنها ارتفاع حقيقي في الحرارة، فيستدعي فحصًا أو إيقافًا أو إجراءً تشغيليًا مكلفًا.
• أن يرى نظام الرؤية عشبة ضارة في ظل أو بقايا نباتية، ثم يرسل موقعها إلى آلة إزالة أو رش موضعي. وهكذا تختلف عاقبة الإنذار نفسه باختلاف ما يأتي بعده. فإذا كان مآله مجرد فحص بشري، فقد يكون قابلًا للتحمل. أما إذا كان يؤدي مباشرة إلى تشغيل مضخة، أو تغيير مناخ بيت محمي، أو استخدام مادة كيميائية، أو استبعاد شحنة، فإن الإنذار الكاذب يصبح مصدرًا محتملًا لضرر اقتصادي وبيئي وربما متعلق بالسلامة. ولا يقتصر ضرره على كل حادثة منفردة. فتكرار الإنذارات الكاذبة يخلق ما يسمى إرهاق التنبيهات: يعتاد المستخدم سماع الإنذار، ثم يبدأ في تأجيله أو تجاهله. وعندئذ قد يفقد النظام ثقته قبل أن تأتي الحالة التي كان إنذاره فيها صحيحًا ومهمًا.

السلبي الكاذب: مشكلة موجودة لم يرها النظام يحدث السلبي الكاذب عندما تكون المشكلة موجودة، لكن النظام لا يكتشفها أو يصنف الحالة على أنها سليمة. وبعبارة مباشرة: كانت هناك مشكلة تستحق الانتباه، لكن النظام ظل صامتًا. قد يكون هذا الخطأ أشد خطرًا من الإنذار الزائد، ولا سيما عندما تتسع الخسارة مع مرور الوقت. ومن أمثلته:

• إصابة نباتية مبكرة لم يكتشفها التطبيق، فاستمرت حتى انتقلت من نباتات محدودة إلى مساحة أوسع.
• آفة لم تظهر بوضوح في الصورة أو لم تكن ممثلة في بيانات تدريب النموذج، فصنفها النظام على أنها حالة طبيعية.
• بداية إجهاد مائي لم يرصدها النظام، فتجاوز النبات مرحلة كان يمكن فيها تصحيح الوضع بأثر محدود.
• تغير غير طبيعي في سلوك حيوان لم يلتقطه نظام المراقبة، فتأخر الفحص البيطري.
• ارتفاع حقيقي في درجة حرارة شحنة لم يسجله النظام بسبب عطل في المستشعر أو انقطاع في نقل البيانات، فتقدمت الشحنة إلى مرحلة لاحقة من السلسلة من دون مراجعة.
• عطل آخذ في التطور داخل مضخة أو وحدة تبريد لم يكتشفه نظام الصيانة التنبؤية، فاستمر التشغيل حتى وقع توقف أكبر. تكمن خطورة هذا النوع في أن المستخدم قد لا يعرف أن النظام أخطأ. فالإنذار الكاذب يلفت النظر إلى نفسه، أما الحالة التي فاتت النموذج فقد تبقى خفية حتى تظهر آثارها. ولهذا تكون قابلية اكتشاف الخطأ جزءًا من تقييم المخاطر، لا مجرد احتمال حدوثه. في التطبيقات التي تكون فيها الحالة غير المكتشفة شديدة الخطورة، قد يُضبط النظام ليكون أكثر حساسية، أي أكثر ميلًا إلى إحالة الحالات المشتبه فيها إلى الفحص، ولو أدى ذلك إلى زيادة الإنذارات الكاذبة. لكن هذا الاختيار لا يكون صحيحًا تلقائيًا؛ إذ يجب التأكد من أن القدرة البشرية على الفحص تستطيع استيعاب عدد التنبيهات، وإلا تحولت الحساسية المرتفعة إلى ازدحام يفقد النظام فائدته.

خطأ التوقيت: إجابة صحيحة وصلت بعد فوات القرار قد يكون النموذج محقًا في نوع المشكلة ومقدارها، لكن توصيته تصل في وقت لم يعد فيه الفعل ممكنًا أو مجديًا. وهذا هو خطأ التوقيت: لا تكمن المشكلة في صحة المعلومة وحدها، بل في موقعها من الزمن الزراعي. فالقرار الزراعي يعيش داخل نافذة تدخل؛ أي مدة محدودة يمكن خلالها أن يغير الفعل النتيجة. وبعد إغلاق هذه النافذة قد تصبح أفضل التوصيات وصفًا لما حدث، لا وسيلة لتغييره. ومن أمثلة ذلك:

• توقع هطول المطر بعد اكتمال الري، حين لا يعود التوقع قادرًا على توفير الماء أو الطاقة.
• اكتشاف إصابة بعد أن تجاوزت المرحلة التي يمكن فيها احتواؤها بفحص موضعي أو تدخل محدود.
• إرسال تنبيه صقيع بعد أن بدأت الحرارة الحرجة بالفعل، بينما تحتاج وسائل الحماية إلى وقت للتجهيز والتشغيل.
• التنبؤ بنضج الثمار بعد ضياع موعد تنظيم العمالة أو العبوات أو النقل.
• اكتشاف خلل في التبريد بعد مغادرة الشحنة نقطةً كان يمكن عندها إصلاح العطل أو تحويل المسار.
• تقديم توقع للسعر بعد إبرام عقد البيع أو إغلاق الخيارات المتاحة للتخزين والتسويق. لهذا لا يكفي أن تسأل دراسة التقييم: «هل كان التوقع صحيحًا؟». ينبغي أن تسأل أيضًا: «كم سبق الحدث؟ وهل كانت هذه المهلة كافية لتنفيذ الإجراء؟». وقد يكون النموذج الأقل دقة قليلًا أكثر قيمة إذا قدم إنذارًا مبكرًا قابلًا للاستخدام، من نموذج أدق يصل بعد أن يصبح القرار بلا أثر.

