الفصل الرابع: طرائق الذكاء الاصطناعي في السياق الزراعي

الباب الثاني — أسس الذكاء الاصطناعي والبيانات

سؤال هذا الباب: ما الذي يحدث داخل نظام الذكاء الاصطناعي منذ اللحظة التي يستقبل فيها البيانات، حتى يصل جوابه أو توصيته إلى المزارع؟

عندما يقترح نظامٌ ذكي موعدًا للري، أو يتعرّف إلى مرض في ورقة نبات، أو يتنبأ بالإنتاج، قد يبدو الجواب كأنه ظهر دفعة واحدة على الشاشة. لكن هذا الجواب هو المحطة الأخيرة في رحلة طويلة لا يراها المستخدم: تبدأ ببيانات جُمعت من الحقل أو الأقمار الصناعية أو السجلات السابقة، ثم تمر بعمليات القياس والتنظيف والتصنيف والتحليل، قبل أن تتحول إلى تنبؤ أو توصية أو تحذير. وفي الحديث العام، يُقدَّم الذكاء الاصطناعي أحيانًا كأنه عقل واحد قادر على الفهم واتخاذ القرار في كل موقف. والحقيقة أنه ليس أداة واحدة، بل عائلات متعددة من الطرائق والنماذج، صُممت كل عائلة منها لمهام معينة. فالأداة التي تحلل صورة ورقة نبات ليست هي الأداة التي تتنبأ بكمية المحصول، والنظام الذي يستخرج معلومة من آلاف الوثائق لا يعمل بالطريقة نفسها التي يعمل بها نظام يحدد موعد الري. ولكل طريقة نقاط قوة، وافتراضات تعتمد عليها، وبيانات تحتاج إليها، وأخطاء محتملة ينبغي فهمها قبل الوثوق بنتائجها. ولا يهدف هذا الباب إلى تحويل القارئ إلى متخصص في الذكاء الاصطناعي، ولا إلى إثقاله بالتفاصيل الرياضية والبرمجية. غايته أعمق وأكثر عملية: أن يمنحه فهمًا يحميه من الانبهار بالنتيجة قبل معرفة كيف صُنعت، وأن يساعده على التمييز بين نظام بُني على بيانات مناسبة ودليل واضح، ونظام يقدّم إجابات واثقة لا تسندها معرفة كافية. لهذا سنحاول أن ننظر إلى النظام من الداخل، بلغة تجمع بين الدقة والبساطة. سنسأل: ما البيانات التي تعلّم منها؟ من أين جاءت هذه البيانات، ومن جمعها، وفي أي أرض ومناخ وموسم؟ هل تمثل ظروف المزرعة التي سيُستخدم فيها النظام، أم تمثل بيئة مختلفة؟ ماذا يستطيع النموذج أن يرى، وما الذي يبقى خارج رؤيته؟ كيف يعرف أن إجابته صحيحة؟ وكيف يمكن أن يخطئ، أو يتردد، أو يمنح ثقة أكبر مما تسمح به الأدلة؟ هذه الأسئلة ليست تقنية بعيدة عن واقع الزراعة. فإذا كانت بيانات الطقس ناقصة، أو كانت صورة القمر الصناعي محجوبة بالسحب، أو كان المستشعر غير معاير، أو تدرب النموذج على محصول أو مناخ مختلف، فقد ينتقل الخلل من مرحلة إلى أخرى حتى يصل إلى المزارع في صورة توصية تبدو دقيقة. ولا يعني ذلك أن الذكاء الاصطناعي عديم الفائدة، بل يعني أن قيمته الحقيقية لا تأتي من ذكائه الحسابي وحده، وإنما من جودة السلسلة الكاملة التي أنتجت جوابه. نبدأ أولًا بطرائق الذكاء الاصطناعي ومنطق اختيار كل طريقة: لماذا تصلح أداة لمشكلة ولا تصلح لأخرى؟ ثم ننتقل إلى البيانات، لأنها المادة التي يتعلّم منها النظام والمرآة التي يرى العالم من خلالها. بعد ذلك نبحث في مصدرية البيانات وجودتها، حتى نعرف أصل المعلومة والطريق الذي سلكته وما طرأ عليها من تغيير. ثم نصل إلى الاستشعار عن بُعد، حيث تتحول صور الأقمار الصناعية والطائرات المسيّرة وأجهزة الحقل إلى مؤشرات عن النبات والتربة والماء. ومن هناك ننتقل إلى أنظمة دعم القرار واسترجاع المعرفة، لنتبين كيف تُجمع القياسات والنماذج والخبرة الزراعية في جواب يمكن استخدامه في الوقت والمكان المناسبين. وهذا الترتيب ليس اعتباطيًا؛ فهو يعكس الطريق الذي تسلكه المعرفة داخل النظام. فالطريقة غير المناسبة قد تفسد الاستنتاج، والبيانات الضعيفة قد تُضعف أفضل النماذج، والمصدر المجهول يجعل النتيجة عسيرة التحقق، والقياس غير الدقيق ينتج توصية غير دقيقة، أما الجواب الذي لا يوضح أساسه وحدوده فقد يتحول من أداة مساعدة إلى مصدر جديد للمخاطر. إن فهم هذه الأسس لا يعني أن على المزارع أن يعرف كل معادلة أو سطر برمجي، كما لا يحتاج سائق الجرار إلى أن يكون مهندسًا ميكانيكيًا. لكنه يحتاج إلى معرفة ما يكفي ليميّز بين التشغيل السليم والعطل، وبين القدرة الحقيقية والوعد التسويقي، وبين أداة تساعده على اتخاذ القرار وأداة تطلب منه أن يسلّم لها قراره كله. في هذا الباب، لا ننظر إلى الذكاء الاصطناعي بوصفه صندوقًا غامضًا يصدر الأجوبة، بل بوصفه سلسلة مترابطة من البيانات والافتراضات والقياسات والنماذج والقرارات البشرية. وكل حلقة في هذه السلسلة تؤثر في الحلقة التي تليها. لذلك، فإن السؤال الأهم ليس فقط: ماذا قال النظام؟ بل أيضًا: كيف وصل إلى ما قاله، وعلى أي دليل، وفي أي حدود يمكن الوثوق به؟ ملموسة، من دون اختزال العمق العلمي أو تحويل المقدمة إلى شرح تقني ثقيل.

الفصل الرابع: طرائق الذكاء الاصطناعي في السياق الزراعي

رسالة الفصل

لا توجد طريقة واحدة اسمها «الذكاء الاصطناعي الزراعي» تصلح لكل محصول ومزرعة وقرار. ما نسميه ذكاءً اصطناعيًا هو مجموعة واسعة من الطرائق: بعضها يتعلم من أمثلة سابقة، وبعضها يبحث عن أنماط غير مألوفة، وبعضها يرى الصور، أو يتابع التغير عبر الزمن، أو يقارن بين بدائل تحت قيود، أو يسترجع المعرفة ويصوغها في جواب. ولا تبدأ قيمة أي طريقة من شهرة اسمها أو حداثة نموذجها، بل من ملاءمتها للسؤال الزراعي الذي نريد الإجابة عنه. فقد يكون خطأ النظام مجرد صورة تحتاج إلى إعادة التقاط، وقد يكون قرارًا متأخرًا يضيّع نافذة علاج، أو تشغيلًا آليًا يعرّض محصولًا أو عاملًا للخطر. لذلك يبدأ الاختيار من القرار وعاقبة الخطأ، ثم يعود إلى البيانات والطريقة، لا العكس. هذا الفصل لا يطلب من المزارع أن يصبح مبرمجًا، ولا يكتفي بأن يعرّف القارئ المطلع بأسماء يعرفها. غايته أن يبني جسرًا بين ما يحدث داخل النموذج وما يحدث بعده في الحقل: ماذا يرى النظام؟ ماذا يتعلم؟ ماذا يخرج؟ أين يمكن أن يخطئ؟ ومتى تكون النتيجة معلومة مساعدة، ومتى تتحول إلى فعل يحتاج إلى رقابة ومسؤولية؟ قبل أسماء الخوارزميات: رحلة السؤال داخل النظام لنتخيل مزارعًا وجد بقعًا على أوراق الطماطم، فالتقط صورة وسأل تطبيقًا: «ما المشكلة؟». تبدو المهمة بسيطة، لكن النظام لا يرى الورقة كما يراها الإنسان، ولا يعرف وحده تاريخ الحقل أو الصنف أو الرطوبة أو انتشار الأعراض. إنه يستقبل تمثيلًا رقميًا للصورة، ويقارنه بأنماط تعلمها، ثم ينتج فئة أو احتمالًا أو مجموعة احتمالات. بعد ذلك قد يحول تطبيق آخر النتيجة إلى توصية. وبين الصورة والتوصية توجد سلسلة كاملة من الاختيارات. يمكن قراءة أي نظام زراعي ذكي من خلال ست حلقات:

1. السؤال: ما المشكلة أو القرار الذي نريد دعمه؟
2. المدخلات: ما البيانات التي يستطيع النظام رؤيتها فعلًا؟
3. التمثيل: كيف حُوّل الواقع الزراعي إلى صورة أو رقم أو نص أو تسلسل زمني؟
4. الطريقة: ما العائلة الحسابية التي تربط المدخلات بالمخرج؟
5. المخرج: هل النتيجة تصنيف أم تقدير أم احتمال أم ترتيب أم توصية؟
6. الفعل: من سيستخدم النتيجة، وماذا يحدث إذا كانت خاطئة أو متأخرة؟

الفصل بين هذه الحلقات مهم. فالنموذج قد يكون جيدًا في تصنيف الصورة، بينما تكون الصورة نفسها غير ممثلة للحقل. وقد يكون التنبؤ معقولًا، لكن تحويله إلى جرعة أو توقيت يحتاج إلى قواعد زراعية وقيود سلامة لم يتعلمها النموذج. وفي الأنظمة الناضجة لا تختفي هذه الفروق خلف كلمة «ذكي»؛ بل تظهر للمستخدم حتى يعرف موضع الثقة وموضع التحقق.

1\. من السؤال إلى التمثيل

السؤال الزراعي كما يقوله الإنسان أوسع عادة من السؤال الذي يستطيع النموذج معالجته. قولنا «هل هذه النبتة بخير؟» يجمع في عبارة واحدة احتمال المرض ونقص التغذية والإجهاد المائي والضرر الميكانيكي وتأثير الطقس. أما النموذج فيحتاج إلى مهمة محددة يمكن تمثيل مدخلاتها وتحديد مخرجها وقياس خطئها. خذ مثال الورقة المصابة. يمكن تحويله إلى مسائل مختلفة:

هذه ليست أسماء متعددة للمهمة نفسها. فكل سؤال يحتاج إلى بيانات تناسبه، وإجابات صحيحة يتعلم منها النظام، وطريقة لقياس أخطائه، وخطوة واضحة تأتي بعد ظهور النتيجة. وقد يكون التصنيف كافيًا لفرز أولي، لكنه لا يكفي لتوجيه أداة روبوتية إلى موضع دقيق. وقد تكون خريطة الضرر ممتازة بصريًا، لكنها لا تثبت سبب الضرر. ينطبق الأمر نفسه على الحشائش. فإذا كان المطلوب مجرد معرفة وجود حشيشة، تكفي مسألة تصنيف. وإذا كان المطلوب حساب كثافتها، نحتاج إلى عد أو تقدير مساحة. وإذا كان المطلوب توجيه أداة ميكانيكية، نحتاج إلى موضع دقيق، وزمن استجابة، ونظام تحكم، وحاجز سلامة. الانتقال من «رأى الحشيشة» إلى «تحرك نحوها» انتقال من معلومة إلى فعل، وليس تفصيلًا برمجيًا صغيرًا. لهذا تأتي وحدة القرار قبل اختيار النموذج. هل القرار يخص ورقة واحدة، أم نباتًا، أم صفًا، أم قطاعًا، أم حقلًا كاملًا؟ وهل نتنبأ بغلة حقل قبل الحصاد، أم بإجمالي محصول منطقة لتخطيط التخزين والنقل؟ إذا تغيرت الوحدة تغير معنى البيانات والخطأ. تقدير جيد على مستوى المنطقة قد لا يصلح لتقرير ري قطاع صغير، حتى لو استُخدمت فيهما كلمة «الغلة» أو «الإنتاج». أما التمثيل فهو الصورة الرقمية المبسطة التي يسمح بها النظام للواقع. قد يمثل التربة بقياس رطوبة على عمق واحد، أو يمثل النبات بصورة من أعلى، أو يمثل إدارة الحقل بسجل مواعيد. وكل تمثيل يضيء جانبًا ويترك جوانب أخرى خارج الرؤية. النموذج لا يعرف ما لم يدخل إليه، ولا يستطيع تصحيح تعريف غامض للهدف بمجرد زيادة قدرته الحسابية. سؤال عملي: قبل أن تسأل عن اسم الخوارزمية، اسأل: ما وحدة القرار؟ وما الذي يراه النظام؟ وما الذي لا يراه؟ وما الفعل الذي سيُبنى على مخرجه؟

2\. التعلّم الخاضع للإشراف: التعلّم من أمثلة معروفة النتائج

التعلّم الخاضع للإشراف هو أسلوب يتعلم فيه النظام من أمثلة معروفة النتائج. فإذا أردنا تدريبه على التمييز بين أوراق النبات السليمة والمصابة، نعرض عليه صورًا سبق أن راجعها مختص وحدد حالة كل منها. وإذا أردنا تدريبه على توقع الغلة، نقدم له بيانات عن الطقس والتربة والصنف وإدارة الحقل، ومع كل سجل كمية الغلة التي قِيست فعليًا بعد الحصاد. ومن خلال عدد كبير من هذه الأمثلة، يحاول النظام تعلّم العلاقة بين البيانات والنتائج المعروفة، ثم يستخدم ما تعلمه لتقدير نتيجة حالة جديدة لم يرها من قبل. وتسمى النتيجة المعروفة تسمية مرجعية عندما تكون اسم فئة، مثل «سليمة» أو «مصابة»، وتسمى قيمة مرجعية عندما تكون رقمًا مقاسًا، مثل كمية الغلة. لا يبدأ النموذج عادةً بقائمة قواعد كتبها خبير، مثل: «إذا ظهرت بقعة بهذا اللون فالحالة هي كذا». وبدلًا من ذلك، يعرض عليه المطور عددًا كبيرًا من الأمثلة المعروفة النتائج، فيبحث بنفسه عن الصفات التي تتكرر مع كل نتيجة. وعندما يرى مثالًا جديدًا، يقارنه بالأنماط التي تعلمها ثم يقدّر النتيجة الأقرب. هذه القدرة مفيدة، لكنها تحمل خطرًا مهمًا: قد يتعلم النظام علامة جانبية سهلة بدل أن يتعلم الصفة الزراعية التي تهمنا. فهو لا يعرف من تلقاء نفسه أي جزء من الصورة يمثل المرض وأي جزء مجرد خلفية؛ بل يتعلم من الطريقة التي جُمعت بها الأمثلة وعُرضت عليه. لنتخيل أننا نريد تدريب نظام على التفريق بين نبات سليم ونبات مصاب. صُورت جميع النباتات السليمة داخل صوبة ذات جدار أبيض، بينما صُورت جميع النباتات المصابة في حقل مفتوح تظهر خلفه تربة داكنة. المطلوب أن يتعلم النظام شكل الأعراض على الأوراق، لكنه قد يكتشف طريقًا أسهل: الخلفية البيضاء ترافق الصور السليمة، والتربة الداكنة ترافق الصور المصابة. قد يبدو النظام ناجحًا عند اختباره بصور جُمعت بالطريقة نفسها، لأن الخلفيات في الاختبار تشبه الخلفيات التي تعلم منها. لكنه قد يفشل في مزرعة جديدة، كأن يصنف نباتًا مصابًا داخل صوبة بيضاء على أنه سليم، أو يشتبه في نبات سليم لأن خلفه تربة داكنة. لم يتعمد النظام التضليل؛ لقد تعلم الارتباط الأسهل الذي قدمته له البيانات، بدل العلامات المرضية التي أرادها المصمم. وتقع المشكلة نفسها في البيانات الرقمية. فإذا كان حساس الحصاد يعطي قراءات أعلى أو أقل من الواقع لأنه غير معاير، فسيتعلم النموذج من أرقام غير صحيحة. وإذا سُجل إنتاج بعض الحقول بالطن لكل هكتار، وإنتاج حقول أخرى بإجمالي الأطنان من دون توضيح الفرق، فسيتعامل النظام مع قيم غير قابلة للمقارنة كأنها شيء واحد. وإذا استُخدم اسم واحد لحالات مرضية مختلفة، فلن يعرف النموذج الحدود الصحيحة بين هذه الحالات. في كل مثال من هذه الأمثلة، لا يبقى الخطأ خارج النموذج؛ بل يدخل في المادة التي يتعلم منها. وقد تنفذ الخوارزمية مهمتها الحسابية بدقة، لكنها تتعلم علاقة بُنيت على قياس خاطئ أو تعريف غير ثابت. فالطريقة المتقدمة لا تستطيع أن تستخرج من البيانات يقينًا لم يكن موجودًا فيها أصلًا. لذلك لا يكفي أن نجد إجابة مكتوبة بجوار كل صورة أو سجل. يجب أن نعرف:

• من حدد الحالة أو القيمة المرجعية، وما القواعد التي اتبعها؟
• هل أكد النتيجة مختص واحد، أم راجعها أكثر من مختص، أم أثبتها اختبار مرجعي؟
• هل سُجلت درجة الثقة، وهل سُمح بنتيجة «غير محسوم» عندما لم تكف الأدلة؟
• هل بقي تعريف كل حالة ثابتًا بين المزارع والمؤسسات والمواسم؟
• هل تشمل الأمثلة الظروف السهلة والصعبة، والأعراض المبكرة والمتقدمة، والحالات المختلطة؟
• هل تمثل الصور والسجلات تنوع الأصناف والمواقع والأجهزة والإضاءة؟
• هل فُصلت الصور أو السجلات المتقاربة بين التدريب والاختبار، حتى لا يُختبر النظام بنسخ شديدة الشبه بما رآه من قبل؟

إن السماح للنظام بأن يقول «لا تكفي المعلومات للحكم» ليس علامة ضعف. ففي التطبيق الزراعي قد يكون الامتناع المنضبط أكثر أمانًا من إجبار النظام على اختيار اسم مرض لكل صورة. والنتيجة المسؤولة لا تذكر الاحتمال الأقرب فقط؛ بل توضح أيضًا حدود الثقة، والمعلومة الناقصة، والخطوة التالية اللازمة للتحقق. للقارئ المتعمق: لا يعوض العدد الكبير من الأمثلة ضيق تنوعها أو ضعف نتائجها المرجعية. فقد تكون مجموعة صغيرة مستقلة تمثل مزارع ومواسم وأجهزة مختلفة أقدر على كشف حدود النموذج من آلاف الصور المتشابهة. لذلك يجب تقييم تنوع البيئات، وثبات تعريف النتيجة، واستقلال بيانات الاختبار، وكلفة كل نوع من الأخطاء، إلى جانب حجم مجموعة البيانات.

3\. التعلم غير الخاضع وشبه الخاضع: ماذا نفعل عندما تكون النتائج الموثقة قليلة؟

في الحالة المثالية، قد نرغب في أن يراجع مختص كل صورة أو قراءة أو سجل، وأن يحدد النتيجة الصحيحة المرتبطة به. لكن هذا نادرًا ما يكون ممكنًا في الواقع. فقد تجمع المزرعة آلاف الصور وملايين قراءات المستشعرات، بينما لا يتوافر الوقت أو المال أو الخبراء لمراجعة كل سجل على حدة. عندما تكون النتائج الموثقة قليلة أو غير متوافرة، يمكن استخدام طرائق تساعد على تنظيم البيانات واكتشاف ما يتكرر فيها، من دون أن تبدأ بإجابة صحيحة مرتبطة بكل مثال. ومن أهم هذه الطرائق التعلّم غير الخاضع للإشراف، وكشف الحالات غير المعتادة، والتعلّم شبه الخاضع للإشراف. تتقارب هذه الطرائق في استفادتها من البيانات غير المراجعة، لكنها لا تؤدي الوظيفة نفسها ولا تمنح النتائج الدرجة نفسها من اليقين. أولًا: التعلّم غير الخاضع للإشراف في التعلّم غير الخاضع للإشراف لا يُعطى النظام قائمة مسبقة تقول له: «هذه المنطقة جيدة»، و«هذه ضعيفة»، و«هذه تعاني مشكلة في الصرف». بل يبحث داخل البيانات عن سجلات تتشابه في خصائصها، ثم يجمع المتشابه منها معًا. لنفترض أن لدينا قراءات من قطاعات مختلفة في الحقل، تشمل رطوبة التربة والانتاجية ودرجة الحرارة وخصائص الانعكاس التي التقطتها صور جوية. قد يجد النظام أن بعض القطاعات تتشابه في هذه القراءات، فيضعها في مجموعة واحدة، بينما يضع قطاعات أخرى في مجموعات مختلفة. هذه النتيجة قد تساعد المزارع على رؤية اختلاف لم يكن واضحًا من قبل، لكنها لا تفسر سببه تلقائيًا. فالقطاعات التي تشترك في انخفاض الغلة قد تكون متشابهة حسابيًا، لكن سبب الانخفاض قد يختلف من مكان إلى آخر:

• قد تعاني منطقة سوء الصرف.
• وقد تتعرض أخرى للظل.
• وقد تختلف ثالثة في نوع التربة.
• وقد تكون قراءة منطقة رابعة منخفضة بسبب مستشعر غير معاير.