خطأ المقدار: الإجراء صحيح، لكن كميته غير مناسبة في بعض الحالات يتعرف النظام على الحاجة الصحيحة، لكنه يخطئ في مقدار الاستجابة. قد يدرك أن المحصول يحتاج إلى الري، لكن يقدّر كمية أعلى أو أقل مما يلزم. وقد يحدد ضرورة التهوية أو التبريد، لكنه يوصي بدرجة أو مدة لا تناسب الظروف الفعلية. وهذا هو خطأ المقدار: يكون اتجاه القرار صحيحًا، بينما تكون كميته أو شدته أو مدته غير صحيحة. تظهر خطورة هذا الخطأ في تطبيقات كثيرة:

• الري: زيادة الكمية قد تهدر الماء والطاقة، وتزيد الترشيح أو اختناق الجذور؛ ونقصها قد يبقي الإجهاد قائمًا رغم تنفيذ الري.
• التسميد: قد يكون العنصر المقترح مناسبًا، لكن الكمية أو توقيت الإضافة لا يلائمان التربة أو مرحلة المحصول.
• البيوت المحمية: قد تكون الحاجة إلى التبريد صحيحة، لكن التغيير الحاد أو المطول قد يخلق إجهادًا آخر أو يرفع استهلاك الطاقة.
• التغذية الحيوانية: قد يكون تعديل العليقة مبررًا، لكن مقدار التعديل ينبغي ألا ينفصل عن الحالة الإنتاجية والصحية وتركيب العليقة الكامل.
• التخزين والتجفيف: قد يكون خفض الرطوبة أو الحرارة مطلوبًا، لكن المبالغة أو النقص في زمن التشغيل قد يؤثران في الجودة والكلفة. وتزداد الحساسية عندما تدخل المواد الكيميائية أو الأدوية البيطرية أو فترات الأمان في القرار. ففي هذه المجالات لا يجوز أن تتحول تقديرات النموذج وحدها إلى جرعة أو أمر تنفيذي. يجب الرجوع إلى الملصق الرسمي والتسجيل المحلي وتعليمات الجهة المختصة والمختص المؤهل، مع الالتزام بالجرعات وفترات ما قبل الحصاد وإعادة الدخول وغيرها من متطلبات السلامة الملزمة.

خطأ السياق: معلومة صحيحة في مكان، خاطئة في مكان آخر ليس كل خطأ ناتجًا عن ضعف النموذج. أحيانًا تكون المعلومة صحيحة في البيئة التي أُنتجت فيها، لكنها تنتقل إلى مستخدم تختلف ظروفه اختلافًا يجعلها غير صالحة للتطبيق. قد يتغير القرار بسبب اختلاف:

• الصنف أو السلالة أو المرحلة العمرية.
• نوع التربة وملوحتها وقدرتها على الاحتفاظ بالماء.
• المناخ المحلي وشدة الإشعاع والرطوبة والرياح.
• ضغط الآفات والأمراض وانتشارها في المنطقة.
• نظام الري والمعدات المتاحة ودقة المستشعرات.
• شكل الحيازة وحجمها وتوافر العمالة والخبرة.
• أسعار المدخلات والطاقة وتكلفة البدائل.
• المنتجات المسجلة قانونيًا وفترات الأمان والقيود التنظيمية.
• اللغة التي يفهم بها المستخدم التنبيه وقدرته على تنفيذه. فقد تصف دراسة أكاديمية استجابة محصول تحت ظروف تجريبية محددة، ثم تُحوَّل النتيجة داخل تطبيق إلى توصية عامة لكل المناطق. وقد يقتبس مساعد ذكي اسم مادة أو ممارسة من مصدر أجنبي، مع أن تسجيلها أو شروط استخدامها تختلف في بلد المستخدم. وقد ينجح نموذج مرضي على صور التُقطت بإضاءة جيدة لهجين معين، ثم يضعف أمام صنف آخر أو كاميرا هاتف مختلفة أو أعراض متداخلة مع نقص غذائي. الصدق العلمي هنا لا يعني رفض نقل المعرفة بين البيئات، بل يعني تسمية حدود النقل واختبارها. فالسؤال ليس: «هل المعلومة صحيحة؟» فقط، بل: «صحيحة لمن، وأين، وفي أي موسم، وتحت أي شروط؟».

خطأ البيانات والتكامل: عندما تكون الخوارزمية بريئة والقرار خاطئًا في النظم الزراعية الرقمية، قد يكون النموذج نفسه سليمًا، لكن البيانات التي وصلته أو الطريقة التي نُقلت بها نتيجته تكون معيبة. وهذه فئة مهمة لأنها تقع عند التقاء الزراعة بالبرمجيات والأجهزة. من أمثلتها:

• قراءة مستشعر لم تُحدّث، لكن التطبيق يعرضها كأنها لحظية.
• مستشعر رطوبة غير معاير يرسل أرقامًا منتظمة لكنها غير صحيحة.
• خلط بين وحدات المساحة أو الحجم أو الكتلة عند انتقال البيانات من نظام إلى آخر.
• استخدام توقيت أو منطقة زمنية غير صحيحة، فيرتبط التنبيه بساعة أو يوم غير مناسبين.
• فقد بعض السجلات أثناء انقطاع الاتصال، ثم إجراء الحساب على بيانات ناقصة من دون تنبيه المستخدم.
• تكرار أمر تشغيل بسبب إعادة المحاولة البرمجية، مع أن الجهاز نفذ الأمر الأول بالفعل.
• ربط سجل حقل أو محصول بسجل آخر يحمل اسمًا مشابهًا.
• استمرار النظام في استخدام نموذج أو توصية قديمة بعد تغير الصنف أو الموسم أو خطة الإنتاج.
• عرض درجة ثقة مرتفعة في واجهة المستخدم بطريقة توحي باليقين، مع أن النموذج لم يُختبر في هذه البيئة. هذه الأخطاء لا تُحل بإعادة تدريب النموذج وحدها. تحتاج إلى تحقق من الوحدات، وطوابع زمنية واضحة، ومعايرة المستشعرات، وكشف البيانات الناقصة، ومنع تكرار الأوامر، وسجلات تدقيق، واختبارات للتكامل بين البرمجيات والأجهزة.

الخطأ الفردي والخطأ واسع النطاق ليست عاقبة الخطأ مرتبطة بنوعه فقط، بل أيضًا بحجم انتشاره. توصية خاطئة يراها مهندس زراعي ثم يرفضها تختلف عن الأمر نفسه إذا نفذته منظومة آلية في مئات الصمامات أو آلاف الهكتارات. وتمنح الأتمتة الخطأ قدرتين متعارضتين:

• تستطيع تنفيذ القرار الصحيح بسرعة واتساق وعلى نطاق واسع.
• وتستطيع كذلك تكرار الخطأ نفسه بسرعة واتساق وعلى النطاق ذاته. كلما اتسع نطاق التنفيذ وقل التدخل البشري، ازدادت الحاجة إلى حدود تشغيل، واختبارات سابقة، وتدرج في النشر، وإمكان الإيقاف اليدوي، وسجل يوضح ما حدث، وآلية تعيد النظام إلى حالة آمنة عند فقد البيانات أو الاتصال. فالمشكلة ليست أن الآلة قد تخطئ مرة؛ بل أن الخطأ البرمجي الواحد قد يتحول إلى ممارسة متكررة قبل أن يلاحظه أحد.

العتبة قرار مهني وليست رقمًا إحصائيًا فقط لا تقول النماذج دائمًا: «مصاب» أو «سليم» من تلقاء نفسها. فكثير منها ينتج درجة تعبر عن قوة الإشارة أو ثقة النموذج، ثم يحدد مصممو النظام عتبةً ينتقل عندها الناتج من المراقبة الصامتة إلى إطلاق تنبيه. إذا خُفضت العتبة، يصبح النظام أسرع إلى الاشتباه:

• يكتشف عادةً عددًا أكبر من الحالات الحقيقية.
• لكنه قد يرسل أيضًا عددًا أكبر من الإنذارات الكاذبة. وإذا رُفعت العتبة، يصبح أكثر تحفظًا:
• يقل عدد الإنذارات الكاذبة.
• لكنه قد يفوّت حالات حقيقية لا تتجاوز إشارتها الحد المرتفع. ولا توجد عتبة مثالية تصلح لجميع التطبيقات. فالاختيار يعتمد على ما سيحدث بعد التنبيه. إذا كان التطبيق يرتب الصور ليحدد للمهندس الزراعي أيها يستحق الفحص أولًا، وكان الفحص سريعًا ورخيصًا وآمنًا، فقد يكون من المقبول خفض العتبة وإحالة عدد أكبر من الحالات المشتبه فيها. أما إذا كان تجاوز العتبة يؤدي مباشرة إلى تشغيل آلة، أو تغيير بيئة بيت محمي، أو استبعاد شحنة، أو التفكير في معاملة كيميائية، فإن الخطأ الإضافي قد يحمل كلفة لا يجوز تجاهلها. كما ينبغي ألا تُفهم «درجة ثقة النموذج» بوصفها يقينًا. فإذا عرض النظام درجة مرتفعة، فهذا لا يعني بالضرورة أن الاحتمال الواقعي لصحة القرار يساوي تلك الدرجة، إلا إذا خضع النموذج لمعايرة مناسبة واختُبرت دلالتها في البيئة المستهدفة. ولذلك ينبغي للواجهة أن تشرح حدود الدرجة، لا أن تزين التوصية برقم يوحي بدقة لا يملكها.