إذًا يقول النظام في هذه المرحلة: «هذه السجلات متشابهة وفق البيانات التي حللتها. » ولا يقول: «لقد أثبتُّ أن هذه المنطقة فقيرة أو أنها تحتاج إلى كمية محددة من السماد. » هذا الفرق أساسي. فالتجميع الحسابي يساعد على توجيه الانتباه والمعاينة وأخذ العينات، لكنه لا يحل محل التفسير الزراعي. كما أن المجموعات التي يجدها النظام لا توجد مستقلة عن اختيارات المصمم. فالنتيجة تتأثر بالمتغيرات التي أُدخلت إلى التحليل، وبطريقة توحيد وحداتها، وبعدد المجموعات المطلوب تكوينها، وبمقدار التشابه الذي تعتبره الخوارزمية مهمًا. إذا أغفلنا بيانات الصرف مثلًا، فلن يستطيع النظام استخدام الصرف في تفسير الاختلاف، مهما كانت طريقة التحليل متقدمة. ثانيًا: اكتشاف الحالات غير المعتادة من الاستخدامات المهمة لهذه الطرائق كشف الحالات غير المعتادة. يتعلم النظام الشكل المعتاد للقراءات أو السلوك خلال فترة معينة، ثم ينبه المستخدم عندما تظهر حالة تختلف عنه بدرجة كبيرة. قد يكون الاختلاف:

• مستشعر رطوبة بدأت قراءاته تنحرف تدريجيًا.
• زيادة مفاجئة في استهلاك الماء قد تشير إلى تسرب أو تغير في التشغيل.
• انخفاضًا غير مألوف في تدفق خط ري.
• تغيرًا ملحوظًا في حركة حيوان أو نمط تناوله للعلف.
• قراءة حرارة بقيت ثابتة مدة طويلة بصورة غير طبيعية، بما قد يشير إلى تعطل المستشعر.

لكن التنبيه لا يثبت وحده أن عطلًا أو مرضًا قد وقع. إنه يعني فقط: «هذه الحالة تختلف عما اعتبره النظام معتادًا، ولذلك تستحق الفحص. » وقد يكون السبب مشكلة حقيقية، أو تغيرًا موسميًا طبيعيًا، أو عملية زراعية جديدة، أو خطأً في القياس. ومن ثم يجب ألا تتحول إشارة الاختلاف مباشرة إلى تشخيص أو أمر تنفيذي. كما أن كثرة التنبيهات ليست دليلًا على جودة النظام. فإذا أرسل النظام، على سبيل المثال، مئة تنبيه في اليوم إلى فريق لا يستطيع فحص أكثر من خمسة، فستتحول الأداة إلى مصدر ضوضاء، وقد تضيع الإنذارات المهمة وسط التنبيهات المتكررة. لذلك ينبغي ضبط النظام وفق ثلاثة أمور:

• خطورة الحالة التي قد يفشل في اكتشافها.
• عدد الإنذارات الخاطئة الذي يستطيع الفريق التعامل معه.
• قدرة العامل أو المختص على فحص التنبيه في الوقت المناسب.

ويجب أن يوضح كل تنبيه سبب صدوره، مثل: «ارتفع استهلاك الماء في هذا القطاع عن نطاقه المعتاد خلال الساعات الست الماضية، بينما لم يظهر تغير مماثل في القطاعات المجاورة. » وهذا أوضح وأنفع من رسالة عامة تقول: «اكتُشف شذوذ. » ثالثًا: التعلّم شبه الخاضع للإشراف يُستخدم التعلّم شبه الخاضع للإشراف عندما نملك عددًا محدودًا من الأمثلة التي راجعها مختص وحدد النتيجة الصحيحة لكل منها، إلى جانب عدد أكبر من الصور أو السجلات التي لم يراجعها أحد بعد. لنفترض أن المزرعة تملك آلاف الصور لأوراق نبات، لكن أخصائي أمراض النبات استطاع مراجعة بضع مئات منها فقط. تحتوي المجموعة الصغيرة على حالات معروفة، مثل:

• ورقة سليمة.
• أعراض مرض محدد.
• أعراض نقص عنصر.
• صورة لا تكفي للحكم.

أما بقية الصور فموجودة، لكن حالتها لم تُحدد بصورة موثقة. يتعلم النظام أولًا من الأمثلة التي راجعها المختص، ثم يستفيد من أوجه التشابه والاختلاف الموجودة في الصور الأخرى. وبهذه الطريقة يمكن الاستفادة من كمية كبيرة من البيانات من دون مطالبة الخبير بمراجعة كل صورة يدويًا. لكن تقليل العمل اليدوي لا يعني الاستغناء عن التحقق البشري، ولا يعني أن كثرة الصور غير المراجعة تستطيع إصلاح مجموعة موثقة ضعيفة أو ضيقة. فإذا كانت الصور التي راجعها المختص كلها من:

• مزرعة واحدة.
• صنف واحد.
• هاتف واحد.
• ظروف إضاءة متشابهة.
• مرحلة متقدمة من المرض.

فقد يتعلم النظام أن هذه الظروف المحدودة تمثل جميع الحالات. وقد يعمل جيدًا مع صور تشبهها، ثم يضعف عندما يواجه أعراضًا مبكرة، أو صنفًا آخر، أو مزرعة مختلفة، أو كاميرا أقل جودة. فالنظام الذي تعلم شكل المرض في مرحلة متقدمة قد لا يتعرف إلى بدايته. والنظام الذي تعلّم من صنف واحد قد يخلط بين الخصائص الطبيعية لصنف آخر وبين أعراض المرض. ولا تستطيع آلاف الصور التي لم يراجعها مختص أن تعوض تلقائيًا ضيق الأمثلة الموثقة التي تعلم منها النظام معنى الحالات. لذلك يجب أن نسأل:

• هل تمثل الأمثلة الموثقة المزارع والأصناف والمراحل المختلفة؟
• من حدد حالة كل مثال، وكيف تحقق منها؟
• هل توجد حالات غير محسومة بدل إجبار كل مثال على إجابة؟
• هل راجع المختص عينة من النتائج التي اقترحها النظام لاحقًا؟
• هل ظهر الضعف في فئة أو موقع أو مرحلة نمو معينة؟
• هل تحسنت النتيجة فعلًا، أم أصبح النظام أكثر ثقة فقط؟

رابعًا: تعلّم صفات عامة قبل تحديد المهمة توجد أيضًا طرائق تتعلم أولًا صفات عامة متكررة في كمية كبيرة من الصور أو الإشارات، قبل تدريب النظام على مهمة زراعية محددة. فقد يتعلم النظام التمييز بين الأشكال والحواف والأنسجة ودرجات اللون، من دون أن تكون كل صورة مرتبطة باسم مرض أو حالة زراعية. بعد ذلك، تُستخدم مجموعة أصغر راجعها مختص لتعليم النظام المهمة المطلوبة، مثل التفريق بين أوراق سليمة وأوراق تحمل أعراضًا معينة. يمكن لهذه الخطوة أن تقلل كمية العمل اللازمة، لكنها لا تعني أن النظام فهم المرض أو المحصول من تلقاء نفسه. لقد تعلم صفات بصرية أو عددية عامة، ثم جرى توجيهه إلى مهمة زراعية محددة. وتظل جودة النتيجة مرتبطة بسلامة الأمثلة الموثقة وبالاختبار في ظروف حقلية مستقلة. مثال تطبيقي: تقسيم الحقل إلى ثلاث مناطق لنفترض أن النظام حلل بيانات الرطوبة والغلة وصورًا جوية، ثم قسم الحقل إلى ثلاث مناطق تختلف في خصائصها. لا تعني هذه النتيجة مباشرة أن الحقل يحتاج إلى ثلاث وصفات تسميد. الخطوة الصحيحة هي استخدام الخريطة لتوجيه الفحص:

1. يتأكد الفريق أولًا من سلامة المستشعرات والبيانات.
2. يزور نقاطًا ممثلة من كل منطقة.
3. يفحص التربة والصرف والظل وتاريخ الإدارة.
4. يأخذ عينات مناسبة عند الحاجة.
5. يقارن التفسير الحسابي بالمشاهدة والقياس الميداني.
6. يحدد بعد ذلك ما إذا كانت المناطق تحتاج فعلًا إلى معاملات مختلفة.

قد ينتهي الفحص إلى أن إحدى المناطق تختلف بسبب التربة، وأن الثانية تعاني مشكلة صرف، وأن الثالثة ظهرت مختلفة بسبب خطأ في المستشعر. ولو تحولت المجموعات الثلاث مباشرة إلى ثلاث وصفات تسميد، لعولجت أسباب مختلفة كما لو كانت مشكلة واحدة. إذًا تقدم الخوارزمية في هذه الحالة خريطة للأسئلة التي تستحق الفحص، لا وصفة جاهزة للإجابة عنها. الخلاصة عندما تكون النتائج الموثقة قليلة، تستطيع هذه الطرائق الاستفادة من البيانات الكثيرة بطرق مختلفة:

• التعلّم غير الخاضع للإشراف يجمع الحالات المتشابهة، لكنه لا يثبت سبب التشابه.
• كشف الحالات غير المعتادة ينبه إلى ما خرج عن النمط، لكنه لا يقدم تشخيصًا نهائيًا.
• التعلّم شبه الخاضع للإشراف يجمع بين أمثلة راجعها مختص وبيانات أكثر لم تُراجع، لكنه قد ينقل قصور الأمثلة المحدودة إلى بقية النظام.
• تعلّم الصفات العامة يقلل الحاجة إلى مراجعة كل صورة منذ البداية، لكنه لا يلغي الاختبار الحقلي أو الحكم المتخصص.

والقاعدة الجامعة هي: البيانات الكثيرة تساعد النظام على رؤية الأنماط، لكن المعنى الزراعي لا يأتي من العدد وحده؛ بل من القياس السليم، والأمثلة الموثقة، والسياق الحقلي، والتحقق البشري.

4\. الرؤية الحاسوبية: ماذا يرى النظام في الصورة؟

عندما ينظر المزارع أو المختص إلى ورقة نبات، فإنه لا يرى اللون والشكل وحدهما. فهو يربط ما يراه بعمر النبات، وانتشار الأعراض، وحالة الحقل، والطقس، والري، وخبرته بحالات سابقة. أما نظام الرؤية الحاسوبية فيبدأ من شيء أضيق: صورة أو مقطع فيديو حُوّل إلى بيانات رقمية يمكن للحاسوب تحليلها. الرؤية الحاسوبية هي مجموعة من الطرائق التي تساعد النظام على العثور على أنماط داخل الصور والفيديو. وقد تستخدم نماذج تسمى الشبكات العصبية الالتفافية أو نماذج رؤية أحدث للتعرف إلى الأشكال والألوان والأنسجة والعلاقات المكانية. وتظهر تطبيقاتها الزراعية في فحص أمراض النبات، وتحديد الحشائش والثمار، وتقدير النضج، وفرز المنتجات، ومراقبة حركة الحيوان وسلوكه. وتستعرض المراجعات العلمية اتساع هذه التطبيقات في الهندسة الزراعية والغذائية [SRC001][SRC002]. لكن القول إن النظام «يفهم الصورة» قد يوحي بأنه يراها ويفسرها كما يفعل الإنسان. والحقيقة أن الصورة الواحدة يمكن أن تُستخدم للإجابة عن أسئلة مختلفة، ولكل سؤال طريقة ونتيجة وحدود. 1\. تحديد الحالة العامة للصورة — التصنيف في هذه المهمة ينظر النظام إلى الصورة بوصفها وحدة واحدة، ثم يختار الحالة الأقرب من مجموعة حالات سبق أن تعلمها. قد تكون النتيجة مثلًا:

• تبدو الورقة سليمة.
• توجد علامات اشتباه في إصابة.
• تبدو الثمرة ضمن درجة جودة معينة.
• لا تكفي الصورة لإصدار نتيجة موثوقة.

يفيد هذا النوع من التحليل في الفرز الأولي. لكنه لا يوضح بالضرورة أين توجد العلامة داخل الصورة، ولا يثبت سببها، ولا يحول الاحتمال إلى تشخيص نهائي. فإذا قال النظام إن الصورة «مشتبه فيها»، فهذا يعني أن النمط العام يشبه أمثلة تعلم منها. ولا يعني وحده أن المرض قد تأكد، أو أن المعالجة أصبحت معروفة. 2\. تحديد مكان الجسم أو العلامة — الكشف أحيانًا لا يكفي أن نعرف أن الصورة تحتوي ثمرة أو حشيشة أو بقعة مشتبهًا بها؛ بل نحتاج إلى معرفة مكانها. في هذه الحالة يرسم النظام دائرة أو إطارًا مرئيًا حول الجزء الذي اكتشفه. فعند فحص ورقة نبات، قد يظهر إطار حول بقعة معينة. وعند تحليل صورة حقل، قد يضع النظام إطارًا حول كل ثمرة أو حشيشة استطاع العثور عليها. تفيد هذه النتيجة في الإجابة عن سؤال: أين يوجد الشيء الذي اكتشفه النظام؟ كما تساعد المستخدم على التحقق من أن النظام ركز على الجزء الصحيح. فقد يظن النظام أنه اكتشف عرضًا مرضيًا، بينما يكون قد ركز في الحقيقة على ظل، أو بقعة تربة، أو جزء من خلفية الصورة. لكن تحديد مكان البقعة لا يثبت سبب ظهورها. فالنظام قد يحدد موضع الضرر بصورة صحيحة، بينما يبقى تحديد المرض أو الإجهاد المسبب له محتاجًا إلى معلومات أخرى. 3\. رسم حدود المنطقة المتأثرة — التقسيم قد نحتاج إلى معرفة أكثر من موضع الجسم؛ فقد نريد معرفة المساحة التي يشغلها بدقة. في هذه المهمة يلوّن النظام المنطقة التي يعتقد أنها متضررة، أو يرسم حدودها على الصورة. وبدل أن يضع إطارًا واسعًا حول الورقة كلها، يحاول تحديد الجزء المصاب داخلها. يمكن أن يساعد ذلك في:

• تقدير نسبة الجزء المتأثر من الورقة.
• قياس مقدار الغطاء النباتي في صورة جوية.
• فصل الثمرة عن الخلفية.
• تحديد مساحة الحشائش داخل جزء من الحقل.
• مقارنة تغير مساحة الضرر عبر الوقت.

ويستخدم المهندسون كلمة «البكسلات» لوصف النقاط الصغيرة التي تتكون منها الصورة، لكن القارئ لا يحتاج إلى هذا المصطلح لفهم النتيجة. ما يهمه عمليًا هو أن النظام يحاول رسم الحدود الدقيقة للمنطقة التي اكتشفها. ومع ذلك، فإن تحديد مساحة الضرر لا يثبت المرض الذي أحدثه. فقد تكون الحدود دقيقة، بينما يكون تفسير السبب خاطئًا. 4\. متابعة الجسم أو الحالة مع مرور الوقت — التتبع عند تحليل فيديو أو سلسلة صور، قد يحتاج النظام إلى معرفة ما إذا كان الجسم الظاهر الآن هو نفسه الذي ظهر قبل لحظات أو في صورة سابقة. يمكن أن يُستخدم ذلك في:

• متابعة حركة حيوان داخل الحظيرة.
• متابعة ثمرة على خط الفرز.
• عد الأجسام من دون حساب الجسم نفسه أكثر من مرة.
• مراقبة اتساع منطقة متضررة عبر صور متتابعة.
• تتبع حركة آلة أو عامل داخل منطقة تشغيل.

وهنا لا يكفي اكتشاف الجسم في كل صورة منفردة؛ بل يجب على النظام أن يربط ظهوره عبر اللقطات المتعاقبة. قد يواجه النظام صعوبة عندما يختفي الجسم خلف جسم آخر، أو تتغير الإضاءة، أو تتداخل الحيوانات، أو تتحرك الكاميرا. لذلك ينبغي ألا يتحول فقد التتبع مباشرة إلى استنتاج بأن الحيوان أو الثمرة أو الآلة غادرت المكان فعلًا. 5\. تقدير المسافة والشكل — تقدير العمق الصورة المسطحة تبين الارتفاع والعرض، لكنها لا تمنح المسافة الحقيقية بصورة مباشرة دائمًا. وقد يحتاج الروبوت أو آلة الفرز إلى معرفة مدى قرب الجسم وشكله في الفراغ. يمكن أن يستخدم النظام كاميرا أو أكثر، أو حساسًا مناسبًا، لتقدير:

• المسافة بين الأداة والثمرة.
• ارتفاع النبات أو حجم جسم معين.
• قرب الإنسان أو الحيوان من منطقة الحركة.
• موضع الغصن بالنسبة إلى الذراع الروبوتية.
• شكل الجسم الذي يجب إمساكه أو تجنبه.

يفيد تقدير العمق في مساعدة الآلة على الاقتراب، لكنه لا يكفي وحده لضمان حركة آمنة. فما يزال النظام يحتاج إلى معرفة حدود الأداة وسرعتها، والتوقف عند ظهور عائق، والتحقق من أن القياس لم يتغير بسبب الغبار أو الاهتزاز أو ضعف الرؤية. لماذا يجب تحديد المهمة بدقة؟ اختيار مهمة الرؤية مرتبط بالفعل المطلوب بعد ظهور النتيجة. إذا كان الهدف معرفة ما إذا كانت الصورة تحتوي ثمارًا، فقد يكفي تصنيف الصورة. أما إذا كان الهدف عد الثمار، فيجب على النظام تحديد كل ثمرة على حدة. وإذا كان الهدف توجيه ذراع روبوتية لقطف ثمرة، فلا بد من معرفة موضعها ومسافتها وشكلها، ثم تحويل هذه المعلومات إلى حركة آمنة. وبالمثل، فإن معرفة وجود حشائش في صورة لا تكفي لتوجيه أداة ميكانيكية إليها. فالنظام يحتاج إلى:

1. تحديد كل حشيشة.
2. التمييز بينها وبين المحصول.
3. معرفة موضعها بالنسبة إلى الآلة.
4. حساب حركة الأداة.
5. التحقق من عدم وجود إنسان أو حيوان أو جسم غير متوقع.
6. إيقاف التنفيذ إذا انخفضت الثقة أو تعارضت البيانات.

كل انتقال في هذه السلسلة يضيف احتمالًا جديدًا للخطأ. ولهذا لا يصح وصف نظام بأنه آمن لمجرد أن نموذج الرؤية نجح في صور الاختبار. لماذا تختلف صورة الحقل عن صورة المختبر؟ الصورة الزراعية متغيرة بطبيعتها. فالورقة نفسها قد تبدو مختلفة بسبب:

• ضوء الصباح أو الظهيرة.
• الظل.
• زاوية التصوير.
• نوع الهاتف أو الكاميرا.
• قرب العدسة أو بعدها.
• الغبار أو البلل.
• الخلفية.
• مرحلة نمو النبات.
• تداخل الأوراق.
• شدة الأعراض ومرحلتها.

وقد تتشابه أعراض أسباب مختلفة. فقد تبدو بعض علامات نقص العناصر قريبة من أعراض مرض أو إجهاد مائي في صورة منفردة. ولهذا فإن نجاح النظام في التعرف إلى شكل بصري لا يعني أنه أثبت السبب الزراعي. والنموذج الذي تدرب على أوراق منفردة موضوعة فوق خلفية نظيفة قد يبدو قويًا داخل المختبر، ثم يواجه واقعًا مختلفًا عندما يرى أوراقًا متداخلة، وظلالًا متغيرة، وغبارًا، وحشرات، وأعراضًا في بدايتها داخل الحقل. لذلك ينبغي أن تمثل صور التدريب والاختبار الظروف التي سيعمل فيها النظام فعلًا، لا أفضل الظروف التي يمكن التقاط صورة فيها. عندما يتذكر النظام الاختبار بدل أن يثبت قدرته يجب فصل الصور المستخدمة في تعليم النظام عن الصور المستخدمة في اختباره. لكن هذا الفصل قد يبدو صحيحًا في الملفات ويظل مضللًا في الواقع. لنفترض أننا التقطنا عشر صور متقاربة للنبات نفسه خلال دقائق، ثم وضعنا بعض الصور ضمن بيانات التعلم وبعضها ضمن بيانات الاختبار. قد يتعرف النظام إلى تفاصيل النبات أو الخلفية أو زاوية التصوير، لأن صورة الاختبار شديدة الشبه بما رآه من قبل. يُسمى هذا تداخلًا غير مقصود بين بيانات التعلم والاختبار، ويعرف تقنيًا باسم «تسرب البيانات». يشبه الأمر تدريب طالب على مجموعة مسائل، ثم اختباره بالمسائل نفسها بعد تغيير ترتيبها أو بعض كلماتها. قد يحصل على نتيجة مرتفعة، لكن الاختبار لا يثبت أنه يستطيع حل مسألة جديدة. لذلك يكون الاختبار الزراعي أقوى عندما يفصل:

• نباتات كاملة، لا صورًا فقط.
• حقولًا كاملة.
• مزارع مختلفة.
• مواسم مستقلة.
• أجهزة تصوير مختلفة.
• أصنافًا أو مراحل نمو لم تدخل في التدريب.