كيف تتغير العتبة باختلاف القرار؟

لا تُقاس المخاطرة باحتمال الخطأ وحده قد يكون الخطأ نادرًا لكنه كارثي، وقد يكون متكررًا لكنه محدود الأثر. لذلك يحتاج تقييم المخاطر إلى النظر في عدة أبعاد معًا:

1. احتمال الحدوث: كم مرة يُتوقع أن يقع هذا الخطأ؟
2. شدة العاقبة: هل يسبب إزعاجًا محدودًا، أم خسارة مالية، أم ضررًا بيئيًا أو خطرًا على السلامة؟
3. حجم التعرض: هل يؤثر في نبات واحد، أم حقل كامل، أم قطيع، أم سلسلة توريد؟
4. سرعة تطور الضرر: هل توجد ساعات أو أيام للتدخل، أم يصبح الخطأ غير قابل للتدارك سريعًا؟
5. قابلية اكتشاف الخطأ: هل يراه المستخدم فورًا، أم يبقى خفيًا حتى تظهر الخسارة؟
6. قابلية الرجوع: هل يمكن إلغاء القرار بسهولة، أم أن أثره لا يمكن عكسه بعد التنفيذ؟
7. درجة الأتمتة: هل يقترح النظام ويترك القرار للإنسان، أم ينفذ الفعل مباشرة؟
8. الفئات المتأثرة: من يجني المنفعة، ومن يتحمل الضرر إذا أخطأ النظام؟ ولهذا قد يكون تنبيه خاطئ على شاشة أقل خطرًا من أمر صحيح في ظاهره يُنفذ آليًا بوحدة قياس خاطئة. وقد يكون خطأ صغير متكرر في تقدير الري أكثر أثرًا عبر موسم كامل من خطأ كبير وقع مرة واحدة واكتُشف سريعًا.

قبل اعتماد العتبة أو السماح بالتنفيذ لا ينبغي أن يختار المبرمج العتبة منفردًا؛ فهو يعرف سلوك النموذج، لكنه قد لا يعرف كامل عواقب القرار الزراعي. ولا ينبغي أن يحددها المختص الزراعي من دون بيانات عن أنواع الأخطاء وقدرة النظام على التعبير عن عدم اليقين. إنها نقطة التقاء بين المعرفة الزراعية والهندسة البرمجية والاقتصاد والسلامة والتنظيم. ولهذا ينبغي الإجابة بوضوح عن الأسئلة الآتية:

• ما الحالة التي يحاول النظام اكتشافها أو توقعها؟
• ما البيانات التي يعتمد عليها، وكيف نعرف أنها حديثة وصحيحة؟
• أيهما أشد ضررًا في هذا الاستخدام: الإنذار الكاذب أم الحالة التي لم تُكتشف؟
• من يتلقى التنبيه، وهل يفهم معناه وحدوده؟
• ما الإجراء المتوقع بعد التنبيه؟
• هل الإجراء مجرد فحص، أم تدخل مادي أو كيميائي أو مالي؟
• ما تكلفة تنفيذ الإجراء إذا كان الإنذار خاطئًا؟
• ما الضرر إذا لم يصدر النظام إنذارًا رغم وجود المشكلة؟
• هل يصل التنبيه قبل انتهاء الوقت المتاح للتدخل؟
• هل يمكن الرجوع عن الإجراء بعد تنفيذه؟
• ما عدد الحالات التي يستطيع الفريق البشري مراجعتها من دون إرهاق؟
• ماذا يفعل النظام عندما تكون البيانات ناقصة أو متعارضة؟
• هل يستطيع الامتناع عن التوصية وإعلان أنه لا يملك معلومات كافية؟
• هل يوجد بديل يدوي آمن عند تعطل الاتصال أو المستشعر أو الخدمة؟
• هل يحتفظ النظام بسجل يوضح البيانات والتوصية والإجراء ومن اعتمده؟
• هل يحتاج القرار إلى مراجعة مختص أو سلطة قانونية أو مهنية؟
• هل اختُبر النظام الكامل، من جمع البيانات إلى تنفيذ الفعل، أم اختُبر النموذج وحده؟

التصميم المسؤول لا يَعِد بإلغاء الخطأ، بل يمنع تحوله إلى ضرر لا يوجد نموذج يخلو من الخطأ، كما لا يخلو القرار البشري منه. والهدف الواقعي ليس الادعاء بإزالة عدم اليقين، بل تصميم منظومة تعرف أين يمكن أن تخطئ، وتكشف الخطأ مبكرًا، وتحد من اتساع أثره، وتمنح الإنسان فرصة مفهومة للتدخل. يتحقق ذلك، بحسب مستوى الخطر، من خلال وسائل مثل:

• إظهار درجة الثقة وحدودها بلغة واضحة.
• طلب صورة أو قراءة إضافية عندما لا تكفي البيانات.
• الامتناع عن إصدار توصية قاطعة في الحالات غير المألوفة.
• فصل التنبيه الأولي عن التشخيص أو القرار النهائي.
• إحالة الحالات الحساسة إلى مختص.
• استخدام أكثر من مصدر بيانات بدل الاعتماد على مستشعر واحد.
• وضع حدود آمنة للأوامر التي يمكن تنفيذها آليًا.
• اشتراط اعتماد بشري قبل القرارات مرتفعة الأثر.
• توفير إيقاف يدوي ووضع تشغيل آمن عند الفشل.
• تسجيل البيانات والتوصيات والأوامر حتى يمكن التحقيق والمراجعة.
• مراقبة تغير الأداء بين المواسم والمواقع والأصناف.
• اختبار الانقطاع والبيانات القديمة وتعارض الوحدات وتكرار الأوامر، لا اختبار النموذج في الظروف المثالية وحدها. ليس النموذج هو من يقرر وحده أي الأخطاء يمكن احتمالها؛ فهذه موازنة زراعية واقتصادية وأخلاقية ومتعلقة بالسلامة، تشترك فيها الخبرة البشرية مع المعرفة التقنية. والمقياس الحقيقي لنضج النظام ليس أنه يخطئ قليلًا فحسب، بل أنه يعرف كيف يتصرف عندما يشك، وكيف يتوقف عندما لا تكفي البيانات، وكيف يمنع الخطأ المحدود من أن يصبح ضررًا واسعًا لا يمكن الرجوع عنه.