والسؤال الحقيقي ليس: هل نجح النظام مع صور لم يرها بوصفها ملفات؟ بل: هل نجح في مزرعة أو موسم أو جهاز لم يتعلم من بياناته من قبل؟ لماذا قد تكون «الدقة العامة» مضللة؟ لا تكفي نتيجة عامة واحدة للحكم على نموذج الرؤية. لنفترض، في مثال حسابي مبسط، أن مجموعة الاختبار تحتوي ألف صورة:

• 950 صورة سليمة.
• 50 صورة مصابة بمرض مهم.

إذا قال نموذج ضعيف إن جميع الصور سليمة، فسيصيب في 950 صورة من أصل ألف، وقد تبدو دقته العامة 95%. لكن هذا النموذج لم يكتشف حالة مرضية واحدة، ولذلك فهو عديم الفائدة في المهمة التي أنشئ من أجلها. لهذا يجب أن نسأل:

• كم حالة مصابة استطاع اكتشافها؟
• كم حالة مصابة اعتبرها سليمة؟
• كم إنذارًا خاطئًا أصدر؟
• هل تختلف النتيجة بين الأمراض أو الأصناف؟
• هل يستطيع الامتناع عندما تكون الصورة غير واضحة؟
• ماذا يحدث عندما يواجه حالة لم تدخل ضمن بيانات التدريب؟

إذا كان الخطأ الأخطر هو اعتبار حالة نادرة وخطيرة سليمة، فيجب قياس قدرة النظام على اكتشاف تلك الحالة تحديدًا، لا الاكتفاء بمتوسط تحسنه الفئات الشائعة. من رؤية الجسم إلى تحريك الآلة في الروبوتات لا تنتهي المهمة عندما يتعرف النظام إلى ثمرة أو حشيشة. يجب أن تمر النتيجة بسلسلة أخرى: رؤية الجسم ← تحديد مكانه ← تحويل المكان إلى إحداثيات تفهمها الآلة ← تخطيط الحركة ← تنفيذها ← التحقق من النتيجة ← التوقف عند الخطر وقد يكون كل جزء من هذه السلسلة مصدرًا مستقلًا للخطأ. فقد يتعرف النموذج إلى الثمرة بصورة صحيحة، لكن تتحرك الذراع إلى موضع غير دقيق بسبب اهتزاز الآلة. وقد يكون الموضع صحيحًا، لكن تظهر يد عامل في منطقة الحركة. وقد ينقطع الاتصال بعد إرسال الأمر وقبل تأكيد تنفيذه. لذلك يجب أن تتضمن المنظومة:

• حدودًا للسرعة والقوة.
• منطقة أمان حول الإنسان والحيوان.
• وسيلة توقف محلية لا تعتمد على الاتصال.
• تحققًا من نجاح الفعل.
• قدرة على العودة إلى وضع آمن.
• سلطة واضحة للعامل لإيقاف التشغيل أو تجاوزه.

والقاعدة التي ينبغي أن تبقى واضحة هي: قد ينجح النموذج في رؤية الجسم، بينما يفشل النظام في التعامل معه بأمان. فدقة الصورة ليست دقة القرار، ودقة القرار ليست سلامة التنفيذ. أسئلة عملية قبل الوثوق بنظام رؤية زراعي يمكن للمزارع أو المشتري أن يسأل:

• ما المهمة المحددة: تصنيف الصورة، أم تحديد الموضع، أم قياس المساحة، أم توجيه آلة؟
• هل جُمعت صور الاختبار من حقول ومواسم مستقلة؟
• هل تشمل الصور الإضاءة والأجهزة والأصناف الموجودة في مزرعتي؟
• ما الحالات التي يفشل النظام في تمييزها؟
• هل يعرض أمثلة الأخطاء، أم يعرض أفضل الحالات فقط؟
• هل يستطيع أن يقول إن الصورة غير كافية؟
• ماذا يحدث بعد النتيجة: تنبيه، أم توصية، أم تنفيذ آلي؟
• من يراجع النتيجة قبل تنفيذ فعل حساس؟
• كيف تتوقف الآلة إذا ظهر إنسان أو انخفضت الثقة؟

الخلاصة الرؤية الحاسوبية لا تمنح الآلة عينًا بشرية أو فهمًا زراعيًا كاملًا. إنها تساعد النظام على استخراج معلومات محددة من الصور والفيديو: تحديد حالة عامة، أو العثور على جسم، أو رسم حدود منطقة، أو متابعة حركة، أو تقدير مسافة. وتتحدد قيمة هذه المعلومات بثلاثة أمور:

1. هل صيغ السؤال البصري بما يناسب القرار المطلوب؟
2. هل تمثل الصور ظروف الحقل الحقيقية؟
3. هل انتقلت النتيجة إلى الفعل عبر نظام آمن وواضح المسؤولية؟

بهذا يصبح القارئ قادرًا على التمييز بين نظام يعرض صورة مقنعة في تجربة قصيرة، ونظام اختُبر فعلًا ليعمل في ضوء الحقل وغباره وتنوعه وحدود السلامة فيه.

5\. النماذج الاحتمالية والاستدلال السببي: ما المتوقع، وما الذي يمكن أن يغيّره التدخل؟

تواجه النظم الزراعية نوعين مختلفين من الأسئلة، وقد تبدو صياغتهما متقاربة مع أن الإجابة عنهما تحتاج إلى أدلة مختلفة. السؤال الأول هو: ما الذي يرجح أن يحدث إذا استمرت الظروف الحالية؟ قد نسأل مثلًا:

• ما الغلة المتوقعة في نهاية الموسم؟
• ما احتمال ظهور إجهاد مائي خلال الأيام المقبلة؟
• ما احتمال أن تكون الأعراض مرتبطة بمرض معين؟
• ما كمية الإنتاج التي قد تصل إلى المخزن في الأسبوع المقبل؟

هذه أسئلة تنبؤية. يحاول النظام فيها استخدام ما يعرفه عن الطقس والتربة والمحصول والإدارة السابقة لتقدير نتيجة لم تحدث بعد. أما السؤال الثاني فهو: ماذا سيحدث إذا غيّرنا شيئًا؟ قد نسأل مثلًا:

• ماذا سيحدث للنتيجة إذا تغير موعد الري؟
• هل سيؤدي تغيير إحدى ممارسات الإدارة إلى تحسن الغلة؟
• هل خفض مدة تشغيل مضخة سيقلل الماء من دون إحداث إجهاد للمحصول؟
• هل كانت المعاملة التي نُفذت هي سبب التحسن، أم أن التحسن وقع لأسباب أخرى؟

هذه أسئلة سببية؛ لأنها لا تكتفي بوصف ما قد يحدث، بل تسأل عن أثر فعل نريد تنفيذه. الارتباط لا يثبت أن أحد العاملين سبب الآخر قد تكشف البيانات أن الحقول التي استخدمت كمية أكبر من أحد المدخلات الزراعية حققت غلة أعلى. هذه علاقة تستحق الدراسة، لكنها لا تثبت أن زيادة ذلك المدخل هي التي سببت ارتفاع الغلة. قد توجد تفسيرات أخرى، مثل:

• أن تلك الحقول أفضل تربة من البداية.
• أن الري فيها أكثر انتظامًا.
• أن المزارعين الذين يديرونها أكثر خبرة.
• أن أصحابها يملكون معدات أفضل.
• أن المدخل استُخدم في حقول ذات محاصيل أو أصناف مختلفة.
• أن الظروف الجوية كانت أنسب في مواقعها.
• أن المزارع زاد المدخل استجابةً لحالة لم تُسجل في البيانات.

في هذه الحالة قد يظهر المدخل والغلة معًا، بينما يكون سبب الاختلاف الحقيقي عاملًا آخر أو مجموعة عوامل. يشبه ذلك ملاحظة أن المزارع التي تستخدم مستشعرات أكثر تحقق نتائج أفضل. لا يثبت هذا وحده أن شراء المستشعرات سيحسن نتيجة كل مزرعة؛ فقد تكون المزارع التي تستطيع شراء المستشعرات أفضل تجهيزًا وتمويلًا وإدارةً منذ البداية. إذًا يفيد الارتباط في اكتشاف الأنماط وبناء التوقعات، لكنه لا يجيب وحده عن سؤال: هل سيؤدي تغيير هذا العامل في مزرعة أخرى إلى النتيجة نفسها؟ لماذا يهم هذا الفرق المزارع؟ هذا الفرق ليس نقاشًا إحصائيًا بعيدًا عن الحقل. فإذا وجد النظام علاقة بين متغير والغلة، ثم حوّلها مباشرة إلى توصية، فقد انتقل من ملاحظة الارتباط إلى افتراض السببية. فالنظام الذي يتوقع أن حقلًا ما سيحقق غلة مرتفعة لا يعرف بالضرورة كيف نجعل حقلًا آخر يحقق الغلة نفسها. وقد تكون قدرته على التنبؤ مبنية على عوامل لا يستطيع المزارع تغييرها، مثل نوع التربة أو تاريخ الموقع أو ظروف الموسم. وبالمثل، قد يستطيع النظام توقع الحقول الأكثر عرضة للإجهاد، لكنه لا يثبت تلقائيًا أن أي تدخل يقترحه سيمنع الإجهاد أو يحقق منفعة اقتصادية. لهذا يجب الفصل بين ثلاث مراحل:

1. الملاحظة: ما العلاقة التي ظهرت في البيانات؟
2. التفسير: ما الأسباب الممكنة لهذه العلاقة؟
3. التدخل: ما الدليل على أن تغيير عامل معين سيغير النتيجة؟

كلما انتقلنا من مرحلة إلى التي تليها احتجنا إلى دليل أقوى. كيف نقترب من معرفة أثر التدخل؟ لمعرفة ما إذا كان التدخل هو الذي أحدث الفرق، نحتاج إلى طريقة تفصل أثره عن أثر العوامل الأخرى قدر الإمكان. قد يتحقق ذلك من خلال:

• تجربة ميدانية مناسبة تقارن بين معاملات محددة.
• توزيع المعاملات بطريقة تقلل الاختلافات السابقة بين المجموعات.
• مقارنة حقول أو قطاعات متشابهة قدر الإمكان.
• قياس الحالة قبل التدخل وبعده مع وجود خط أساس واضح.
• استخدام تصميم تحليلي سببي يصرح بافتراضاته وحدوده.
• الاستناد إلى معرفة زراعية أو بيولوجية تشرح كيف يمكن أن يؤدي العامل إلى النتيجة.
• تكرار النتيجة في مواقع أو مواسم مختلفة.

ولا يعني استخدام طريقة تسمى «الاستدلال السببي» أن العلاقة أصبحت سببية لمجرد أن البرنامج أعطاها رقمًا. فكل تحليل سببي يعتمد على افتراضات: ما العوامل التي قِيست؟ وما العوامل التي غابت؟ وهل كانت المجموعات قابلة للمقارنة؟ وهل سبق السبب النتيجة زمنيًا؟ والخوارزمية لا تستطيع تصحيح عامل مهم لم يُقَس أو لم يُسجل إلا بافتراضات إضافية ينبغي إعلانها. القاعدة العملية: النموذج الجيد في التنبؤ ليس بالضرورة نموذجًا جيدًا في تقدير أثر التدخل. دقة توقع النتيجة لا تثبت أن النظام يعرف كيف نغيّرها. ماذا تضيف النماذج الاحتمالية؟ في كثير من الحالات الزراعية لا تكفي البيانات لإصدار إجابة قطعية. قد تكون الصورة غير واضحة، أو تتشابه الأعراض، أو ينقص سجل الطقس، أو تكون قراءة المستشعر غير مستقرة. بدل إخفاء هذا النقص، تحاول النماذج الاحتمالية التعبير عن مقدار عدم اليقين. لنتخيل ظهور بقع على أوراق محصول. قد تكون الأسباب المحتملة:

• مرضًا فطريًا.
• نقصًا في عنصر غذائي.
• إجهادًا مائيًا.
• أثر حرارة أو شمس.
• ضررًا ميكانيكيًا.
• أكثر من سبب في الوقت نفسه.

إذا اعتمد النظام على صورة واحدة، فقد لا يستطيع التمييز بثقة بين هذه الأسباب. لذلك لا ينبغي أن يقفز مباشرة إلى تشخيص واحد، بل يمكنه ترتيب الاحتمالات وبيان ما يحتاج إليه لتضييقها. وهذا ما يُقصد بـالتشخيص التفريقي: مقارنة عدة تفسيرات ممكنة للأعراض، ثم جمع معلومات تساعد على استبعاد بعضها وتقوية بعضها الآخر. قد يطلب النظام مثلًا:

• صورة للسطح السفلي للورقة.
• وصفًا لتوزع الأعراض داخل الحقل.
• معرفة ما إذا كانت الأعراض ظهرت في الأوراق الحديثة أم القديمة.
• سجلًا لدرجات الحرارة والرطوبة.
• معلومات عن الري أو المعاملات السابقة.
• فحصًا ميدانيًا أو اختبارًا مناسبًا عند الحاجة.

مع وصول كل معلومة جديدة، يعيد النظام ترتيب الاحتمالات. والقيمة هنا ليست في سرعة إعطاء اسم، بل في تنظيم ما نعرفه وما لا نعرفه، وتحديد المعلومة التالية الأكثر فائدة. الاحتمال ليس يقينًا مقنعًا بصيغة رقم قد يقول النظام: احتمال هذه الحالة 80%. لكن ماذا يعني هذا الرقم؟ لا يعني أن الورقة الفردية «مصابة بنسبة 80%»، ولا يعني أن 80% من الورقة مصاب. والمقصود، إذا كان النظام مضبوطًا بصورة جيدة، أنه عندما يعطي احتمالًا قريبًا من 80% لعدد كبير من الحالات المتشابهة، ينبغي أن تتحقق النتيجة في نحو ثمانين حالة من كل مئة، لا في جميع الحالات. تسمى موافقة أرقام الثقة مع ما يحدث فعليًا معايرة الاحتمالات. لنفترض أن نظامًا أعطى مئة حالة احتمالًا قريبًا من 80%:

• إذا تأكدت النتيجة في نحو ثمانين حالة، تكون ثقته منسجمة نسبيًا مع الواقع.
• إذا تأكدت في خمسين حالة فقط، فالنظام أكثر ثقة مما ينبغي.
• إذا تأكدت في خمس وتسعين حالة، فقد يكون النظام أقل ثقة مما تسمح به نتائجه.

هذه المقارنة لا تُجرى على حالة واحدة، بل على عدد مناسب من الحالات المتشابهة. ترتيب الحالات لا يعني أن أرقام الاحتمال صحيحة قد ينجح النظام في ترتيب الحالات من الأكثر اشتباهًا إلى الأقل، لكنه يضع أرقام ثقة مضللة. فقد تكون الحالة التي أعطاها 90% أكثر احتمالًا فعلًا من حالة أعطاها 60%، وبذلك يكون ترتيب النظام مفيدًا. لكن إذا كانت الحالات التي أعطاها 90% لا تتحقق إلا في 65% من المرات، فإن أرقام ثقته مبالغ فيها. إذًا هناك سؤالان منفصلان:

1. هل يرتب النظام الحالات ترتيبًا مفيدًا؟
2. هل تعبر أرقام الاحتمال عن الواقع بدرجة مقبولة؟

قد ينجح في الأول ويفشل في الثاني. لماذا تتغير الثقة عند الانتقال إلى مزرعة جديدة؟ قد تكون احتمالات النظام منضبطة في البيئة التي اختُبر فيها، ثم تصبح مضللة عند نقله إلى مكان آخر. وقد يحدث ذلك بسبب اختلاف:

• الصنف.
• مرحلة النمو.
• المناخ.
• شدة انتشار الحالة.
• الكاميرا أو المستشعر.
• جودة الصور.
• ممارسات الإدارة.
• نسبة الحالات النادرة والشائعة.
• طريقة تأكيد التشخيص.

لذلك لا يكفي أن يثبت المورد أن الاحتمالات كانت مناسبة في بيانات التطوير. يجب مراقبة الثقة بعد النقل، ومقارنتها بالنتائج الفعلية، وإعادة ضبطها عند الحاجة. وإعادة الضبط لا تجعل النموذج مناسبًا تلقائيًا إذا كانت البيئة الجديدة مختلفة جذريًا؛ فقد يحتاج الأمر إلى بيانات جديدة أو مراجعة نطاق الاستخدام نفسه. كيف ينبغي عرض النتيجة للمستخدم؟ من الأفضل ألا يقدم النظام رقمًا مجردًا أو إجابة قطعية، بل يعرض النتيجة في أربع طبقات: 1\. النتيجة المرجحة وعدم اليقين مثل: توجد عدة أسباب محتملة، والبيانات الحالية لا تكفي لتأكيد أحدها. أو: التقدير يقع ضمن نطاق معين، وقد يتغير إذا تغير الطقس أو الإدارة. 2\. الأدلة التي أثرت في الترجيح مثل: زاد احتمال الإجهاد المائي بسبب انخفاض قراءات الرطوبة وارتفاع الحرارة، لكن إحدى قراءات المستشعرات مفقودة. 3\. المعلومات الناقصة والخطوة التالية مثل: يلزم فحص المستشعر، أو صورة إضافية، أو وصف انتشار الأعراض، أو مراجعة مختص قبل تضييق الاحتمالات. 4\. حدود القرار والمسؤولية مثل: هذه النتيجة تنبيه أولي وليست تشخيصًا مؤكدًا أو أمرًا بتنفيذ معاملة. وبهذه الطريقة يصبح الاحتمال أداة لتنظيم القرار، لا رقمًا يمنح النظام سلطة لا يملكها. مثال تطبيقي: التنبؤ بالغلة ليس وصفة لرفعها لنفترض أن نموذجًا يتوقع الغلة اعتمادًا على:

• نوع التربة.
• الطقس.
• الصنف.
• مواعيد العمليات.
• سجلات الري.
• بيانات المواسم السابقة.

قد يحقق النموذج توقعًا جيدًا لأنه تعلم أن بعض الحقول ذات التربة الأفضل والإدارة الأكثر انتظامًا تنتج غلة أعلى. لكن إذا لاحظ أن الغلة المرتفعة ارتبطت أيضًا بزيادة أحد المدخلات، فلا يجوز أن يستنتج مباشرة أن زيادة هذا المدخل في جميع الحقول سترفع الغلة. فقد تكون الزيادة مناسبة فقط لحقول أو ظروف معينة، أو قد تكون مجرد علامة ترافق مزارع أفضل إدارة. النموذج التنبؤي يجيب عن سؤال: ما الغلة المرجحة في ظل هذه الظروف؟ أما تقدير أثر التدخل فيسأل: كيف كانت الغلة ستختلف لو غيرنا هذا العامل وحده، مع بقاء العوامل الأخرى قابلة للمقارنة؟ السؤال الثاني أصعب؛ لأنه يتعلق بنتيجة بديلة لم نرها في الحقل نفسه وفي الوقت نفسه. ولهذا يحتاج إلى تصميم وتجربة وافتراضات أوضح من مجرد ملاحظة العلاقة في السجلات. أسئلة عملية قبل قبول توصية مبنية على علاقة إحصائية يمكن للقارئ أن يسأل:

• هل يقدم النظام توقعًا، أم يدعي تقدير أثر تدخل؟
• ما العوامل الأخرى التي قد تفسر العلاقة الظاهرة؟
• هل جرى اختبار التدخل نفسه، أم لوحظ فقط في بيانات سابقة؟
• هل كانت الحقول أو المجموعات قابلة للمقارنة؟
• ما العوامل المهمة التي لم تُقَس؟
• هل تكررت النتيجة في مواقع ومواسم مختلفة؟
• هل يعرض النظام نطاقًا واحتمالًا أم رقمًا قطعيًا؟
• هل اختُبرت صحة أرقام الثقة بعد الانتقال إلى البيئة المحلية؟
• ما المعلومة التالية التي يمكن أن تقلل عدم اليقين؟
• من يملك سلطة تحويل النتيجة إلى فعل؟

القاعدة الفاصلة يمكن تلخيص الفرق في ثلاثة أسئلة:

• ما الذي يحدث الآن؟ سؤال قياس أو تشخيص.
• ما الذي يرجح أن يحدث لاحقًا؟ سؤال تنبؤ.
• ماذا سيتغير إذا تدخلنا؟ سؤال سببي يحتاج إلى دليل أقوى.

والنظام المسؤول يصرح بنوع السؤال الذي يجيب عنه، ولا يحول الارتباط إلى سبب، أو التوقع إلى وصفة، أو الاحتمال إلى يقين.

6\. التحسين وبحوث العمليات

التنبؤ يقول ما قد يحدث، أما التحسين فيبحث عن فعل أو خطة بين بدائل كثيرة تحت قيود محددة. قد يوزع ماءً محدودًا بين قطاعات، أو يرتب مسار جمع، أو ينسق الحصاد والنقل والتبريد، أو يوزع العمال والآلات على نوافذ زمنية متنافسة. تتكون مسألة التحسين من ثلاثة أشياء:

1. قرارات يمكن تغييرها: متى نروي؟ أي مسار تسلكه المركبة؟ أي دفعة تُبرد أولًا؟
2. قيود لا يجوز تجاهلها: سعة المضخة، الوقت، المخزون، السلامة، الطاقة، العمالة، والحدود الزراعية.
3. هدف نريد تحسينه: تقليل الماء أو الوقت أو الفاقد، أو موازنة عدة أهداف.

لنتخيل ثلاثة قطاعات تحتاج إلى الري، بينما قدرة الضخ لا تسمح بتشغيلها معًا. قد يقترح النظام جدولًا يراعي حالة الماء وأولوية المحصول وسعر الطاقة. لكن إذا كانت دالة الهدف تقلل استهلاك الكهرباء وحده، فقد تؤخر قطاعًا حساسًا. وإذا عظّمت الغلة المتوقعة وحدها، فقد تتجاهل حصة مزارع صغير أو حدًا لاستنزاف الماء. الخوارزمية تنفذ ما عُرّف لها، ولا تضيف من تلقاء نفسها القيم التي نسي المصمم كتابتها. لهذا لا يوجد «حل أمثل» في الفراغ. يوجد حل أمثل بالنسبة إلى هدف وقيود وبيانات في وقت محدد. فإذا تغيرت الأولويات أو تعطل مورد أو انخفضت الثقة في التنبؤ، ينبغي أن يعيد النظام الحساب أو ينتقل إلى خطة بديلة. وفي المسائل الواقعية تكون الأهداف متعددة. نريد الحفاظ على الغلة وتقليل الماء والطاقة وتجنب الإجهاد واحترام نافذة العمل. لا يمكن جمع هذه القيم دائمًا في رقم محايد. لذلك يكون عرض عدة سيناريوهات ومقايضاتها أصدق من تقديم خطة واحدة كأنها الجواب الوحيد. ينبغي كذلك أن يكون للنظام وضع يدوي آمن. فإذا انقطع الاتصال أو تعطلت بيانات الطقس أو تعارضت القيود، لا يجوز أن تتوقف العملية الأساسية أو تستمر بخطة قديمة بلا تنبيه. قوة التحسين لا تُقاس بجمال الخطة في الظروف المثالية فقط، بل بقدرته على التعامل مع القيود الحقيقية والاستثناءات. سؤال عملي: عندما يقول المورد «نحسن الري»، اسأل: ما الهدف الذي يحسّنه النظام؟ من وضع أوزان الماء والغلة والطاقة؟ وما الخطة إذا كانت البيانات ناقصة؟

7\. التعلم المعزز والتحكم: كيف يتعلم النظام من سلسلة أفعال؟

في بعض المسائل الزراعية لا يكون المطلوب إصدار توقع واحد ثم التوقف. فكل فعل يُنفذ يغير حالة المزرعة أو الآلة، والحالة الجديدة تؤثر في القرار الذي يأتي بعده. عندما تُفتح نافذة في بيت محمي، قد تنخفض الحرارة وتتغير الرطوبة، لكن أثر الفتح يعتمد أيضًا على حرارة الهواء الخارجي والرياح ومدة بقاء النافذة مفتوحة. وعندما يتحرك روبوت بين الصفوف، يتغير موقعه وتتغير الأشياء التي تستطيع كاميراته رؤيتها، وقد يظهر أمامه عامل أو حيوان أو عائق لم يكن موجودًا قبل لحظات. في مثل هذه المسائل لا نتعامل مع قرار منفرد، بل مع سلسلة من القرارات المترابطة. وهنا يمكن أن يظهر دور التعلّم المعزز. ما المقصود بالتعلّم المعزز؟ التعلّم المعزز هو طريقة يتعلم فيها النظام كيف يختار أفعالًا متتابعة من خلال ملاحظة نتائج ما يفعله. لا تعني كلمة «معزز» أن هذا النوع من التعلّم أفضل أو أقوى من جميع الطرائق الأخرى. والمقصود أن النظام يتلقى بعد أفعاله إشارات حسابية تعزز الاختيارات التي تقرّبه من الهدف، وتخفض قيمة الاختيارات التي تبعده عنه أو تقوده إلى نتائج غير مرغوبة. يمكن تشبيه الفكرة بمتعلّم يجرب عدة طرق للوصول إلى نتيجة، ثم يحتفظ تدريجيًا بالطرق التي أدت إلى نتائج أفضل. لكن هذا التشبيه له حدود؛ فالنظام لا يفهم المزرعة أخلاقيًا أو زراعيًا، ولا يعرف من تلقاء نفسه ما الذي ينبغي اعتباره «أفضل». البشر هم الذين يحددون له ما الذي يقيسه، وما الأفعال المتاحة، وما الحدود التي لا يجوز تجاوزها. يتكون التعلم المعزز من عناصر رئيسة:

1. الحالة: المعلومات التي تصف الوضع الحالي كما يستطيع النظام قياسه.
2. الفعل: الخيار الذي يستطيع النظام تنفيذه في تلك اللحظة.
3. النتيجة: ما تغير في البيئة بعد تنفيذ الفعل.
4. الدرجة الحسابية: إشارة توضح هل كانت النتيجة أقرب إلى الهدف أم أبعد عنه.
5. استراتيجية الاختيار: الطريقة التي يتعلمها النظام لاختيار الفعل المناسب في كل حالة.

يسمي المتخصصون البرنامج الذي يختار الأفعال الوكيل، ويسمون الدرجة الحسابية المكافأة، ويسمون استراتيجية الاختيار السياسة. لكن فهم الوظائف أهم من حفظ الأسماء. مثال مبسط من بيت محمي لنفترض أن نظامًا يساعد على إدارة الحرارة والرطوبة والطاقة داخل بيت محمي. الحالة التي يراها النظام قد تشمل المعلومات المتاحة:

• درجة الحرارة داخل البيت.
• الرطوبة.
• درجة الحرارة الخارجية.
• شدة ضوء الشمس.
• سرعة الرياح.
• حالة النوافذ والمراوح.
• رطوبة وسط الزراعة.
• الوقت من اليوم.
• حالة المستشعرات والمعدات.

هذه ليست «البيئة كاملة»، بل الجزء الذي تستطيع الأجهزة قياسه وإرساله إلى النظام. فإذا كان أحد المستشعرات متعطلًا، أو كانت البيانات تصل متأخرة، فقد يتخذ النظام قراره من صورة ناقصة أو قديمة. الأفعال التي يستطيع اختيارها قد تشمل الأفعال المتاحة:

• فتح نافذة بدرجة محددة.
• إغلاقها.
• تشغيل مروحة.
• خفض سرعة المروحة أو رفعها.
• تشغيل التظليل.
• المحافظة على الوضع الحالي.
• طلب تدخل العامل بدل التنفيذ الآلي.

ولا ينبغي أن يُسمح للنظام بأي فعل يمكن تخيله. فالأفعال المتاحة يجب أن تكون محددة سلفًا، ومقيدة بحدود المعدات والسلامة والمحصول. ما الذي يحدث بعد الفعل؟ إذا فتح النظام النافذة، فقد تنخفض الحرارة، لكن الرطوبة قد تتغير أيضًا. وقد يزداد استهلاك الطاقة إذا عوّض النظام التغير بتشغيل معدات أخرى. وقد يكون الفعل مناسبًا في وقت من اليوم وغير مناسب في وقت آخر. يلاحظ النظام ما حدث بعد الفعل، ثم يستخدم النتيجة لتحسين اختياراته اللاحقة. وبذلك لا يتعلم من قرار واحد، بل من سلسلة: حالة ← فعل ← تغير في البيئة ← حالة جديدة ← فعل جديد ما معنى «المكافأة»؟ المكافأة في هذا السياق ليست جائزة، ولا تعني أن النظام يشعر بالرضا أو العقاب. إنها درجة حسابية يحددها المصمم لتقييم نتيجة الفعل. قد ترتفع الدرجة عندما:

• تبقى الحرارة والرطوبة ضمن النطاق المطلوب.
• ينخفض استهلاك الطاقة من دون الإضرار بظروف النبات.
• يتجنب النظام تشغيل المعدات بلا حاجة.
• يحافظ على استقرار البيئة بدل إحداث تغيرات حادة.
• يطلب تدخل العامل عند نقص البيانات أو تعارضها.

وقد تنخفض الدرجة عندما:

• تخرج الظروف عن الحدود المقبولة.
• يستهلك النظام طاقة أو ماء أكثر من اللازم.
• يشغل المعدات ويوقفها بصورة متكررة تسرّع تآكلها.
• يتجاهل مستشعرًا متعطلًا.
• يختار فعلًا يقترب من حدود السلامة.

إذًا، عبارة «مكافأة تعبر عن الهدف» تعني في الواقع: معادلة أو طريقة حساب يضعها المصمم لتحويل عدة نتائج — مثل حالة النبات والطاقة والماء واستقرار المعدات — إلى إشارات تساعد النظام على مقارنة أفعاله. لكن هذه الدرجة لا تمثل الهدف كاملًا بالضرورة. فما لا يضعه المصمم في الحساب قد لا يراعيه النظام. عندما يحقق النظام الرقم ويخسر الغرض لنفترض أن المصمم أعطى النظام هدفًا واحدًا: تقليل استهلاك الطاقة. قد يتعلم النظام خفض تشغيل المراوح أو التهوية أكثر مما ينبغي. وقد ينجح حسابيًا في تقليل الكهرباء، بينما تتدهور الحرارة أو الرطوبة داخل البيت المحمي. ولنفترض أن الهدف هو تثبيت درجة الحرارة عند رقم واحد. قد يشغل النظام معدات التدفئة والتبريد بصورة متكررة، أو يتجاهل الرطوبة، أو يستهلك طاقة مرتفعة من أجل منع تغير طبيعي صغير لا يضر النبات. في الحالتين يكون النظام قد نفذ ما طُلب منه حسابيًا، لكنه لم يحقق الغرض الزراعي الأوسع. لا يرجع الخطأ هنا بالضرورة إلى ضعف الخوارزمية. قد يكون الخطأ في الطريقة التي صاغ بها البشر الهدف. فالنظام يستطيع أن يحسن الدرجة التي أعطيت له، لكنه لا يعرف تلقائيًا المصالح والقيود التي لم تدخل في تعريفها. لهذا يجب أن تشمل طريقة التقييم، بحسب المسألة:

• ظروف النبات.
• الماء والطاقة.
• استقرار المعدات.
• سلامة الإنسان والحيوان.
• حدود التشغيل.
• كلفة التغيرات المتكررة.
• القدرة على التراجع إلى وضع آمن.
• الحالات التي يجب أن ينتقل فيها القرار إلى الإنسان.

القاعدة الأساسية: النظام لا يتعلم ما نريده في أذهاننا، بل يتعلم ما عبّرنا عنه في البيانات والدرجات والقيود. لماذا لا تكفي العقوبة الحسابية لحماية السلامة؟ قد يفكر المصمم في خفض الدرجة عندما ينفذ النظام فعلًا خطرًا. لكن بعض الأفعال لا يجوز السماح بتجربتها أصلًا، حتى لو كانت ستؤدي لاحقًا إلى درجة سلبية. لا يجوز، مثلًا، أن يتعلم النظام خطورة إيقاف التهوية في ظروف شديدة عن طريق تنفيذ الفعل وتعريض النبات للخطر. ولا يجوز لروبوت أن يتعلم أن الاقتراب من العامل غير آمن من خلال الاصطدام به مرة واحدة. لذلك يجب الفصل بين:

• أهداف يمكن للنظام تحسينها.
• وحدود سلامة لا يجوز له تجاوزها.

قد يحاول النظام تقليل الطاقة أو تحسين الاستقرار داخل النطاق المسموح، لكن يجب أن تمنعه طبقة مستقلة من:

• تجاوز حد حراري خطر.
• تشغيل أداة عند وجود إنسان في منطقة الحركة.
• الاستمرار إذا تعطلت مستشعرات حرجة.
• تنفيذ أمر بوحدة أو قيمة خارج الحدود المعتمدة.
• مواصلة الحركة بعد فقد الموقع أو الاتصال.
• تعطيل وسيلة الإيقاف اليدوي.

تسمى هذه الحدود أحيانًا قيودًا صلبة، والمقصود أنها قواعد تنفيذية ملزمة لا يستطيع النظام كسرها سعيًا إلى تحسين درجته. ما المقصود بالاستكشاف؟ لكي يعرف النظام أي الأفعال أفضل، قد يحتاج إلى تجربة خيارات لم يستخدمها كثيرًا من قبل. ويسمى ذلك الاستكشاف. لكن الاستكشاف في نظام حقيقي يختلف عن التجربة داخل لعبة رقمية. فالخطأ في الحقل قد يهدر ماءً، أو يجهد محصولًا، أو يتلف معدات، أو يعرض عاملًا للخطر. لذلك لا ينبغي أن يكون النظام حرًا في تجربة أي فعل داخل المزرعة. ويمكن تقليل الخطر من خلال مسار تدريجي:

1. يبدأ التعلم أو التقييم داخل محاكاة تمثل البيئة بقدر معقول.
2. تستخدم البيانات التاريخية لفهم ما حدث في ظروف سابقة، مع الانتباه إلى أنها لا تغطي كل الأفعال الممكنة.
3. يختبر النظام في وضع مراقبة، فيقترح أفعالًا من دون تنفيذها.
4. تقارن اقتراحاته بما فعله المشغل وبما حدث بعد ذلك.
5. ينتقل إلى تجربة محدودة في نطاق منخفض الخطر.
6. تبقى القيود المستقلة وسلطة الإيقاف البشرية فعالتين.
7. يتوسع التشغيل فقط بعد ظهور دليل كافٍ على السلامة والاستقرار.

ولا تكفي المحاكاة وحدها؛ لأنها صورة مبسطة للواقع. فقد تختلف استجابة النبات أو المعدات أو الطقس عما افترضه النموذج. ويعرف هذا أحيانًا بالفجوة بين المحاكاة والواقع. لذلك يجب أن يكون الانتقال إلى التشغيل الحقيقي تدريجيًا، مراقبًا، وقابلًا للتراجع. ليس كل تحكم يحتاج إلى تعلّم معزز قد تبدو تقنية التعلّم المعزز جذابة لأنها تتعلم من سلسلة قرارات، لكنها ليست الخيار الأفضل تلقائيًا. إذا كانت قواعد التشغيل واضحة ومستقرة، فقد يكون نظام قواعد مباشر أكثر وضوحًا وأسهل في الاختبار. وإذا كانت استجابة المعدات معروفة ويمكن تمثيلها جيدًا، فقد تكون طرائق التحكم التقليدية أو التحسين تحت القيود أكثر أمانًا وأقل كلفة. يصبح التعلّم المعزز مرشحًا عندما:

• تكون القرارات متتابعة ويؤثر كل فعل في ما بعده.
• تظهر نتيجة بعض الأفعال بعد مدة.
• توجد مقايضة بين منفعة فورية وأثر لاحق.
• يصعب كتابة قاعدة ثابتة تغطي جميع الحالات.
• تتوافر بيئة تدريب أو محاكاة مناسبة.
• يمكن تحديد نطاق آمن للأفعال.
• توجد طريقة لمراقبة الأداء والتراجع.

أما إذا كان الهدف مجرد اكتشاف مرض في صورة، أو توقع الغلة، أو إصدار تنبيه واحد، فقد تكون طرائق أخرى أنسب. لا ينبغي استخدام التعلّم المعزز لمجرد أن اسمه أحدث أو أكثر إثارة. من الذي يفعل ماذا داخل نظام التحكم؟ في النظام الزراعي الفعلي يجب الفصل بين عدة وظائف: 1\. قياس الحالة تجمع المستشعرات والكاميرات معلومات عن البيئة والمعدات. وقد تكون هذه المعلومات ناقصة أو متأخرة أو غير دقيقة. 2\. تقدير الحالة أو التنبؤ بها قد يستخدم نموذج لتقدير ما لا يقاس مباشرة، أو لتوقع ما قد يحدث بعد تنفيذ فعل معين. 3\. اختيار الفعل تحدد استراتيجية التحكم الفعل المقترح في ضوء الحالة والهدف والقيود. 4\. فحص السلامة تراجع طبقة مستقلة ما إذا كان الفعل مسموحًا، وما إذا كانت البيانات كافية، وما إذا كانت المعدات والبيئة في حالة آمنة. 5\. التنفيذ ترسل الأوامر إلى النوافذ أو المراوح أو المضخات أو المحركات، ويجب التأكد من أن الأمر نُفذ فعلًا، لا أنه أُرسل فقط. 6\. التحقق من النتيجة يقارن النظام ما كان متوقعًا بما حدث بعد التنفيذ. فإذا لم يستجب الجهاز، أو تحرك على نحو مختلف، يجب اكتشاف ذلك. 7\. الرقابة البشرية يملك الإنسان سلطة الموافقة أو الإيقاف أو التجاوز، ويستطيع العودة إلى تشغيل يدوي واضح عند تعطل التطبيق أو الاتصال. هذا الفصل مهم لأن نجاح جزء واحد لا يثبت نجاح النظام كله. فقد يختار البرنامج فعلًا مناسبًا، لكن الصمام لا يستجيب. وقد ينفذ الصمام الأمر، لكن المستشعر الذي يؤكد النتيجة يكون معطلًا. وقد تعمل المكونات تقنيًا، لكن الهدف نفسه يكون ناقصًا. ما المقصود بالتعلّم المعزز العميق؟ التعلّم المعزز العميق هو تعلّم معزز يستخدم شبكات عصبية عميقة لمساعدة النظام على تمثيل الحالات المعقدة أو تقدير قيمة الأفعال أو اختيارها. ولا تعني كلمة «عميق» أن النظام:

• يفهم البيئة فهمًا بشريًا.
• أكثر أمانًا.
• يحتاج حتمًا إلى روبوت.
• يرى الصور تلقائيًا.
• صالح للتشغيل الميداني.
• أفضل من القواعد أو التحكم التقليدي.

فقد يُستخدم التعلّم المعزز العميق في بيئة محاكاة لاختيار أفعال، بينما تستخدم الرؤية الحاسوبية نموذجًا آخر لتحليل الصور. وقد يعمل الاثنان داخل روبوت واحد، لكنهما يؤديان وظيفتين مختلفتين. تصحيح مصدري مهم: رؤية الحشيشة ليست التحكم في إزالتها ظهرت في مواد تحريرية سابقة لهذا الكتاب عبارة تصف إحدى دراسات كشف الحشائش بأنها مثال على «التعلّم المعزز العميق» المستخدم في الإزالة الروبوتية. لكن المصدر الذي أمكن التحقق منه [SRC009] يتناول تصنيف صور التقطت في حقول فول الصويا باستخدام شبكات عصبية التفافية. أي أن الدراسة تدعم مهمة من مهام الرؤية الحاسوبية: تحليل الصورة والتفريق بين الأنماط. ولا يثبت هذا المصدر أن الدراسة طورت:

• نظامًا يتعلم سلسلة من الأفعال.
• استراتيجية تحكم في روبوت.
• مكافأة لتقييم الإزالة.
• حركة آلية نحو الحشيشة.
• تنفيذًا ميدانيًا للإزالة.
• نظامًا قائمًا على التعلّم المعزز العميق.