8\. كيف نقارن تطبيقين لا رقمين؟

لا تكفي مقارنة الرقم الأعلى بالرقم الأقل، لأن التطبيقات قد تختلف في المهمة والبيانات والسياق والنضج وطريقة التشغيل. والمقارنة المهنية تبدأ بتوحيد السؤال قبل مقارنة الإجابة. بطاقة تقييم تطبيق زراعي

الخانة التي لا تتوافر لها معلومات لا تُملأ بتخمين أو بمتوسط مأخوذ من منتج آخر؛ تكتب بوضوح: «غير معلوم». فالمعلومة المفقودة جزء من نتيجة التقييم، لا عيب شكلي ينبغي إخفاؤه. مثال توضيحي: 97% أم 89%؟ لنفترض وجود تطبيقين لتصنيف صور أمراض النبات:

• يعلن التطبيق الأول دقة قدرها 97% داخل قاعدة صور منتقاة من مصدر واحد.
• ويعلن التطبيق الثاني 89% في اختبار شمل مزارع وأجهزة مختلفة، ويتيح فئة «غير معروف»، ويمتنع عند ضعف الصورة، ويحيل الحالات الحساسة إلى مختص.

لا يجوز إعلان تفوق التطبيق الثاني لمجرد أن وصفه يبدو أكثر مسؤولية، كما لا يجوز اختيار الأول لأن رقمه أعلى. المقارنة تتطلب معرفة المهمة والتوزيع ونوع الخطأ وخط الأساس والتكلفة وشروط التشغيل. لكن المثال يكشف قاعدة أساسية: الرقم الأعلى لا يعوض غياب الدليل على النقل والسلامة والتشغيل. وقد يكون التطبيق الأقل في المقياس الإجمالي أكثر ملاءمة لمهمة معينة إذا كان نمط أخطائه معلومًا، وحدوده معلنة، ومسار التصعيد فيه قابلًا للتنفيذ. المقارنة السليمة لا تسأل: أي الرقمين أكبر؟ بل: أي النظامين يقدم، في هذا السياق، القرار الأكثر فائدة والأقل خطرًا وبالدليل الأنسب؟

9\. ما الذي لا يظهر في العرض التجريبي وصفحة المنتج؟

العرض التجريبي مهم؛ فهو يبين أن النظام استطاع تنفيذ مهمة تحت شروط معينة. لكن العرض لا يختار عادةً أسوأ يوم في الموسم، ولا أضعف اتصال، ولا الصورة الأكثر التباسًا، ولا المستخدم الأقل خبرة. وقد تغيب عن العرض أو الملخص معلومات حاسمة، منها: الحالات التي استبعدت قبل الاختبار.

• الصور الرديئة أو الفئات النادرة.
• عدد مرات انقطاع الاتصال.
• زمن تنظيف البيانات وإعدادها.
• مقدار التدخل البشري خلف النتيجة.
• عدد الإنذارات الكاذبة.
• الحالات التي امتنع فيها المستخدم عن تنفيذ التوصية.
• تكلفة المعايرة والصيانة.
• الأعطال التي ظهرت بعد انتهاء التجربة.
• الفرق بين أفضل موقع ومتوسط جميع المواقع.
• أثر تغير الموسم أو الجهاز أو مصدر البيانات.
• عدد المستخدمين الذين توقفوا عن استعمال النظام.
• تكلفة نقل النظام من النموذج الأولي إلى خدمة مستقرة.

وقد يقال إن النظام «خفض استهلاك الماء»، من دون بيان:

• مقارنة بأي ممارسة؟
• هل انخفض الماء لكل هكتار أم لكل طن؟
• هل انخفض إجمالي السحب من المصدر؟
• هل بقيت الانتاجية والجودة؟
• هل كان الموسم أكثر مطرًا؟
• هل توسعت المساحة؟
• ماذا حدث لاستهلاك الطاقة؟
• ما تكلفة النظام مقارنة بقيمة الوفر؟

وقد يقال إن تطبيقًا «يعمل بالذكاء الاصطناعي»، بينما تكون الخوارزمية جزءًا صغيرًا من خدمة يعتمد نجاحها على جودة القياس والاتصال والدعم والصيانة واستجابة المستخدم. علامات تستحق التوقف ينبغي أن يتباطأ الحكم عندما يظهر واحد أو أكثر من الأنماط الآتية:

• نسبة بلا مقام أو تعريف.
• دقة بلا وصف لمجموعة الاختبار.
• مقارنة بنظام ضعيف أو بعدم التدخل فقط.
• صور نجاح بلا عرض للأخطاء.
• تجربة قصيرة تُقدّم بوصفها تشغيلًا مستدامًا.
• نتيجة نموذج تُقدّم بوصفها أثرًا اقتصاديًا.
• وصف مورّد يُعرض كأنه تقييم مستقل.
• كلمة «توفير» من دون الاستهلاك الكلي.
• كلمة «فوري» من دون زمن استجابة مقاس.
• «متعدد اللغات» من دون اختبار فهم المستخدم.
• «قابل للتفسير» من دون بيان ما الذي يفسر ولمن.
• «آمن» من دون تعريف الحالة الآمنة أو خطة الفشل.

العرض التجريبي يثبت أن النظام استطاع أن يعمل مرة تحت شروط مختارة. أما الخدمة الزراعية فتثبت أنها تعرف كيف تعمل عندما لا تختار الظروف بنفسها.

10\. الدليل المطلوب يتناسب مع خطر القرار

لا تحتاج كل وظيفة رقمية إلى الدرجة نفسها من الإثبات. فتذكير المستخدم بموعد فحص المحصول لا يحمل عاقبة توصية كيميائية أو قرار ائتماني. لكن انخفاض تكلفة التطبيق لا يخفض عاقبة الخطأ إذا كان القرار حساسًا.

ملحوظة: المقصود بـ خط الأساس هنا هو المرجع الذي نقارن به أداء نظام الذكاء الاصطناعي لنعرف هل أضاف منفعة حقيقية أم لا. فالقول إن النظام «حقق أداءً جيدًا» لا يكفي ما لم نعرف: جيدًا مقارنة بماذا؟ وقد يكون خط الأساس واحدًا أو أكثر من الآتي:

• الممارسة الحالية قبل استخدام النظام: مثل طريقة المزارع المعتادة في تقدير موعد الري أو فرز المحصول.
• نتائج موسم أو فترة سابقة: مثل متوسط إنتاجية الحقل خلال المواسم السابقة، مع مراعاة اختلاف الظروف.
• طريقة بسيطة غير معتمدة على الذكاء الاصطناعي: مثل جدول ري ثابت، أو قاعدة زراعية واضحة، أو متوسط تاريخي.
• تقدير خبير بشري: مثل توقع المهندس الزراعي للغلة أو نتيجة الفرز اليدوي.
• نموذج تقليدي قائم: إذا كان المشروع يستبدل نظامًا أو نموذجًا مستخدمًا بالفعل.

مثال في توقع الإنتاجية إذا توقع نموذج الذكاء الاصطناعي إنتاجية المحصول، فلا يكفي أن نقول إن توقعه كان قريبًا من النتيجة الفعلية. ينبغي مقارنته، مثلًا، بمتوسط إنتاجية الحقل في السنوات السابقة أو بطريقة التقدير التي يستخدمها المهندس الزراعي حاليًا. فإذا لم يكن النموذج أفضل من هذا المرجع البسيط، أو لم يقدم توقعه في وقت أنسب، فقد لا تبرر فائدته تكلفة جمع البيانات وتشغيل النظام. مثال في جدولة الري إذا أوصى النظام بموعد وكمية الري، يكون خط الأساس هو جدول الري المعتاد أو قرار المزارع القائم على الفحص والخبرة أو قاعدة إرشادية معتمدة. ثم تُقارن النتائج: هل خفض النظام إجمالي استهلاك الماء والطاقة؟ هل حافظ على الغلة والجودة؟ هل قلل الإجهاد المائي؟ وهل ظلت المنفعة قائمة بعد احتساب تكلفة المستشعرات والاتصال والصيانة؟ مثال في فرز المحصول يمكن أن يكون خط الأساس هو الفرز اليدوي الحالي. ولا تقتصر المقارنة على سرعة النظام؛ بل تشمل نسبة المنتجات التي صُنفت خطأً، وثبات الجودة، وحجم التلف، وتكلفة التشغيل، وقدرة العامل على مراجعة الحالات الملتبسة. مثال في الصيانة إذا أصدر النظام تنبيهات مبكرة عن أعطال المضخات أو وحدات التبريد، فقد يكون خط الأساس هو جدول الصيانة الدورية أو عدد الأعطال والتوقفات قبل تركيب النظام. والهدف هو معرفة ما إذا كانت التنبيهات قد قللت التوقف والخسائر بالفعل، لا مجرد معرفة عدد التنبيهات التي أطلقها التطبيق. إذن، خط الأساس ليس حدًا أدنى للقبول، ولا نقطة بداية برمجية؛ بل هو صورة موثقة لما كان يحدث قبل النظام أو لما يستطيع بديل أبسط تحقيقه. ومن دونه قد ننسب إلى الذكاء الاصطناعي تحسنًا سببه الطقس، أو تغير الأسعار، أو خبرة العامل، أو اختلاف الموسم. وإذا أريد الاحتفاظ بالمصطلح العلمي داخل الجدول، فالصياغة الأفضل هي: تحقق محلي، ومقارنة بخط أساس واضح — أي بالممارسة الحالية أو ببديل بسيط — ومراقبة مستمرة أثناء التشغيل، وتوفير بديل يدوي آمن. الوظائف منخفضة المخاطر يمكن قبول قدر أكبر من المرونة إذا كان الخطأ سهل الاكتشاف والرجوع، وكانت الأداة لا تنفذ فعلًا ضارًا. لكن حتى هنا ينبغي ألا تخفي المنصة حدودها أو تجمع بيانات لا تحتاجها. الوظائف المتوسطة تحتاج إلى مقارنة بخط أساس واقعي، وإلى اختبار على البيانات والظروف المحلية، وإلى معرفة ماذا يحدث إذا فشل النظام أو انقطع الاتصال. فالتوصية قد لا تكون خطرة في ذاتها، لكنها قد تصبح مكلفة إذا استُخدمت على مساحة واسعة. الوظائف عالية المخاطر ينبغي ألا تنتقل مباشرة من تنبؤ النموذج إلى التنفيذ. يلزم فيها:

• تحديد الشخص المخول بالاعتماد.
• إظهار المصدر والحدود.
• منع الإجابة عند نقص البيانات.
• تسجيل التوصية والتدخل البشري.
• توفير مسار تصعيد.
• اختبار الوضع الآمن.
• الفصل بين المعلومة العامة والحكم المهني أو القانوني.