والفرق جوهري: الرؤية الحاسوبية تسأل: هل توجد حشيشة في الصورة، وأين تقع؟ أما التعلّم المعزز والتحكم فيسألان: ما الفعل الذي ينبغي أن تنفذه الآلة الآن، وكيف سيؤثر في الحالة والفعل التالي؟ وقد يحتاج روبوت إزالة الحشائش إلى نموذج رؤية يحدد النبات، ثم نظام آخر يحدد الموقع، ثم مخطط حركة، ثم متحكم ينفذ الفعل، ثم طبقة سلامة توقف الآلة عند الخطر. نجاح خوارزمية التصنيف لا يثبت نجاح هذه السلسلة. إدراج هذا التصحيح ليس جدلًا حول الاسم، بل تطبيق لمنهج الأدلة في الكتاب: يجب ألا تُنسب إلى المصدر خوارزمية أو قدرة تشغيلية أو أثر ميداني لم يثبتها. مثال متكامل: إدارة التهوية في بيت محمي لنفترض أن النظام يدير نافذة ومروحة داخل بيت محمي. في لحظة معينة يقرأ:

• حرارة داخلية مرتفعة قليلًا.
• رطوبة مرتفعة.
• حرارة خارجية أقل.
• رياحًا معتدلة.
• عدم وجود إنذار في المعدات.

يمكن أن يختار بين:

• إبقاء الوضع كما هو.
• فتح النافذة جزئيًا.
• فتحها بدرجة أكبر.
• تشغيل المروحة.
• استخدام النافذة والمروحة معًا.
• طلب مراجعة العامل.

إذا فتح النافذة جزئيًا وانخفضت الحرارة والرطوبة من دون استهلاك طاقة مرتفع، تسجل طريقة التقييم أن النتيجة اقتربت من الهدف. وإذا أدى الفعل إلى تغير حاد أو خرجت الرطوبة عن النطاق، تنخفض الدرجة الحسابية. لكن يجب أن تظل هناك قواعد لا تخضع للتجربة، مثل:

• عدم تشغيل المعدات إذا كان غطاء الصيانة مفتوحًا.
• عدم الاستمرار عند تعارض المستشعرات الحرجة.
• عدم تجاوز حدود تشغيل المحركات.
• الانتقال إلى وضع آمن عند فقد الاتصال.
• السماح للعامل بالإيقاف الفوري.

وبذلك يتعلم النظام داخل مساحة مسموحة، ولا يملك حرية إعادة تعريف السلامة من خلال التجربة. أسئلة عملية قبل قبول نظام قائم على التعلّم المعزز يمكن للمزارع أو المشتري أو المشغل أن يسأل:

• ما القرارات المتتابعة التي يتعلم النظام اتخاذها؟
• ما المعلومات التي تصف الحالة الحالية؟
• ماذا يحدث إذا كان مستشعر مهم معطلًا أو متأخرًا؟
• ما الأفعال التي يسمح للنظام بتنفيذها؟
• كيف حُسبت الدرجة التي توجه التعلم؟
• ما الجوانب التي لم تدخل في هذه الدرجة؟
• ما الحدود التي لا يستطيع النظام تجاوزها؟
• أين جرى التدريب: في محاكاة أم في تشغيل فعلي؟
• كيف عولج الفرق بين المحاكاة والمزرعة؟
• هل بدأ النظام في وضع اقتراح ومراقبة قبل التنفيذ؟
• ما الذي يحدث عندما يواجه حالة لم يرها من قبل؟
• هل توجد وسيلة إيقاف محلية ومستقلة عن التطبيق؟
• من يملك سلطة الموافقة والتجاوز والعودة إلى الوضع اليدوي؟
• هل التعلّم المعزز ضروري فعلًا، أم توجد طريقة أبسط وأكثر وضوحًا؟

للقارئ المتعمق: تقييم نظام التعلّم المعزز لا يقتصر على متوسط الدرجة التي حققها أثناء التدريب. يجب فحص السلوك في الحالات النادرة، واستقرار الأداء، وحساسيته لتعريف الهدف، وقدرته على العمل تحت بيانات ناقصة، واحترام القيود، والفرق بين المحاكاة والواقع، وسلامة الانتقال من الاقتراح إلى التنفيذ. الخلاصة التعلّم المعزز ليس طريقة تمنح الآلة حرية التجربة داخل الحقل. إنه أسلوب لتعلّم اختيار أفعال متتابعة في حدود صممها البشر. وتتوقف قيمته على خمسة أمور:

1. أن تصف المعلومات المتاحة الحالة المهمة فعلًا.
2. أن تمثل الدرجة الحسابية الغرض الزراعي من دون اختزاله في رقم مضلل.
3. أن تبقى السلامة في قواعد مستقلة لا يجوز تجاوزها.
4. أن يكون الانتقال من المحاكاة إلى التشغيل تدريجيًا وقابلًا للتراجع.
5. أن يظل الإنسان صاحب سلطة الإيقاف والاعتماد النهائي.

والقاعدة التي ينبغي أن يحملها القارئ هي: لا يتعلم النظام الهدف الذي نقصده ضمنًا؛ بل يتعلم السلوك الذي تكافئه الأرقام وتسمح به القيود. لذلك يجب اختبار الهدف والحدود قبل اختبار ذكاء الخوارزمية. أما قاعدة السلامة الختامية فيمكن صياغتها بوضوح أكبر هكذا: لا ينبغي أن يكون الحقل أول مكان يكتشف فيه المصمم أن طريقة تقييم النظام ناقصة، أو أن تجربة فعل جديد قد تضر بالمحصول أو الإنسان أو المعدات.

8\. النماذج اللغوية والتوليد والاسترجاع: من السؤال إلى الجواب المسند

يستطيع المزارع أن يسأل المساعد الرقمي بلغته المعتادة بدل أن يبحث داخل قوائم طويلة أو يملأ نموذجًا تقنيًا معقدًا. وقد يسأله عن معنى تنبيه، أو يطلب تلخيص وثيقة، أو ترجمة إرشادات، أو مقارنة سجلين، أو استخراج معلومة محددة من تقرير. هذه السهولة هي إحدى أهم فوائد النماذج اللغوية، لكنها أيضًا مصدر محتمل لسوء الفهم. فالجواب الذي يُكتب بلغة واضحة وواثقة قد يبدو صادرًا عن خبير يعرف الحقل والموقع والمنتج، بينما يكون النظام قد صاغه من أنماط لغوية أو من معلومات ناقصة لا تكفي لاتخاذ القرار. لذلك لا يكفي أن نسأل: هل يستطيع النظام كتابة جواب مفهوم؟ بل يجب أن نسأل أيضًا: من أين جاءت معلومات الجواب؟ وهل تنطبق على هذا المحصول والمكان والوقت والقرار؟ ما الذي تفعله النماذج اللغوية؟ النموذج اللغوي هو نظام تدرب على كميات كبيرة من النصوص ليتعلم العلاقات التي تتكرر بين الكلمات والجمل والأفكار. وعندما يُطلب منه جواب، فإنه يبني النص جزءًا بعد جزء اعتمادًا على السؤال، وتعليمات النظام، وما توفر له من سياق. يمكن أن يستخدم في مهام مثل:

• تلخيص وثيقة طويلة.
• ترجمة محتوى من لغة إلى أخرى.
• تحويل ملاحظات متفرقة إلى تقرير منظم.
• استخراج اسم المحصول أو الموقع أو التاريخ أو الوحدة من سجل.
• شرح مصطلح تقني بلغة أبسط.
• مقارنة عدة وثائق.
• إدارة حوار يتكون من أكثر من سؤال وجواب.
• صياغة جواب بلغة طبيعية يستطيع المستخدم قراءتها.

لكن هذه القدرات لا تعني أن النموذج يملك فهمًا زراعيًا مستقلًا أو ذاكرة محدثة بكل الأنظمة والأسعار والمنتجات. فهو جيد في بناء نص متماسك، وقد يستخدم في ذلك معلومات صحيحة، أو معلومات ناقصة، أو علاقة تبدو معقولة لغويًا لكنها غير ثابتة في المصدر. الطلاقة إذًا خاصية في صياغة الجواب، وليست دليلًا على صحة محتواه. كيف يمكن أن يكون الجواب مقنعًا وغير مسند؟ عندما لا يملك النموذج معلومة كافية، قد لا يترك الفراغ ظاهرًا. فقد يكمل الجملة بصياغة تبدو محتملة استنادًا إلى أنماط تعلمها من نصوص سابقة. قد ينتج عن ذلك:

• رقم لم يرد في المصدر.
• سبب غير مؤكد صيغ كأنه تشخيص.
• جرعة تبدو معقولة لكنها غير مرتبطة بمنتج مسجل.
• اسم منتج لا يصلح للمحصول أو البلد.
• سعر قديم أو يخص سوقًا آخر.
• إحالة تبدو رسمية لكنها لا تؤيد الادعاء.
• ترجمة حذفت قيدًا أو غيرت وحدة أو شددت درجة اليقين.
• جواب عام قُدّم كأنه توصية مخصصة للمزرعة.

ولا يعني ذلك أن النموذج يتعمد الخداع. المشكلة أنه مصمم لإنتاج نص ملائم للسياق اللغوي، وليس لضمان أن كل جملة فيه قد تحققت من مصدر صالح لهذا القرار. القاعدة الأساسية: قدرة النظام على إكمال الجملة لا تعني أن لديه الأدلة اللازمة لإكمال القرار. السؤال الزراعي القصير قد يخفي معلومات كثيرة إذا سأل مزارع: «ظهرت بقع على محصولي، ماذا أستخدم؟» فالجملة تبدو واضحة لغويًا، لكنها غير مكتملة زراعيًا. لا نعرف منها:

• ما المحصول؟
• ما الصنف؟
• ما عمر النبات ومرحلة نموه؟
• أين تقع المزرعة؟
• متى ظهرت الأعراض؟
• هل ظهرت في أوراق حديثة أم قديمة؟
• هل توجد على السطح العلوي أم السفلي؟
• هل تنتشر في الحقل كله أم في بقع محدودة؟
• هل توجد أعراض على الساق أو الجذر أو الثمرة؟
• ما ظروف الطقس والري؟
• هل استُخدمت معاملة سابقة؟
• هل الصورة واضحة وتمثل الحالة؟
• ما المنتجات المسجلة للمحصول والآفة في بلد الاستخدام؟
• هل توجد قيود تتعلق بفترة الأمان قبل الحصاد أو دخول العمال؟

إذا ملأ النظام هذه الفراغات من عنده، فقد يعطي جوابًا مناسبًا لحالة تخيلها، لا للحالة الموجودة في المزرعة. ولهذا ينبغي للنظام المسؤول أن يتوقف عند نقص المعلومات، وأن يطلب ما يحتاج إليه قبل تضييق الاحتمالات. وقد يكون أفضل جواب أولي سؤالًا توضيحيًا، لا توصية. ما الفرق بين التوليد والاسترجاع؟ التوليد هو عملية صياغة جواب جديد بلغة طبيعية. يأخذ النموذج السؤال والسياق المتاح، ثم ينظم منهما نصًا يستطيع المستخدم قراءته. أما الاسترجاع فهو البحث داخل مجموعة من الوثائق أو السجلات عن أجزاء يُحتمل أن تكون مرتبطة بالسؤال. فإذا سأل المستخدم عن فترة الأمان لمنتج محدد، قد يبحث النظام في:

• بطاقة الاستخدام الرسمية السارية للمنتج.
• سجل تسجيل المنتج.
• وثائق الجهة الرقابية المختصة.
• إرشادات رسمية مرتبطة بالمحصول والآفة.
• إصدار مؤرخ من قاعدة معرفة معتمدة.

الاسترجاع لا يصوغ الجواب النهائي بالضرورة؛ بل يعثر على المادة التي يمكن أن يُبنى منها الجواب. وعندما يجمع النظام بين البحث في المصادر وصياغة جواب اعتمادًا على ما استرجعه، يسمى هذا المسار التوليد المعزز بالاسترجاع، ويختصر عادةً إلى RAG. ماذا يحدث في التوليد المعزز بالاسترجاع؟ يمكن تبسيط المسار في ست مراحل:

1. فهم السؤال: تحديد ما الذي يطلبه المستخدم وما المعلومات الناقصة.
2. تحديد نطاق البحث: اختيار مجموعة المصادر المناسبة للمحصول والموقع والموضوع.
3. العثور على المقاطع المرشحة: البحث عن أجزاء من الوثائق تبدو مرتبطة بالسؤال.
4. فحص الصلاحية: استبعاد الوثائق القديمة أو غير الرسمية أو غير الملائمة للسياق.
5. صياغة الجواب: استخدام المقاطع المقبولة لكتابة جواب مفهوم.
6. إظهار المصدر والحدود: تمكين المستخدم من معرفة أصل المعلومة وما لا يستطيع الجواب إثباته.

هذا المسار قد يقلل الإجابات غير المسندة، لكنه لا يمنعها تلقائيًا. فقد يخطئ النظام في أي مرحلة من المراحل الست. الاسترجاع لا يزرع معرفة دائمة داخل النموذج عندما يسترجع النظام وثيقة وقت السؤال، فإنه يضع جزءًا منها أمام النموذج ليساعده على صياغة الجواب. ولا يعني ذلك أن المعرفة أصبحت جزءًا دائمًا من النموذج، أو أن كل إجاباته اللاحقة ستستخدمها بصورة صحيحة. في سؤال جديد، قد يجري بحث جديد ويُسترجع مقطع مختلف. لذلك تعتمد جودة كل جواب على:

• صياغة السؤال.
• مجموعة المصادر المتاحة.
• طريقة تنظيمها وفهرستها.
• شروط البحث.
• المقاطع التي عُرضت على النموذج.
• التعليمات التي تقيد الصياغة.
• قدرة النظام على الامتناع عندما لا يجد سندًا كافيًا.

وهذا يعني أن تقييم النموذج اللغوي وحده لا يكفي؛ بل يجب تقييم مسار البحث والصياغة والإحالة كاملًا. كيف يمكن أن يخطئ مسار الاسترجاع؟ قد يفشل المسار بعدة صور: 1\. فهم السؤال بصورة خاطئة قد يفسر كلمة محلية على أنها اسم مرض، أو يخلط بين اسم محصول واسم صنف، أو يفهم أن المستخدم يسأل عن العلاج بينما يسأل في الحقيقة عن التعرف الأولي. 2\. البحث في مجموعة غير مناسبة قد يبحث النظام في مقالات عامة بينما يحتاج السؤال إلى وثيقة رسمية محلية، أو يبحث في إرشادات محصول آخر. 3\. استرجاع وثيقة قديمة قد تكون الوثيقة صحيحة عند صدورها، لكن تسجيل المنتج أو القيود أو السعر أو التعليمات تغيرت بعد ذلك. 4\. استرجاع مصدر صحيح لسياق مختلف قد تكون التوصية صحيحة لدولة أخرى، أو صنف آخر، أو مرحلة نمو أخرى، أو نظام إنتاج مختلف. 5\. اختيار مقطع يشترك في الكلمات لا في المعنى قد يحتوي المقطع على اسم المرض والمحصول، لكنه يناقش الوقاية لا المعالجة، أو يتحدث عن تجربة بحثية لا عن تعليمات تشغيل. 6\. تجاوز المصدر أثناء الصياغة قد يذكر المصدر ملاحظة عامة، ثم يحولها النموذج إلى توصية محددة لم ترد فيه. 7\. وضع إحالة صحيحة بعد جملة لا يؤيدها المصدر وجود اسم المصدر أو رابطه لا يكفي. يجب أن يكون الادعاء نفسه موجودًا في المصدر، وبدرجة اليقين والحدود نفسها. إذًا قد يكون المصدر موثوقًا، والاسترجاع ناجحًا من الناحية النصية، ثم يبقى الجواب غير صالح للقرار الزراعي. التشابه في الكلمات ليس صلاحيةً للاستخدام لنفترض أن النظام عثر على وثيقة تتحدث عن بقع الأوراق في محصول معين. قد تبدو الوثيقة شديدة الصلة بالسؤال، لكنها قد:

• تخص بلدًا يختلف فيه تسجيل المنتجات.
• تتناول صنفًا أو بيئة مختلفة.
• تكون دراسة مخبرية لا إرشادًا ميدانيًا.
• تصف أعراضًا مشابهة لسبب مختلف.
• تكون قديمة أو استُبدلت بإصدار أحدث.
• تتحدث عن الوقاية بينما يسأل المستخدم عن حالة قائمة.
• تذكر مادة فعالة من دون منتج مسجل محليًا.
• تكون بلغة مترجمة فقدت قيدًا مهمًا.

لذلك لا ينبغي أن يعتمد الاسترجاع على تشابه الكلمات وحده. يجب تضييق البحث باستخدام معلومات مثل:

• المحصول.
• الصنف عند الحاجة.
• الموقع والاختصاص القانوني.
• مرحلة النمو.
• التاريخ.
• نوع الوثيقة.
• الجهة الناشرة.
• حالة الوثيقة: سارية، مؤرشفة، مسودة، أو ملغاة.
• حالة تسجيل المنتج.
• نوع القرار: معلومة عامة، تشخيص، جرعة، أو إجراء منظم.

تسمى هذه الشروط أحيانًا مرشحات البحث. والمقصود بها قواعد تمنع النظام من معاملة كل نص متشابه لغويًا على أنه صالح للسؤال. من الذي يعتمد المصادر؟ عبارة «مصادر معتمدة» لا ينبغي أن تبقى عامة. يجب أن نعرف:

• من اختار المصدر؟
• ما نوع سلطته؟
• هل هو مصدر علمي أم تنظيمي أم تجاري؟
• متى نُشر أو حُدّث؟
• هل ما يزال ساريًا؟
• لأي منطقة ومحصول ونظام إنتاج يصلح؟
• ما الادعاءات التي يستطيع دعمها؟
• ما الذي لا يجوز استنتاجه منه؟

فالمقالة العلمية قد تساعد على فهم ظاهرة أو نتيجة بحثية، لكنها لا تنشئ تسجيلًا قانونيًا لمنتج. وبطاقة الاستخدام الرسمية تحدد شروط منتج مسجل، لكنها لا تثبت وحدها أثرًا اقتصاديًا عامًا. وسعر منشور في سوق رسمي قد يكون صحيحًا لذلك السوق والتاريخ، لكنه لا يساوي بالضرورة ما يتلقاه مزارع في منطقة أخرى بعد النقل والعمولة. إذًا تختلف سلطة المصدر باختلاف السؤال. ثلاث طبقات لا تكفي دائمًا من المفيد أن يفرق الجواب بين ما تقوله المصادر وما استنتجه النظام وما يحتاج إلى قرار بشري. لكن في القرارات الزراعية الحساسة، الأفضل عرض خمس طبقات: 1\. ما فهمه النظام من السؤال مثل: فهمت أنك تسأل عن سبب بقع ظهرت على أوراق محصول معين في مرحلة نمو محددة. يمنح ذلك المستخدم فرصة لتصحيح الفهم قبل بناء الجواب. 2\. ما تقوله المصادر يُعرض الادعاء الذي يدعمه المصدر، مع اسم المصدر وتاريخه ونطاقه. 3\. ما ركبه النظام من عدة معلومات إذا جمع النظام بين أكثر من مصدر أو استنتج علاقة، يجب أن يصرح بأن هذه صياغة أو مقارنة من عنده، لا اقتباس مباشر. 4\. ما يزال غير معلوم مثل نقص صورة واضحة، أو غياب اختبار، أو عدم معرفة البلد، أو عدم التحقق من صلاحية الوثيقة. 5\. ما يحتاج إلى قرار بشري أو سلطة مختصة مثل التشخيص النهائي، أو اختيار مادة منظمة، أو اعتماد الجرعة، أو تنفيذ تدخل قد يضر بالمحصول أو الإنسان. بهذا لا تختلط المعلومة المسندة بالاستنتاج الآلي أو بالقرار المهني. الإحالة ليست زينة ينبغي أن يستطيع المستخدم فحص الإحالة ومعرفة علاقتها بالجواب. الإحالة الجيدة توضح:

• اسم الوثيقة أو الجهة.
• تاريخ الإصدار أو آخر تحديث.
• الجزء الذي استُخدم.
• نطاق الوثيقة.
• ما إذا كانت رسمية أو علمية أو تجارية.
• ما إذا كان النظام نقل النص أم لخصه أم جمعه مع مصدر آخر.

أما وضع رابط عام بعد فقرة طويلة فلا يبين أي جملة يؤيدها المصدر. وقد يمنح الجواب مظهرًا موثقًا من دون أن يستطيع القارئ تتبع الادعاء. القاعدة: لا يكفي أن يكون المصدر موجودًا؛ يجب أن يكون صالحًا للسؤال، وأن يؤيد الجملة، وأن تبقى حدود الجملة داخل حدود المصدر. ماذا يفعل النظام عندما لا يجد سندًا كافيًا؟ الامتناع ليس فشلًا في الحوار. يمكن للنظام أن يواصل مساعدة المستخدم من دون اختراع جواب. قد يقول:

• لا أجد مصدرًا ساريًا لهذا المنتج في البلد المحدد.
• الوثيقة المتاحة قديمة ولا تكفي لاعتماد الجرعة.
• الصورة لا تسمح بالتمييز بين الأسباب المحتملة.
• السؤال يحتاج إلى اسم المحصول ومرحلة النمو والموقع.
• توجد معلومات عامة، لكنها لا تكفي لتوصية علاجية.
• يلزم فحص مختص أو اختبار قبل اختيار التدخل.

ثم يقدم خطوة تالية آمنة:

• اطلب صورة إضافية.
• حدد الموقع.
• اذكر اسم المنتج كما هو مكتوب على العبوة.
• تحقق من حالة التسجيل.
• راجع بطاقة الاستخدام الرسمية السارية.
• اتصل بجهة الإرشاد أو المختص المؤهل.

بهذا يتحول الامتناع من نهاية مسدودة إلى مسار واضح لاستكمال الأدلة. مثال على مسار غير مسؤول يسأل المستخدم: «ظهرت بقع على محصولي، ماذا أستخدم؟» فيجيب النظام مباشرة: «استخدم المنتج س بجرعة كذا. » هذا الجواب غير مسؤول؛ لأنه انتقل من وصف عام إلى مادة وجرعة من دون معرفة:

• المحصول.
• البلد.
• التشخيص.
• مرحلة النمو.
• حالة التسجيل.
• بطاقة الاستخدام الرسمية.
• فترة الأمان.
• وجود أسباب أخرى للأعراض.
• قدرة المستخدم على تنفيذ المعاملة بأمان.

وقد تكون العبارة سليمة لغويًا، لكنها لا تملك أساس القرار. مثال على جواب مسؤول يمكن أن يكون الجواب: «لا تكفي المعلومات الحالية لتحديد سبب البقع أو اختيار معالجة. فقد تتشابه هذه الأعراض بين مرض، أو نقص غذائي، أو إجهاد مائي، أو ضرر مرتبط بالطقس. اذكر اسم المحصول والصنف إن عُرف، والبلد أو المنطقة، ومرحلة النمو، ومكان ظهور الأعراض على النبات، وأرسل صورة واضحة للسطحين العلوي والسفلي للورقة وصورة تبين انتشار الحالة في الحقل. يمكنني بعد ذلك مقارنة الأعراض بمصادر مناسبة وبيان الاحتمالات والمعلومات الناقصة، لكن تحديد منتج أو جرعة يتطلب التحقق من التشخيص، ومن تسجيل المنتج للمحصول والآفة في بلد الاستخدام، ومن بطاقة الاستخدام الرسمية السارية، وقد يحتاج إلى مراجعة مختص.» هذا الجواب لا يكتفي بالامتناع؛ بل:

• يشرح سبب عدم كفاية المعلومات.
• يبين أن أكثر من تفسير ممكن.
• يطلب بيانات محددة.
• يوضح ما يستطيع النظام فعله.
• يحدد ما يحتاج إلى مصدر رسمي أو مختص.
• يمنع انتقال الطلاقة اللغوية إلى سلطة علاجية غير مستحقة.

مثال آخر: سؤال عن السعر إذا سأل مزارع: «كم سعر محصولي اليوم؟» فلا يكفي أن يسترجع النظام رقمًا يحتوي اسم المحصول. يجب أن يعرف:

• الدولة والمنطقة والسوق.
• تاريخ السعر وساعته عند الحاجة.
• العملة.
• وحدة البيع.
• الصنف.
• درجة الجودة.
• هل السعر جملة أم تجزئة أم سعر باب المزرعة؟
• هل يشمل النقل أو العمولة؟
• ما الجهة التي نشرته؟

والجواب المسؤول لا يقول: «السعر هو كذا. » بل يقول مثلًا: «وجدت سعرًا منشورًا في السوق المحدد بتاريخ كذا، للوحدة والدرجة المذكورتين. قد يختلف السعر الذي يتلقاه المزارع بحسب الجودة والنقل والعمولة، ولم أتحقق من صفقة محلية في مزرعتك.» هذا يوضح أن الاسترجاع أعاد معلومة سوقية محددة، لا «السعر الحقيقي» في كل مكان. الترجمة نفسها تحتاج إلى حوكمة قد يستخدم النموذج اللغوي لترجمة بطاقة منتج أو إرشاد زراعي. لكن الترجمة السلسة قد تخفي خطأً في:

• وحدة القياس.
• النفي.
• فترة الانتظار.
• اسم الآفة.
• المحصول المسجل.
• درجة الإلزام.
• التحذير.
• الاختصاص القانوني.

لذلك لا ينبغي أن تتحول ترجمة آلية لوثيقة سلامة إلى سلطة بديلة عن النص الرسمي. ويمكن للنظام أن يساعد على الفهم، لكن يجب إبقاء المرجع الأصلي، وإظهار مصدره وإصداره، ومراجعة المصطلحات الحساسة قبل التنفيذ. كيف نقيم النظام؟ لا يكفي تقييم جودة الأسلوب أو رضا المستخدم. يجب اختبار كل حلقة في المسار: فهم السؤال

• هل تعرف النظام إلى المحصول والموقع والمقصود؟
• هل طلب المعلومات الناقصة؟

الاسترجاع

• هل وجد المصدر المناسب؟
• هل استبعد المصدر القديم أو غير المحلي؟
• هل أعاد الجزء الذي يجيب عن السؤال؟

الصياغة

• هل التزم الجواب بما ورد في المصدر؟
• هل أضاف ادعاءً غير مسند؟
• هل حافظ على القيود وعدم اليقين؟

الإحالة

• هل يستطيع القارئ الوصول إلى المصدر؟
• هل يؤيد المصدر الجملة فعلًا؟
• هل يظهر تاريخ الوثيقة وحالتها؟

السلامة

• هل امتنع النظام عن الجرعة أو التشخيص عند نقص الأدلة؟
• هل وضح متى يجب الرجوع إلى مختص أو جهة رقابية؟
• هل منع تحويل معلومة عامة إلى أمر تنفيذي؟

التطبيق الزراعي

• هل الجواب صالح للمحصول والموقع والوقت؟
• هل يستطيع المستخدم فهمه وتنفيذه؟
• هل بقيت المسؤولية البشرية واضحة؟

قد ينجح النظام في العثور على وثيقة صحيحة، ثم يفشل في تفسيرها. وقد يصوغ جوابًا أمينًا لمقطع غير مناسب. وقد يعطي إحالة حقيقية لجملة لا يدعمها المصدر. لذلك يجب تقييم المسار كاملًا، لا النموذج منفردًا. للقارئ المتعمق: يقلل الاسترجاع اعتماد النموذج على ما تعلمه سابقًا، لكنه ينقل جزءًا من الخطر إلى جودة الفهرس، وفهم السؤال، وترتيب النتائج، وصلاحية الوثائق، وانضباط التوليد. لهذا لا يُقاس نجاح المسار بوجود مصدر في الجواب، بل بصحة العلاقة بين السؤال والمصدر والادعاء والسياق والقرار. دور الفصل السابع يمكن الإبقاء على الإحالة إلى الفصل السابع، لكن الأفضل أن توضح ما سيضيفه: سيعالج الفصل السابع بتفصيل أكبر كيفية بناء أنظمة دعم القرار واسترجاع المعرفة، وتنظيم المصادر، وتقييد البحث بالسياق، وإظهار الإحالات، ومنع انتقال النص المسترجع إلى توصية تتجاوز سلطته. بهذا تصبح الإحالة ذات وظيفة واضحة، لا مجرد وعد بمعلومات لاحقة. الخلاصة النموذج اللغوي يستطيع أن يجعل الوصول إلى المعرفة أسهل؛ فهو يحول السؤال اليومي إلى بحث، ويجمع المقاطع، ويلخصها، ويصوغ جوابًا مفهومًا. لكن سهولة اللغة لا تختصر الطريق العلمي والتنظيمي بين السؤال والقرار. فالنظام المسؤول يجب أن يعرف:

• ما الذي فهمه من السؤال.
• ما المعلومات التي تنقصه.
• أين بحث.
• لماذا اختار المصدر.
• هل المصدر ساري وصالح للسياق.
• ما الذي نقله من المصدر.
• ما الذي استنتجه.
• أين ينتهي دوره.
• ومتى يجب أن يمتنع أو يصعّد القرار إلى إنسان.

ويمكن تلخيص رسالة القسم في العبارة الآتية: النموذج اللغوي يستطيع أن يكون بابًا إلى المعرفة، لكنه لا يصبح مصدرًا لمجرد أنه يتحدث بطلاقة، ولا يصبح صاحب قرار لمجرد أنه وجد نصًا قريبًا من السؤال. أما العبارة الختامية المقترحة فهي: الجواب الجدير بالثقة لا يكتفي بأن يبدو صحيحًا؛ بل يكشف مصدره، وحدود انطباقه، وما ينقصه، ومن يملك تحويله إلى فعل.

9\. الذكاء القابل للتفسير

عندما يصدر النظام نتيجة، يظهر سؤال طبيعي: لماذا أعطى هذه النتيجة؟ قد يتوقع النموذج انخفاض الغلة، أو يرفع درجة الاشتباه في مرض، أو يصدر تنبيهًا عن إجهاد مائي، أو يصنف ثمرة ضمن درجة جودة معينة. لكن النتيجة وحدها لا تخبر المستخدم ما المعلومات التي اعتمد عليها النظام، ولا ما إذا كانت هذه المعلومات كاملة أو موثوقة. تحاول أدوات الذكاء القابل للتفسير مساعدة المستخدم على فهم العلاقة بين البيانات التي دخلت إلى النموذج والنتيجة التي أصدرها. وقد تبين، مثلًا:

• أن انخفاض رطوبة التربة كان من العوامل المرتبطة بارتفاع تقدير خطر الإجهاد.
• أن درجة الحرارة المتوقعة أثرت في تقدير احتياج الري.
• أن الصنف ومرحلة النمو ظهرا ضمن العوامل المرتبطة بتوقع الغلة.
• أن جزءًا معينًا من صورة الورقة ارتبط بتصنيفها بوصفها مشتبهًا فيها.
• أن غياب قراءة مستشعر أو تغيرها أثر في ثقة النظام.
• أن النتيجة كانت قريبة من الحد الذي يفصل بين فئتين.

لكن هذه الأدوات لا تجيب عن كل معاني كلمة «لماذا». فهي تشرح عادةً لماذا أصدر النموذج هذه النتيجة وفق حساباته، ولا تثبت بالضرورة لماذا حدثت الظاهرة في الحقل. ثلاثة أسئلة مختلفة تختبئ داخل كلمة «لماذا» عندما يسأل المستخدم «لماذا؟»، فقد يقصد واحدًا من ثلاثة أسئلة: 1\. لماذا أصدر النموذج هذه النتيجة؟ هذا سؤال عن سلوك النموذج. قد تكون الإجابة: رفع النموذج تقدير الخطر لأن قراءة الرطوبة انخفضت، والحرارة المتوقعة ارتفعت، ولم تصل قراءة حديثة من أحد المستشعرات. هذه الإجابة تبين المعلومات التي استخدمها النموذج. 2\. لماذا حدثت الظاهرة الزراعية؟ هذا سؤال عن الواقع الزراعي. قد تكون الإجابة المحتملة: ربما انخفضت الرطوبة بسبب ارتفاع الطلب المائي، أو ضعف وصول الري إلى القطاع، أو مشكلة في التربة، أو خطأ في المستشعر. لا تستطيع أداة تفسير النموذج وحدها تحديد أي سبب من هذه الأسباب هو الصحيح. فكون النموذج استخدم قراءة الرطوبة لا يثبت سبب انخفاضها، ولا يثبت أن النبات يعاني إجهادًا فعليًا. 3\. لماذا ينبغي أن ننفذ هذا الإجراء؟ هذا سؤال عن القرار. حتى لو كان تنبيه النموذج معقولًا، لا ينتج منه تلقائيًا أن الإجراء الصحيح هو زيادة الري. فقد يكون المستشعر معطلًا، أو توجد أمطار متوقعة، أو تكون المشكلة في وصول الماء إلى جزء محدود، أو تكون مرحلة المحصول مختلفة عما افترضه النظام. إذًا يجب الفصل بين: تفسير نتيجة النموذج ← تفسير الحالة الزراعية ← تبرير الفعل والانتقال من مستوى إلى المستوى التالي يحتاج إلى بيانات ودليل إضافيين. لمن يُقدَّم التفسير؟ ليس هناك تفسير واحد يصلح لجميع المستخدمين. فكل طرف يحتاج إلى مستوى مختلف. المطور يريد أن يعرف:

• هل اعتمد النموذج على بيانات صحيحة؟
• هل تعلم اختصارًا خاطئًا؟
• هل ركز على خلفية الصورة بدل النبات؟
• هل تغير سلوكه بعد تحديث البيانات؟
• هل النتيجة مستقرة عند تغير بسيط في المدخل؟

المختص الزراعي يريد أن يعرف:

• هل العوامل التي استخدمها النموذج ذات معنى زراعي؟
• هل أغفل متغيرًا مهمًا؟
• هل خلط بين علاقة إحصائية وسبب زراعي؟
• هل النتيجة معقولة في هذا الصنف والموسم والموقع؟
• ما القياس أو الفحص الذي يمكن أن يؤكدها أو ينفيها؟

المزارع أو المشغل يحتاج إلى إجابة عملية:

• ما الذي قاله النظام؟
• ما المعلومات التي بنى عليها النتيجة؟
• هل هذه المعلومات حديثة وموثوقة؟
• ما الذي لا يعرفه النظام؟
• ما الخطوة الآمنة التالية؟

المراجع أو الجهة المسؤولة تحتاج إلى أثر قابل للتدقيق:

• ما إصدار النموذج؟
• ما البيانات المتاحة وقت القرار؟
• ما القواعد أو الحدود التي طُبقت؟
• هل تجاوز الإنسان النتيجة؟ ولماذا؟
• هل كان المصدر أو المستشعر صالحًا في ذلك الوقت؟

الرسم المناسب للباحث أو المطور قد لا يكون مفيدًا للعامل الذي يحتاج إلى اتخاذ إجراء خلال دقائق. لذلك يجب تصميم التفسير بحسب الشخص والقرار، لا بحسب ما تستطيع الأداة رسمه فقط. نوعان من التفسير يمكن التمييز بين مستويين رئيسين: تفسير حالة واحدة يحاول الإجابة عن سؤال: لماذا أعطى النظام هذه النتيجة الآن، لهذه الصورة أو لهذا الحقل؟ قد يبين أن رطوبة التربة ودرجة الحرارة كانتا العاملين الأكثر ارتباطًا بتنبيه معين، أو أن جزءًا من صورة الورقة ارتبط بتصنيفها. هذا التفسير مفيد لمراجعة حالة محددة، لكنه لا يصف بالضرورة سلوك النموذج في جميع الحالات. تفسير السلوك العام للنموذج يحاول الإجابة عن أسئلة مثل:

• ما أنواع المعلومات التي يعتمد عليها النموذج عادةً؟
• هل يزداد توقع الغلة أو ينخفض مع تغير متغير معين؟
• هل يختلف سلوكه بين الأصناف أو المناطق؟
• ما المتغيرات التي تظهر كثيرًا ضمن العوامل المؤثرة؟
• هل يضعف عند غياب نوع معين من البيانات؟

هذا المستوى يساعد على فهم النموذج عبر مجموعة كبيرة من الحالات، لكنه لا يفسر وحده قرارًا فرديًا. قد يعتمد النموذج عمومًا على الطقس والتربة، بينما تكون نتيجة حقل معين قد تأثرت أساسًا بقراءة غير عادية من مستشعر واحد. لذلك لا ينبغي استخدام التفسير العام بدل تفسير الحالة، أو العكس. ما أشكال التفسير الممكنة؟ توجد طرائق متعددة لتقديم التفسير، ولكل منها معنى وحدود. 1\. إظهار العوامل المرتبطة بالنتيجة قد يعرض النظام قائمة مثل:

• انخفاض رطوبة التربة: رفع تقدير الخطر.
• ارتفاع الحرارة المتوقعة: رفع التقدير.
• احتمال المطر: خفض التقدير.
• غياب قراءة حديثة: خفض الثقة.

هذه القائمة توضح كيف تعامل النموذج مع المعلومات، لكنها لا تثبت أن هذه العوامل سببت الحالة الزراعية. 2\. إبراز جزء من الصورة قد تلوّن أداة التفسير أجزاء من صورة الورقة لتبين المناطق التي ارتبطت أكثر بالنتيجة. هذا قد يساعد على اكتشاف أن النموذج ركز على:

• البقعة المقصودة.
• حافة الورقة.
• خلفية الصورة.
• بطاقة موضوعة بجانب النبات.
• ظل أو انعكاس لا علاقة له بالحالة.

لكن المنطقة الملونة لا تعني أن النموذج «رأى المرض» كما يراه المختص، ولا تثبت أن الجزء المبرز هو سبب التصنيف. إنها إشارة إلى علاقة حسابية داخل النموذج تحتاج إلى تفسير حذر. 3\. مقارنة النتيجة بحالة مشابهة قد يقول النظام: هذه الحالة تشبه أمثلة سابقة صُنفت ضمن الفئة نفسها. تساعد المقارنة المستخدم على رؤية أساس التشابه. لكن يجب أن يعرف:

• هل الأمثلة السابقة موثقة؟
• هل جاءت من محصول وصنف وبيئة مماثلة؟
• هل التشابه في الأعراض أم في الخلفية والإضاءة؟
• هل توجد أمثلة مشابهة قادت إلى نتيجة مختلفة؟

4\. بيان ما الذي كان سيغير النتيجة قد تقول الأداة: لو كانت قراءة الرطوبة أعلى ضمن حساب النموذج، لانخفض تقدير الخطر. هذا يوضح حساسية النموذج لتغير المدخل، لكنه لا يثبت أن رفع الرطوبة فعليًا سيمنع الخطر في الحقل. فهو يصف تغير حساب النموذج، لا أثر تدخل زراعي حقيقي. وهنا يظهر مجددًا الفرق بين: ماذا يغير نتيجة النموذج؟ و: ماذا يغير الواقع الزراعي؟ التفسير قد يكون تقريبًا لا كشفًا كاملًا بعض النماذج بسيطة نسبيًا، ويمكن تتبع طريقة حسابها بصورة مباشرة. أما بعض النماذج المعقدة، فتُستخدم معها أداة أخرى بعد صدور النتيجة لمحاولة تقريب أسبابها. في الحالة الثانية، لا يكون التفسير نافذة كاملة تكشف كل ما حدث داخل النموذج. وقد يكون تبسيطًا أو تقريبًا لسلوكه. لذلك ينبغي اختبار التفسير نفسه:

• هل يتغير كثيرًا إذا تغيرت البيانات تغيرًا طفيفًا؟
• هل يعطي تفسيرات متشابهة لنتائج متناقضة؟
• هل يعكس فعلًا ما استخدمه النموذج؟
• هل يستطيع تمييز العامل المهم من عامل يرتبط به فقط؟
• هل ظل التفسير مستقرًا بعد تحديث النموذج؟

فإذا تغيرت قائمة «أهم العوامل» جذريًا عند تغير بسيط لا يغير النتيجة، فقد يكون التفسير غير مستقر، حتى لو بدا الرسم مقنعًا. العوامل المرتبطة بعضها ببعض قد توجد في البيانات متغيرات تتحرك معًا، مثل:

• درجة الحرارة والتبخر.
• الموسم وطول النهار.
• نوع التربة والصرف.
• حجم المزرعة ونوع المعدات.
• الخبرة وجودة التسجيل.

عندما ترتبط المتغيرات بقوة، قد توزع أداة التفسير الأهمية بينها بطرائق مختلفة. وقد يظهر أحدها في المقدمة مع أن الآخر يحمل معلومات مشابهة. لذلك لا ينبغي قراءة ترتيب العوامل كأنه ترتيب ثابت للأسباب الزراعية. وقد يحتاج المختص إلى فحص العلاقات بينها، وما إذا كان النموذج يستخدم إحداها بديلًا عن الأخرى. الحدود الأساسية للتفسير للتفسير حدود يجب أن تبقى ظاهرة:

• يصف ما استخدمه النموذج، ولا يثبت بالضرورة ما سبب الظاهرة في الحقل.
• قد يكون تقريبًا لسلوك النموذج، لا وصفًا كاملًا لطريقة حسابه.
• لا يحول النموذج الخاطئ إلى نموذج صحيح.
• لا يعوض نقص البيانات أو فساد القياس.
• لا يثبت أن بيانات التدريب تمثل المزرعة الجديدة.
• لا يثبت أن الاحتمالات منضبطة أو أن النتيجة دقيقة.
• لا يبرر تلقائيًا الإجراء المقترح.
• قد يبدو مقنعًا حتى عندما تكون الحالة خارج نطاق ما تعلمه النموذج.
• قد يتغير عند استخدام أداة تفسير أخرى.
• قد يخفي عدم الاستقرار خلف رسم واضح وجذاب.