الوظائف المنظمة قانونيًا لا يجوز أن تستبدل الخوارزمية الملصق الرسمي أو الجهة المختصة أو الطبيب البيطري أو المهندس المخول. وقد تساعد في جمع المعلومات واسترجاع الوثيقة والتنبيه إلى التناقض، لكنها لا تخلق تسجيلًا قانونيًا أو صلاحية مهنية لا تملكها. القاعدة هي أن يرتفع مقدار التحقق والرقابة بارتفاع عاقبة الخطأ وصعوبة الرجوع عنه.

11\. ثلاث حالات تطبيقية لقراءة الدليل

الحالات الآتية أمثلة تحليلية تعليمية، لا نتائج تجارب جديدة. وظيفتها إظهار كيفية استخدام منهج الفصل. الحالة الأولى: تطبيق هاتف لتصنيف مرض نباتي يعرض التطبيق صورة الورقة ويعيد اسم مرض محتمل ونسبة ثقة. القراءة السريعة تقول: التطبيق يشخص المرض. أما القراءة المنضبطة فتفكك الادعاء:

1. هل يتعرف النموذج على نمط بصري داخل فئات محددة، أم يقدم تشخيصًا سببيًا كاملًا؟
2. هل قاعدة الصور ممثلة للأصناف والبيئة المستهدفة؟
3. هل اختُبر على صور الهاتف في الحقل؟
4. هل يستطيع اكتشاف أن الحالة خارج فئات التدريب؟
5. هل يطلب معلومات عن عمر النبات والموقع وانتشار الأعراض؟
6. ماذا يفعل عند انخفاض الثقة؟
7. هل يعرض مصادر رسمية؟
8. هل يقترح معاملة، ومن يعتمدها؟
9. هل يميز بين اسم المرض وشدته ومرحلة انتشاره؟
10. هل يمكن للمستخدم تصحيح النتيجة وإرسالها للمراجعة؟

قد يكون التطبيق مفيدًا جدًا في فرز الصور وتحديد الحالات التي تستحق الفحص، من دون أن يكون بديلًا عن التشخيص المهني. وصف الوظيفة بدقة لا يقلل من قيمتها؛ بل يمنع استخدامها في موضع لم تُصمم له. الحالة الثانية: نظام يعلن توفير 30% من ماء الري لنفترض، لغرض التحليل، أن منصة تعلن خفض ماء الري بنسبة 30%. قبل قبول العبارة يجب أن نسأل:

• هل النسبة لكل هكتار، أم لكل طن، أم لإجمالي المزرعة؟
• ما خط الأساس: جدول ثابت، ممارسة المزارع، أم نظام آخر؟
• هل بقيت المساحة ثابتة؟
• هل كان الموسم مماثلًا في المطر والحرارة؟
• هل بقيت الانتاجية والجودة؟
• هل انتقل استهلاك الماء إلى مرحلة أخرى؟
• ماذا حدث لطاقة الضخ؟
• هل شملت النتيجة أيام الانقطاع؟
• كم بلغت تكلفة المستشعرات والاتصال والصيانة؟
• هل استمر الوفر في أكثر من موسم؟

إذا انخفض الماء لكل طن مع توسع المساحة، فقد يرتفع إجمالي السحب. وإذا انخفض الماء لأن الموسم كان أكثر مطرًا، لا تُنسب النتيجة كلها إلى النظام. وإذا تحقق الوفر مع انخفاض كبير في الجودة، فقد تكون النتيجة غير مقبولة اقتصاديًا. النسبة لا تُرفض، لكنها لا تكتمل إلا بمقامها وخط أساسها والنتائج المصاحبة لها. الحالة الثالثة: مساعد إرشاد زراعي توليدي يجيب المساعد بلغة طبيعية عن سؤال يتعلق بمرض أو ري أو تسميد. لا يُقاس نجاحه بجمال الجملة وحده. ينبغي فحص:

• هل فهم المحصول والمنطقة والمرحلة؟
• هل استرجع مصدرًا حديثًا من مصدر موثوق؟
• هل نقل شروط المصدر بدقة؟
• هل خلط بين بلدين أو تسجيلين قانونيين؟
• هل فصل بين الاحتمال والتشخيص؟
• هل امتنع عن اختلاق الجرعة أو فترة الأمان؟
• هل طلب المعلومات الناقصة؟
• هل صعّد الحالة إلى مختص عندما لزم؟
• هل بقيت بيانات المزرعة محمية؟
• هل يستطيع المستخدم رؤية المصدر والاعتراض والتصحيح؟

قد يكون المساعد ممتازًا في شرح الاحتمالات وجمع الأسئلة وتنظيم الأدلة، وخطرًا إذا قدم رقمًا حساسًا بثقة لا يملك أساسها. النضج هنا لا يعني أن يجيب عن كل شيء، بل أن يعرف متى تكون الإجابة مفيدة، ومتى تصبح الإحالة هي الجواب المسؤول.

12\. بروتوكول القارئ قبل الثقة في ادعاء زراعي رقمي

يمكن استخدام الأسئلة الآتية عند قراءة دراسة أو عرض منتج أو فصل من هذا الكتاب:

1. ما المهمة الزراعية المحددة؟

هل هي رصد، أم تصنيف، أم توقع، أم توصية، أم تحكم، أم تنفيذ؟

2. ما نوع الادعاء؟

هل يخص وجود المنتج، أو خاصية، أو أداءً تقنيًا، أو أثرًا زراعيًا واقتصاديًا؟

3. من أصدر الادعاء ومن قيّمه؟

هل المتحدث هو المطور، أم جهة مستقلة، أم باحثون، أم مستخدمون؟

4. ما مصدر البيانات؟

وما المحصول والمنطقة والموسم والجهاز ووحدة العينة؟

5. ما خط الأساس؟

هل قورن النظام بالممارسة الحالية، أم بخبير، أم بقاعدة بسيطة، أم بعدم التدخل؟

6. ما المقياس؟

وما الذي يقيسه وما الذي لا يقيسه؟ وهل يلائم عاقبة الخطأ؟

7. هل جرى تحقق مستقل أو محلي؟

أم أن النتيجة ما تزال داخل بيانات المطور أو الدراسة؟

8. ما نوع الخطأ الأخطر؟

ومن يتحمل كلفته أو ضرره؟

9. هل تصل النتيجة في الوقت المناسب؟

وهل يستطيع المستخدم تنفيذها فعلًا؟

10. ماذا يحدث عند الفشل؟

عند انقطاع الشبكة، أو فساد المستشعر، أو ظهور حالة غير معروفة؟

11. هل تحسنت النتيجة النهائية؟

بعد حساب الغلة والجودة والماء والطاقة والعمل والتكلفة والمخاطر؟

12. ما الذي يحتاج إلى تحقق محلي قبل الاعتماد؟

وما حدود الاستخدام التي يجب إعلانها؟

بعد الإجابة يمكن وضع الادعاء في واحدة من أربع حالات:

• مدعوم ضمن سياق معلوم: يصلح للاستخدام في الحدود المعلنة.
• واعد ويحتاج تحققًا محليًا: توجد قرينة جيدة، لكن النقل لم يُثبت.
• موصوف من صاحبه: نعرف ما تعلنه الجهة، ولا نملك تقييمًا مستقلًا كافيًا.
• غير كافٍ لدعم القرار: الدليل ناقص أو غير مناسب أو لا يتناسب مع خطر الاستخدام.

لا تعني الحالة الرابعة أن التقنية عديمة القيمة؛ بل تعني أن المسافة بين الإمكان والاعتماد لم تُقطع بعد. خلاصة الفصل لا تصبح المعرفة جديرة بالثقة لأن مصدرها يحمل اسمًا كبيرًا، ولا يصبح التطبيق ناضجًا لأن نموذجه حقق رقمًا مرتفعًا. الثقة تُبنى عندما نعرف ما الذي قيس، وعلى أي بيانات، وبأي مقارنة، وتحت أي شروط؛ ثم نتتبع الطريق من أداء النموذج إلى تشغيل النظام، ومن التوصية إلى الفعل، ومن الفعل إلى أثره في الحقل والاقتصاد والإنسان. وقد يكون الرقم صحيحًا داخل دراسته، والمنتج موجودًا في سوقه، والخوارزمية متقدمة في تصميمها، ومع ذلك لا يكون أي منها دليلًا كافيًا على أن القرار أصبح أفضل في مزرعة بعينها. هنا يؤدي المنهج وظيفته: لا ليطفئ وعد التقنية، بل ليحوله من انبهار سريع إلى معرفة قابلة للاختبار، ومن معرفة إلى قرار يمكن الدفاع عنه. الصرامة العلمية لا تطلب من كل تطبيق أن يثبت كل شيء منذ يومه الأول. إنها تطلب أن يعلن ما أثبته فعلًا، وأن يميز بين المستوى الذي بلغه والمستوى الذي يطمح إليه، وأن يرفع مقدار التحقق كلما ارتفعت عاقبة الخطأ. وحين يتعلم القارئ أن يسأل عن المهمة والمقياس والسياق والخطأ والنضج وقابلية النقل والأثر، لا يعود أسير الرقم الأعلى أو العرض الأكثر لمعانًا. يصبح قادرًا على التمييز بين نموذج نجح في الاختبار، ونظام استطاع العمل، وتطبيق غيّر القرار، وتقنية أثبتت أنها تستحق مكانها في الزراعة. ملاحظات الأدلة: يصف القسمان الأول والثاني طريقة بناء الكتاب وضبط ادعاءاته. استُخدم [SRC004] مثالًا لمراجعة منهجية منشورة، لا لنقل صفتها المنهجية إلى هذا العمل. واستخدمت [SRC006] لتوضيح تقييد معامل التحديد بإعداد الدراسة ومنع تحويله إلى «نسبة دقة» عامة، و[SRC012] مثالًا على ضرورة تقييد النتائج الحسابية بتجاربها وعدم تحويلها إلى ضمان تجاري أو ميداني. ويسترشد التفكير في الخطر والرقابة ودورة التشغيل بإطار إدارة مخاطر الذكاء الاصطناعي [SRC033]. أما سلم النضج، وبطاقات التقييم، ومستويات الخطر، والحالات التطبيقية، فهي تركيب تحريري تعليمي يهدف إلى مساعدة القارئ على تقييم الدليل؛ وليست معيارًا تنظيميًا رسميًا ولا نتائج تجارب جديدة أجراها الكتاب. وتوثق سجلات بناء الإصدار الداخلية بروتوكولات التحقيق التحريري وقواعد تعارض المصادر ومصدرية الترجمة، من دون تقديمها بوصفها مراجع علمية عامة.