التفسير إذًا أداة للفحص والمساءلة، وليس شهادة اعتماد. التفسير لا يصلح خطأ البيانات لنفترض أن مستشعر رطوبة التربة لم يرسل قراءة حديثة، فاستخدم النظام آخر قراءة محفوظة من ست ساعات مضت. قد تشرح أداة التفسير أن الرطوبة كانت عاملًا مهمًا في النتيجة، لكنها لا تجعل القراءة القديمة حديثة. وبالمثل، إذا كانت صور التدريب لا تمثل صنفًا أو منطقة معينة، فقد يفسر النظام نتيجة الصورة الجديدة، لكن التفسير لا يثبت أن النموذج صالح لهذه البيئة. يجب أن يعرض التفسير جودة البيانات إلى جانب أثرها، مثل:

• وقت آخر قراءة.
• وجود قيم مفقودة.
• حالة معايرة المستشعر.
• مصدر البيانات.
• مدى تشابه الحالة مع بيانات التدريب.
• ما إذا كانت النتيجة داخل النطاق الذي اختُبر فيه النموذج.

فالعامل المؤثر لا يكون مفيدًا إذا كانت قيمته نفسها غير موثوقة. التفسير لا يثبت السببية إذا أظهر النظام أن الرطوبة كانت عاملًا مؤثرًا في توقع الغلة، فهذا يعني أن النموذج استخدم معلومات الرطوبة عند حساب النتيجة. لكنه لا يثبت أن تغيير الرطوبة وحدها سيغير الغلة بالمقدار نفسه. قد ترتبط الرطوبة بعوامل أخرى، مثل:

• نوع التربة.
• نظام الري.
• الطقس.
• مرحلة النمو.
• إدارة الحقل.
• الصنف.

ولمعرفة أثر تدخل معين نحتاج إلى تجربة أو تصميم سببي ومعرفة زراعية مناسبة، كما أوضح القسم السابق. قاعدة فاصلة: تفسير النموذج يخبرنا كيف تغير حسابه، لا كيف سيتغير الحقل حتمًا إذا غيّرنا أحد المدخلات. حدود الاستدلال من دراسة التنبؤ بالغلة تقدم دراسة التنبؤ بالغلة [SRC006] مثالًا على استخدام نماذج انحدار مع أدوات تساعد على تفسير نتائجها ضمن إعداد بحثي محدد. يمكن استخدام الدراسة لفهم:

• نوع البيانات التي أدخلت إلى النماذج.
• طريقة التنبؤ المستخدمة في الدراسة.
• كيفية تطبيق أدوات التفسير في ذلك الإعداد.
• النتائج التي أبلغ عنها الباحثون داخل بياناتهم وتصميمهم.

لكن لا يجوز تحويل ترتيب المتغيرات أو أهميتها في الدراسة إلى قاعدة سببية عامة لكل مزرعة. فإذا ظهر متغير معين بوصفه مؤثرًا في تنبؤ النموذج، فهذا لا يثبت:

• أنه السبب الأكبر للغلة في جميع البيئات.
• أن تغيير هذا المتغير سيحقق الأثر نفسه في حقل آخر.
• أن ترتيب العوامل سيبقى ثابتًا في صنف أو موسم آخر.
• أن النموذج صالح لاتخاذ توصية تدخلية مباشرة.
• أن النتيجة الحسابية تعني أثرًا اقتصاديًا أو ميدانيًا عامًا.

الاستنتاج المسموح يبقى داخل حدود الدراسة وإعداد التقييم الذي استخدمته. ما الذي يحتاجه المزارع من التفسير؟ التفسير المفيد للمزارع لا يبدأ برسم تقني أو قائمة طويلة من المتغيرات. بل يجيب عن ستة أسئلة:

1. ما النتيجة؟

ماذا قال النظام بالضبط؟

2. على أي معلومات اعتمد؟

ما القراءات أو الصور أو السجلات التي أثرت في النتيجة؟

3. ما حالة هذه المعلومات؟

هل هي حديثة وكاملة ومعايرة، أم توجد قراءة قديمة أو مفقودة؟

4. ما درجة عدم اليقين؟

هل النتيجة واضحة، أم قريبة من الحد، أم خارج نطاق خبرة النموذج؟

5. ما الذي لا يثبته التفسير؟

هل النتيجة تنبيه أولي، أم تشخيص، أم مجرد توقع؟

6. ما الخطوة التالية الآمنة؟

ما القياس أو الفحص أو المراجعة المطلوبة قبل تغيير القرار؟

بهذا يصبح التفسير أداة عمل، لا عرضًا تقنيًا منفصلًا عن القرار. إعادة صياغة المثال بدلًا من القول: «ارتفع خطر الإجهاد المائي لأن رطوبة الطبقة السطحية انخفضت خلال ثلاثة أيام وارتفعت الحرارة المتوقعة...» وهي صياغة قد تُفهم كإثبات سببي، يمكن القول: «رفع النظام تقديره لاحتمال الإجهاد المائي لأن قراءة رطوبة الطبقة السطحية انخفضت خلال الأيام الثلاثة الماضية، ولأن توقعات الحرارة ارتفعت. لكن مستشعر القطاع 4 لم يرسل قراءة جديدة منذ ست ساعات، ولذلك قد يكون التقدير مبنيًا على بيانات غير مكتملة. قبل تعديل جدول الري، افحص المستشعر، وخذ قياسًا مستقلًا من القطاع، وقارن النتيجة بقطاع مجاور ذي ظروف مشابهة.» هذه الصياغة توضح:

• أن الحديث عن تقدير النموذج لا عن سبب مؤكد.
• ما البيانات التي أثرت في التقدير.
• أن إحدى البيانات ناقصة.
• كيف يؤثر النقص في الثقة.
• ما الخطوة التالية.
• أن تعديل الري لم يتحول إلى أمر آلي.

مثال من صورة ورقة يمكن أن يقول النظام: «صنف النموذج الصورة ضمن الحالات المشتبه فيها، وارتبطت النتيجة أساسًا بالبقع الموجودة قرب حافة الورقة. لكن الصورة لا تظهر السطح السفلي، كما أن النموذج لم يميز بثقة بين مرض محتمل ونقص غذائي. أرسل صورة أوضح للسطحين، واذكر موضع الأعراض على النبات وانتشارها في الحقل قبل الانتقال إلى تشخيص أو معالجة.» هذا التفسير أفضل من خريطة ملونة وحدها؛ لأنه يبين:

• أين ركز النموذج.
• ما الاحتمالات المتداخلة.
• ما المعلومات الناقصة.
• ما الخطوة التالية.
• أن التصنيف ليس تشخيصًا نهائيًا.

مثال من توقع الغلة يمكن أن يقول النظام: «جاء توقع الغلة أقل من المتوسط التاريخي لهذا الحقل. أكثر البيانات ارتباطًا بانخفاض التوقع داخل النموذج هي تأخر موعد الزراعة، وانخفاض رطوبة التربة في فترة محددة، وارتفاع درجات الحرارة المتوقعة. لكن السجل لا يحتوي معلومات مكتملة عن المعاملة الأخيرة، كما أن النموذج لم يُختبر في هذا الحقل خلال موسم شديد الحرارة. لذلك ينبغي التعامل مع النتيجة بوصفها سيناريو تخطيط، لا قيمة مضمونة.» هذه الصياغة تمنع تحويل التفسير إلى:

• سبب مؤكد.
• وعد بغلة.
• توصية تدخلية.
• تعميم خارج نطاق الاختبار.

متى يكون التفسير غير كافٍ؟ ينبغي ألا يُعتمد على التفسير وحده عندما:

• تكون البيانات الحرجة مفقودة أو قديمة.
• تكون الحالة خارج المحاصيل أو الأصناف التي اختُبر عليها النموذج.
• تكون النتيجة قريبة من حد القرار.
• تتعارض عدة مستشعرات.
• يكون الخطأ المحتمل متعلقًا بسلامة الإنسان أو الحيوان.
• يؤدي القرار إلى جرعة أو مادة منظمة.
• يتحكم النظام في آلة متحركة.
• لا يستطيع المستخدم فحص التفسير أو مصدره.
• يتغير التفسير جذريًا مع تغير طفيف في البيانات.
• توجد فجوة بين ما يفسره النموذج وما يحتاج القرار إلى إثباته.

في هذه الحالات يجب أن يؤدي التفسير إلى فحص أو تصعيد، لا إلى ثقة إضافية فقط. أسئلة عملية لتقييم التفسير يمكن للقارئ أو المشتري أن يسأل:

• هل يفسر النظام نتيجة حالة واحدة أم سلوكه العام؟
• هل يوضح البيانات التي اعتمد عليها وتاريخها؟
• هل يعرض البيانات المفقودة أو غير الموثوقة؟
• هل التفسير وصف مباشر للنموذج أم تقريب تنتجه أداة أخرى؟
• هل يتغير التفسير عند تغير بسيط في المدخل؟
• هل فحص المطور احتمال اعتماد النموذج على الخلفية أو الجهاز؟
• هل يميز النظام بين الارتباط والسببية؟
• هل يوضح نطاق المحاصيل والمواقع والمواسم التي اختُبر فيها؟
• هل يستطيع المستخدم فهم التفسير من دون خبرة برمجية؟
• هل يقود التفسير إلى خطوة آمنة وقابلة للتنفيذ؟
• هل يستطيع الإنسان الاعتراض على النتيجة أو تجاوزها؟
• هل حُفظت البيانات والنسخة التي صدر عنها التفسير للمراجعة اللاحقة؟

للقارئ المتعمق: ينبغي تقييم التفسير من حيث صدقه في تمثيل سلوك النموذج، واستقراره عند التغيرات الصغيرة، وقابليته للفهم، وملاءمته للمستخدم والقرار. وقد يكون النموذج الأبسط والأوضح أفضل في قرار حساس من نموذج أعلى قليلًا في مقياس مختبري يحتاج إلى تفسير تقريبي غير مستقر. الخلاصة الذكاء القابل للتفسير لا يجعل النموذج واعيًا بأسبابه، ولا يحول العلاقة الإحصائية إلى سبب زراعي، ولا يمنح القرار شرعية تلقائية. وظيفته الأفضل هي أن يساعدنا على السؤال:

• ما المعلومات التي استخدمها النموذج؟
• هل كانت هذه المعلومات صحيحة وحديثة؟
• هل ركز على الشيء المقصود؟
• ما الذي لم يدخل في حسابه؟
• ما حدود ثقته؟
• وما الذي ينبغي التحقق منه قبل الفعل؟

ويمكن تلخيص رسالة القسم في العبارة الآتية: التفسير الجيد لا يقول فقط لماذا خرج الرقم؛ بل يكشف البيانات التي صنعته، والحدود التي تقيده، والخطوة التي تمنع تحويله إلى قرار أعمى.

10\. النظام الزراعي الذكي منظومة متكاملة، لا نموذجًا منفردًا

عندما يقال إن مزرعة ما تستخدم «نموذجًا ذكيًا للري» أو «نظامًا ذكيًا لاكتشاف الأمراض»، قد يتخيل القارئ أن برنامجًا واحدًا يستقبل البيانات ثم يصدر القرار. لكن الأنظمة الزراعية النافعة لا تعمل بهذه الصورة المبسطة في الغالب. فهي أشبه بسلسلة مترابطة: تبدأ بقياس ما يحدث في الحقل، وتمر بفحص البيانات وتحليلها ومقارنتها بالقيود الزراعية، ثم تنتهي بعرض توصية على الإنسان أو بتنفيذ فعل آلي ضمن حدود محددة. ولهذا يوصف النظام بأنه هجين؛ أي إنه لا يعتمد على نوع واحد من الذكاء الاصطناعي، ولا يترك القرار لنموذج منفرد، بل يجمع بين المستشعرات، والنماذج المتعلمة من البيانات، والقواعد التي وضعها الخبراء، وبرامج اختيار البدائل، والمعدات، والإنسان المسؤول عن القرار. وقد تتكون هذه المنظومة من الطبقات الآتية:

1. جمع المعلومات:

تبدأ السلسلة بمستشعر يقيس رطوبة التربة أو درجة الحرارة، أو بصورة ملتقطة من هاتف أو طائرة مسيّرة، أو بسجل يدوّن فيه العامل ما جرى في الحقل. وهذه الطبقة لا تقدم قرارًا؛ بل تنقل وصفًا جزئيًا للواقع، قد يكون دقيقًا أو ناقصًا أو متأثرًا بعطل في الجهاز أو بطريقة القياس.

2. فحص جودة البيانات:

قبل أن يستخدم النظام القراءة، يتحقق من معقوليتها. فإذا أبلغ مستشعر الرطوبة عن قفزة مفاجئة لا تتفق مع المطر أو الري، أو توقف جهاز عن الإرسال، أو وردت بعض القراءات بوحدة مختلفة، فينبغي ألا تمر هذه القيم إلى بقية النظام كأنها حقائق موثوقة. قد يستبعدها النظام، أو يخفض درجة الثقة فيها، أو يطلب فحص الجهاز.

3. تكوين تقدير أو توقع:

يستخدم نموذج تحليلي البيانات المتاحة لتقدير حالة لا يمكن قياسها مباشرة، أو لتوقع ما قد يحدث لاحقًا. فقد يقدّر احتمال إصابة نبات من صورة، أو يتوقع تغير رطوبة التربة خلال الساعات المقبلة، أو يرجح حجم الطلب على الماء في اليوم التالي. وهذا المخرج يظل تقديرًا تحكمه جودة البيانات وحدود ما تعلّمه النموذج.

4. تطبيق القواعد الزراعية والتنظيمية:

لا تتحول كل نتيجة متوقعة إلى توصية تلقائية. فقد توجد قاعدة تمنع الري عند تجاوز سرعة الرياح حدًا معينًا، أو تمنع اقتراح مادة غير مسجلة للمحصول أو المنطقة، أو تشترط إحالة الحالة إلى مختص عندما يكون التشخيص غير محسوم. هذه القواعد لا تتعلم بالضرورة من البيانات؛ بل تُوضع لحماية المحصول والعامل والبيئة والالتزام بالتعليمات الرسمية.

5. المفاضلة بين البدائل المتاحة:

إذا وجدت عدة خطط ممكنة، يستخدم النظام أداة حسابية تقارن بينها وتختار الخطة الأنسب ضمن القيود. فقد تحاول، مثلًا، توزيع كمية محدودة من المياه بين قطاعات متعددة مع مراعاة احتياجات المحاصيل، وقدرة المضخة، وساعات التشغيل، وتكلفة الطاقة. ولا يعني «الأنسب» هنا وجود حل مثالي مطلق؛ بل أفضل حل وفق الهدف والقيود التي أُدخلت إلى النظام.

6. عرض النتيجة وأساسها وحدودها:

ينبغي أن توضح الواجهة للمستخدم ما الذي يقترحه النظام، وما البيانات التي استند إليها، ومدى ثقته، وما القيود أو القراءات الناقصة التي قد تؤثر في النتيجة. فالجدول الذي يقول «شغّل الري ساعتين» أقل فائدة وأمانًا من عرض يوضح القطاع المقصود، وسبب الاقتراح، ووقت القياس، وحالة المستشعرات، وما إذا كانت الخطة تحتاج إلى موافقة.

7. المراجعة أو التنفيذ:

في بعض الأنظمة يراجع المزارع أو المشرف التوصية قبل تنفيذها. وفي أنظمة أخرى قد تُرسل الأوامر إلى المضخات أو الصمامات تلقائيًا، ولكن داخل حدود تشغيل وسلامة مقررة مسبقًا. ويجب أن تظل للإنسان سلطة إيقاف النظام أو تجاوز قراره عندما يلاحظ أمرًا لا تمثله البيانات.

ولننظر إلى مثال الري. قد تبدأ العملية بقراءات رطوبة التربة، وبيانات الطقس، ومرحلة نمو المحصول. يفحص النظام القراءات أولًا ليتأكد من أن المستشعرات تعمل وأن وحدات القياس صحيحة. ثم يستخدم نموذجًا يتتبع تغير الرطوبة عبر الزمن ليتوقع احتياج كل قطاع إلى الماء خلال اليوم التالي. لكن هذا التوقع لا يحدد خطة الري وحده. فقد تضيف القواعد الزراعية حدودًا تمنع زيادة الماء في تربة سيئة الصرف، أو تعطي أولوية لمحصول يمر بمرحلة نمو حساسة. وبعد ذلك يقارن برنامج تخطيط بين البدائل الممكنة، ويوزع قدرة المضخة ووقت التشغيل على القطاعات المختلفة. وقبل التنفيذ، تتحقق طبقة السلامة من عدم وجود تعارض بين المستشعرات، ومن أن ضغط الشبكة وحالة الصمامات يسمحان بالخطة. ثم تعرض النتيجة على المشغل للموافقة، أو تنفذها تلقائيًا إذا كانت ضمن الحدود المسموح بها. في هذا المثال لم يصدر «الذكاء الاصطناعي» القرار بمفرده. النموذج قدّم توقعًا، والقواعد فرضت حدودًا، وأداة التخطيط اختارت بين البدائل، وطبقة السلامة راجعت إمكان التنفيذ، والمشغل بقي مسؤولًا عن القرار النهائي. ولذلك فإن وصف المنظومة كلها بأنها «نموذج ري بالذكاء الاصطناعي» يخفي أجزاء أساسية من عملها، ويجعل من الصعب تحديد موضع الخطأ والمسؤول عنه. وقد يكون النموذج دقيقًا، بينما تفشل المنظومة في مرحلة أخرى. من أمثلة ذلك:

• أن يرسل مستشعر قراءة بوحدة مختلفة عن الوحدة التي يتوقعها النظام.
• أن يعتمد التوقع على بيانات قديمة وصلت بعد فوات وقت القرار.
• أن تُربط نتيجة تخص القطاع الشرقي بصمام القطاع الغربي.
• أن تختار أداة التخطيط خطة صحيحة حسابيًا، لكنها تتجاوز قدرة المضخة الفعلية.
• أن تظهر الواجهة رقمًا من دون بيان وقت القياس أو درجة الثقة فيه.
• أن يرسل النظام أمرًا صحيحًا، لكن الصمام لا ينفذه ولا يعيد إشارة تؤكد حالته.
• أن يُنفذ القرار تلقائيًا من دون منح المشغل وسيلة واضحة لإيقافه.

تصف مراجعة الرقمنة الزراعية مسارًا مترابطًا يبدأ بالاستشعار، ويمر بالبيانات والسياق واتخاذ القرار، وينتهي بالفعل في العالم الحقيقي [SRC035]. وتكمن أهمية هذا التصور في أن جودة كل مرحلة تعتمد على ما وصل إليها من المرحلة السابقة، وأن الخطأ الصغير قد يتضخم أثناء انتقاله عبر السلسلة. فإذا كانت قراءة الرطوبة خاطئة، فقد ينتج عنها توقع خاطئ. وإذا كان التوقع صحيحًا لكنه أُرسل متأخرًا، فقد تصبح الخطة غير مناسبة عند التنفيذ. وإذا كانت الخطة صحيحة لكنها وُجهت إلى الصمام الخطأ، فقد يتضرر قطاع لم يكن يحتاج إلى الماء بينما يبقى القطاع المحتاج بلا ري. ولهذا قد يكون فحص الصلات بين مكونات النظام أهم من تحقيق زيادة طفيفة في دقة الخوارزمية نفسها. للقارئ المتعمق: لا يكفي تقييم النموذج بمعزل عن النظام الذي يعمل داخله. ينبغي تتبع الخطأ من القياس الأول إلى الأثر الحقلي النهائي: ما مقدار الخطأ في المستشعر؟ وكيف عولجت القيم المفقودة؟ وهل وصل التوقع في الوقت المناسب؟ وكيف تحوّل إلى قاعدة قرار؟ وهل راعت أداة التخطيط القيود الحقيقية؟ وهل نُفذ الأمر على المعدة المقصودة؟ وما الأثر الزراعي الذي نتج عنه؟ وقد يبدو نموذج ما أفضل في الاختبارات الحسابية، بينما يكون النظام الذي يستخدم نموذجًا أبسط أكثر موثوقية بسبب جودة بياناته ووضوح قواعده وقوة طبقات السلامة فيه. ولا ينبغي أن تصبح كل طبقة في المنظومة «ذكية» لمجرد أن ذلك ممكن تقنيًا. ففي بعض المواضع تكون القاعدة الثابتة أوضح وأسهل في الاختبار وأكثر أمانًا من نموذج متعلم. فمنع تشغيل آلة عند فتح حاجز السلامة لا يحتاج إلى نموذج يتنبأ بما إذا كان التشغيل خطرًا؛ بل يحتاج إلى قاعدة صريحة لا يجوز تجاوزها. وفي المقابل، قد يكون التعلم مفيدًا في تحليل صورة معقدة أو توقع تغير يصعب وصفه بمجموعة بسيطة من القواعد. الهندسة الناضجة لا تبدأ بالسؤال: «أين يمكن أن نضيف الذكاء الاصطناعي؟» بل تبدأ بأسئلة أدق:

• أي جزء من المشكلة يحتاج إلى التعلم من البيانات؟
• أي جزء يحتاج إلى قاعدة زراعية أو تنظيمية صريحة؟
• أي قرار يمكن تنفيذه آليًا، وأي قرار يحتاج إلى موافقة بشرية؟
• أين يمكن أن تفشل الصلات بين المكونات؟
• كيف يعرف المستخدم أن البيانات ناقصة أو أن التنفيذ لم يحدث كما خُطط له؟
• من يملك سلطة الإيقاف والتجاوز عند ظهور حالة غير متوقعة؟

القاعدة الجامعة: لا تُقاس جودة النظام الزراعي بأذكى نموذج داخله، بل بسلامة السلسلة كلها، من أول قراءة في الحقل إلى آخر فعل يُنفذ فيه.

11\. دليل أولي لربط المهمة بالطريقة والتحقق

لا تبدأ الطريقة المناسبة باسم الخوارزمية، بل بالسؤال الذي نريد الإجابة عنه، وبالفعل الذي قد يُبنى على هذه الإجابة. فقد تكون الصورة نفسها مدخلًا لتصنيف حالة الورقة، أو لتحديد موضع حشيشة، أو لقياس مساحة ضرر، لكن كل مهمة من هذه المهام تحتاج إلى بيانات مرجعية مختلفة، وتنتج مخرجًا مختلفًا، وتُقاس بمعايير مختلفة. والدليل الآتي ليس وصفة آلية لاختيار الخوارزمية، ولا يعني أن كل مشكلة زراعية تنتمي إلى خانة واحدة. إنه خريطة أولية تساعد القارئ على ربط ستة أمور:

1. المهمة: ما السؤال الزراعي الذي نريد الإجابة عنه؟
2. البيانات: ما المعلومات اللازمة للإجابة؟
3. عائلة الطريقة: ما نوع التحليل الذي يمكن أن يعالج السؤال؟
4. المخرج: ما النتيجة التي ينبغي أن يقدمها النظام؟
5. مقياس الأداء: كيف نعرف أن النتيجة مفيدة، لا أنها تبدو جيدة فقط؟
6. سؤال السلامة والتحقق: ما الذي يجب التأكد منه قبل أن تتحول النتيجة إلى قرار أو فعل؟

ولا تكتمل الإجابة عن هذه الأسئلة إلا بعد تحديد المحصول والبيئة ووقت القرار وتكلفة الخطأ وقدرة المستخدم على الاستجابة. 1\. تصنيف حالة ورقة من صورة المهمة: تحديد الفئة التي تبدو أقرب إلى صورة الورقة، مثل سليمة، أو مصابة بحالة معينة، أو غير محسومة. البيانات اللازمة: صور متنوعة للأنسجة السليمة والحالات المرضية، ترتبط كل منها بتسمية مرجعية أكدها مختص أو اختبار موثوق. ولا يكفي أن تكون الصور كثيرة؛ بل يجب أن تمثل اختلاف الأصناف، ومراحل النمو، والإضاءة، وأجهزة التصوير، وشدة الأعراض. عائلة الطريقة: نماذج تصنيف الصور. المخرج المقصود: اسم الحالة المرجحة، ودرجة الثقة، مع إمكان أن يقول النظام «غير محسوم» أو يطلب صورة إضافية عندما لا تكفي الأدلة. ما الذي نقيسه؟ لا تكفي نسبة النجاح العامة. ينبغي قياس قدرة النظام على اكتشاف كل حالة مهمة، وعدد الحالات التي يفوّتها، وعدد التنبيهات الخاطئة، ومراجعة الحالات التي يخلط بينها. سؤال السلامة والتحقق: ماذا يفعل النظام إذا رأى مرضًا لم يتعلمه، أو أعراضًا ناتجة عن أكثر من سبب، أو صورة رديئة؟ وهل يحيل الحالات غير الواضحة إلى مختص، أم يجبرها على الانتماء إلى إحدى الفئات المعروفة؟ 2\. تحديد موضع حشيشة تمهيدًا للتعامل معها المهمة: اكتشاف الحشيشة في الصورة، وتحديد موضعها بدقة تسمح بتوجيه عامل أو آلة إليها. البيانات اللازمة: صور أو مقاطع فيديو توضح أماكن الحشائش والمحصول، مع تحديد مرجعي لمواضعها. وإذا كان النظام سيوجه آلة، فإنه يحتاج أيضًا إلى معلومات معايرة تربط موضع الجسم في الصورة بموضعه الحقيقي أمام الأداة. عائلة الطريقة: يبدأ العمل بكشف الأجسام أو تحديد حدودها داخل الصورة، ثم تنتقل النتيجة إلى نظام تحكم يقرر حركة الأداة. المخرج المقصود: موضع الحشيشة وحدودها ودرجة الثقة في اكتشافها، ثم إحداثيات يمكن للآلة استخدامها في الوقت المناسب. ما الذي نقيسه؟ نقيس الحشائش التي اكتُشفت والتي فاتت، ودقة تحديد موضعها، وسرعة وصول النتيجة، وعدد النباتات المزروعة التي تعرضت لضرر أثناء التنفيذ. سؤال السلامة والتحقق: هل تتوقف الأداة إذا فقد النظام الثقة، أو دخل إنسان أو حيوان إلى منطقة العمل، أو تعذر التمييز بين الحشيشة والمحصول؟ وهل اختُبرت السلسلة كاملة من الكاميرا إلى حركة الأداة، لا نموذج الصورة وحده؟ 3\. توقع الغلة المهمة: تقدير كمية المحصول المتوقع حصادها من مساحة محددة. البيانات اللازمة: قياسات سابقة للغلة، وبيانات الطقس والتربة والصنف ومرحلة النمو والممارسات الزراعية، مع توضيح مصدر كل قيمة ووحدة قياسها. عائلة الطريقة: نماذج الانحدار، أو النماذج التي تدرس تغير البيانات عبر الزمن، وقد تضاف إليها نماذج مكانية إذا اختلفت الظروف داخل الحقل أو بين المناطق. المخرج المقصود: تقدير للغلة بوحدة مفهومة، مثل الكيلوغرام لكل هكتار، مصحوبًا بنطاق يبين مقدار عدم اليقين بدل تقديم رقم واحد يوحي بدقة زائفة. ما الذي نقيسه؟ يقاس الخطأ بوحدة الغلة نفسها، مع فحص ما إذا كانت النطاقات المعلنة للثقة تتفق مع النتائج الفعلية. فإذا قال النظام إن الغلة مرجح أن تقع داخل نطاق معين، فينبغي اختبار مدى تكرار تحقق ذلك فعلًا. سؤال السلامة والتحقق: هل اختُبر النموذج على مزارع أو مواسم أو مناطق لم تدخل في تدريبه؟ وهل يعرف المستخدم أن التوقع مبني على ظروف سابقة قد لا تمثل موسمًا استثنائيًا أو صنفًا جديدًا؟ 4\. إعداد جدول للري المهمة: تحديد متى تُروى القطاعات، وكمية الماء التي يحصل عليها كل قطاع، مع مراعاة احتياجات المحصول وقدرة شبكة الري. البيانات اللازمة: رطوبة التربة، والطقس، ومرحلة نمو المحصول، وخصائص التربة، ومصادر المياه، وقدرة المضخة، وحالة الصمامات، والقيود الزمنية والتشغيلية. عائلة الطريقة: قد يجمع النظام بين نموذج يتوقع الاحتياج المائي، وقواعد زراعية تمنع القرارات غير الآمنة، وبرنامج تخطيط يقارن البدائل ويوزع الموارد المتاحة. المخرج المقصود: جدول قابل للتنفيذ يوضح القطاع والوقت والكمية ومدة التشغيل، مع خطة بديلة إذا نقصت المياه أو تعطلت إحدى المعدات. ما الذي نقيسه؟ لا يقاس النجاح بخفض استهلاك الماء وحده، بل أيضًا بحالة النبات، والغلة، والطاقة المستخدمة، وانتظام التوزيع، وتوقيت وصول الماء، وإمكان تنفيذ الخطة بالمعدات الموجودة. سؤال السلامة والتحقق: ماذا يحدث عند انقطاع البيانات أو تعطل أحد المستشعرات؟ وهل ينتقل النظام إلى وضع يدوي أو خطة احتياطية آمنة، أم يستمر في إصدار أوامر اعتمادًا على معلومات ناقصة؟ 5\. إصدار تنبيه عن حالة حيوان المهمة: اكتشاف تغير قد يشير إلى مرض أو إصابة أو اضطراب في الحركة أو التغذية. البيانات اللازمة: قد تكون البيانات أصواتًا، أو صورًا، أو مقاطع فيديو، أو قراءات للنشاط ودرجة الحرارة وتناول العلف. ويجب ربطها، قدر الإمكان، بحالات راجعها طبيب بيطري أو مختص. عائلة الطريقة: كشف الحالات غير المعتادة عندما لا نملك تعريفًا كاملًا لكل مرض، أو التصنيف عندما نملك حالات موثقة يمكن التعلّم منها. المخرج المقصود: تنبيه يحدد الحيوان والوقت والسبب الذي أثار الانتباه، مع ترتيب التنبيهات حسب الأولوية. ما الذي نقيسه؟ عدد الحالات المهمة التي لم يكتشفها النظام، وعدد الإنذارات الكاذبة لكل حيوان أو لكل يوم، والوقت الفاصل بين بدء التغير وإرسال التنبيه. سؤال السلامة والتحقق: من يؤكد الحالة مهنيًا قبل العلاج؟ وكم تنبيهًا يستطيع الفريق فحصه بالفعل؟ فالنظام الذي يرسل مئات التنبيهات غير المرتبة قد يخفي الحالة الخطرة وسط الضوضاء. 6\. تقدير مساحة الأعراض ومتابعة انتشارها المهمة: قياس المساحة المتأثرة في النبات أو الحقل، ثم معرفة ما إذا كانت الأعراض تتسع أو تنحسر عبر الزمن. البيانات اللازمة: صور متتابعة أو خرائط ملتقطة في أوقات مختلفة، مع معلومات عن موقع التصوير وارتفاعه وزاويته وظروف الإضاءة، حتى يمكن إجراء مقارنة عادلة. عائلة الطريقة: تحديد حدود الأنسجة أو المناطق المتأثرة داخل الصورة، ثم تحليل تغيرها بين الأوقات المختلفة. المخرج المقصود: مساحة أو نسبة تقديرية للضرر، واتجاه التغير وسرعته، مع بيان درجة الثقة في المقارنة. ما الذي نقيسه؟ خطأ تقدير المساحة، وثبات النتيجة عند تكرار التصوير، وقدرة النظام على متابعة المنطقة نفسها من وقت إلى آخر. سؤال السلامة والتحقق: هل ازداد الضرر فعلًا، أم تغير الضوء أو زاوية التصوير أو ارتفاع الكاميرا، فبدت المساحة أكبر أو أصغر؟ وهل تُقارن الصور على أساس مرجعي واحد؟ 7\. تقديم جواب إرشادي المهمة: الإجابة عن سؤال زراعي بلغة واضحة، مع الاستناد إلى مصادر معتمدة وملائمة لسياق المستخدم. البيانات اللازمة: سؤال المستخدم، ومعلومات عن المحصول والموقع ومرحلة النمو والحالة، إلى جانب مصادر موثوقة وحديثة يمكن للنظام الرجوع إليها. عائلة الطريقة: البحث في المصادر المعتمدة واسترجاع المقاطع المناسبة، ثم استخدام نموذج لغوي لصياغة الجواب، مع قواعد تمنع الادعاءات أو التوصيات التي لا يسندها الدليل. المخرج المقصود: جواب يميز بين المعلومة العامة والتوصية المقيدة، ويذكر مصادره، ويطلب معلومات إضافية أو يمتنع عن الإجابة عندما لا تكفي الأدلة. ما الذي نقيسه؟ هل تؤيد المصادر الادعاءات الواردة في الجواب؟ وهل الإحالات صحيحة وقابلة للفحص؟ وهل الجواب ملائم للمحصول والموقع والزمن، وهل يستطيع المستخدم فهم الخطوة التالية من دون أن يُدفع إلى تصرف غير مأمون؟ سؤال السلامة والتحقق: هل يمتنع النظام عن اختراع جرعة أو مادة أو تسجيل رسمي أو سعر غير موثق؟ وهل يوضح أن اعتماد منتج أو طريقة استخدامه يجب التحقق منه وفق بطاقة الاستخدام الرسمية السارية والأنظمة المحلية؟ 8\. توزيع مورد محدود المهمة: توزيع كمية محدودة من الماء أو السماد أو العمالة أو وقت الآلات بين حقول أو قطاعات متعددة. البيانات اللازمة: حجم الطلب، والموارد المتاحة، والأولويات، والقيود الفنية والزمنية، والتوقعات المتعلقة بالمحصول أو التكلفة أو العائد. عائلة الطريقة: التخطيط الرياضي والمفاضلة بين البدائل، وهو ما يُعرف في المجال المتخصص بالتحسين وبحوث العمليات. وتبحث هذه الطرائق عن خطة تحقق الهدف قدر الإمكان من دون خرق القيود المحددة. المخرج المقصود: خطة قابلة للتنفيذ، مع بيان ما يحصل عليه كل طرف، وما الذي يتغير إذا تبدلت الأولويات أو نقص المورد. ما الذي نقيسه؟ هل احترمت الخطة جميع القيود؟ وهل يمكن تنفيذها فعليًا؟ وما أثرها في التكلفة والغلة والوقت والعدالة بين القطاعات أو المستفيدين؟ سؤال السلامة والتحقق: من حدد الهدف الذي تحاول الأداة تعظيمه؟ ومن وضع الأولويات والحد الأدنى المقبول لكل قطاع؟ فقد تكون الخطة صحيحة حسابيًا، لكنها غير عادلة أو غير مقبولة زراعيًا إذا اختُزل الهدف في رقم واحد. 9\. التحكم في سلسلة من الأفعال المهمة: اختيار أفعال متتابعة يتغير بعدها وضع النظام، مثل ضبط التهوية والتدفئة في بيت محمي، أو توجيه آلة متحركة بين صفوف المحصول. البيانات اللازمة: وصف للحالة الحالية، ومجموعة الأفعال الممكنة، وبيانات عما حدث بعد كل فعل، إلى جانب حدود التشغيل والسلامة. عائلة الطريقة: قد يستخدم النظام تحكمًا تقليديًا مبنيًا على قواعد ومعادلات معروفة، أو تعلمًا معززًا يتعلم استراتيجية اختيار الأفعال من المحاكاة أو الخبرة، أو مزيجًا بين الاثنين. المخرج المقصود: استراتيجية تحدد الفعل المناسب لكل حالة، ثم أوامر تشغيل واضحة للمعدات. ويشار إلى هذه الاستراتيجية في المصطلح التقني باسم «سياسة اختيار الأفعال». ما الذي نقيسه؟ استقرار النظام، وسرعة استجابته، وعدد مرات تجاوز القيود، واستهلاك الموارد، وأثر الأفعال في النبات أو الحيوان أو المعدات، وقدرته على التعامل مع الظروف غير المتوقعة. سؤال السلامة والتحقق: ما الحدود التي لا يحق للنظام تجاوزها مهما كان الهدف؟ ومن يملك سلطة الإيقاف؟ وما الوضع الآمن الذي تنتقل إليه المعدات إذا فُقد الاتصال أو تعطلت البيانات أو خرجت الحالة عن نطاق ما اختُبر؟ تكشف هذه الخريطة أن المهمة الزراعية الواحدة قد تحتاج إلى أكثر من طريقة، وأن نجاح كل مرحلة لا يضمن نجاح السلسلة كاملة. فتحديد موضع الحشيشة لا يكفي إذا لم تستطع الآلة الوصول إليها بأمان، وتوقع الاحتياج المائي لا يكفي إذا كانت خطة الري تتجاوز قدرة المضخة، واسترجاع مصدر صحيح لا يكفي إذا كان يخص محصولًا أو بلدًا أو تاريخًا مختلفًا. كما تكشف أن المقياس التقني وسؤال السلامة ليسا أمرين منفصلين. فالمقياس يبين مقدار نجاح النظام في الاختبار، أما سؤال السلامة فيبين ما قد يحدث عندما يخطئ النظام في الحقل. وقد تحقق الخوارزمية نتيجة مرتفعة في المتوسط، بينما يكون خطؤها النادر واقعًا في الحالة الأعلى خطرًا. للقارئ المتعمق: اختيار الطريقة يبدأ من صياغة القرار وتكلفة أنماط الخطأ، لا من مقارنة أسماء النماذج. وقد تتغير الطريقة المناسبة إذا تغير المخرج المطلوب، حتى لو بقيت البيانات نفسها. كما ينبغي تقييم المنظومة على ثلاثة مستويات: جودة التقدير، وجودة تحويله إلى قرار، وجودة تنفيذ القرار في الواقع. والتحسن في المستوى الأول لا يعوض فشل المستويين الآخرين. وعند تقييم أي تطبيق جديد، يمكن اختصار المصفوفة في الأسئلة الآتية:

• ما السؤال الزراعي المحدد الذي يحاول النظام الإجابة عنه؟
• ما البيانات التي يحتاج إليها، ومن تحقق من صحتها؟
• ما النتيجة التي سيصدرها، وبأي وحدة أو درجة ثقة؟
• ما القرار أو الفعل الذي سيُبنى على هذه النتيجة؟
• أي نوع من الخطأ أخطر: الحالة التي يفوتها النظام أم التنبيه الخاطئ؟
• هل اختُبر النظام في بيئة مستقلة تشبه مكان استخدامه الفعلي؟
• ماذا يحدث عندما تكون البيانات ناقصة أو الحالة غير مألوفة؟
• من يراجع النتيجة، ومن يملك الإيقاف أو التجاوز؟

القاعدة الجامعة: لا تُختار الطريقة لأنها الأحدث أو الأشهر، بل لأنها تنتج المخرج الذي يحتاج إليه القرار، ويمكن التحقق منها بالمقياس المناسب، وتظل آمنة عندما تكون البيانات ناقصة أو تكون النتيجة خاطئة.

12\. كيف نقارن النماذج والأنظمة؟ من دقة الاختبار إلى القيمة في الحقل

عندما يعرض مطور أو شركة نظامًا جديدًا، يكون السؤال الأول غالبًا: ما مقدار دقته؟ والسؤال مشروع، لكنه لا يكفي للحكم على فائدته. فقد يحصل نظامان على النسبة نفسها في اختبار مختبري، بينما يختلفان اختلافًا كبيرًا في نوع الأخطاء التي يرتكبانها، وسرعة استجابتهما، وكلفة تشغيلهما، وقدرتهما على العمل في الحقل، ومدى الضرر الذي قد يحدث عندما يخطئان. لنتخيل نموذجين يحقق كل منهما نتيجة عامة قدرها 92% في تصنيف صور الأوراق. قد يكون الأول جيدًا في اكتشاف الحالات السليمة، لكنه يفوّت البدايات المبكرة لمرض خطر. وقد يكتشف الثاني معظم الحالات المرضية، لكنه يرسل تنبيهات كاذبة كثيرة تجعل المستخدم يفقد ثقته فيه. تبدو النتيجة العامة متساوية، لكن قيمة النموذجين في المزرعة ليست متساوية. وقد يكون النموذج نفسه جيدًا، بينما يظل النظام الذي يحتويه ضعيفًا. فالنموذج قد يحلل الصورة بصورة صحيحة، لكن التطبيق يضغطها حتى تضيع التفاصيل، أو يتأخر في إرسال النتيجة، أو يعرضها من دون بيان درجة الثقة، أو يربطها بتوصية لا تناسب المنطقة. لذلك يجب التمييز بين ثلاثة أشياء:

• أداء النموذج: مدى جودة التقدير أو التصنيف الذي ينتجه.
• أداء النظام: مدى نجاح السلسلة كاملة، من جمع البيانات إلى عرض النتيجة أو تنفيذ الفعل.
• الأثر الزراعي: ما إذا كان استخدام النظام قد حسّن القرار والنتيجة في المزرعة فعلًا.

ولا تكون المقارنة عادلة ومفيدة إلا إذا تناولت المستويات الآتية. أ. ابدأ بما نفعله الآن: خط الأساس للمقارنة خط الأساس هو الطريقة التي نستخدمها بوصفها نقطة مرجعية قبل إدخال النظام الجديد. وبعبارة أبسط: لا نسأل فقط «هل يعمل النموذج؟»، بل نسأل أيضًا: هل يعمل بصورة أفضل مما نفعله اليوم، وبمقدار يستحق كلفة التغيير؟ وقد يكون خط الأساس:

• فحصًا يجريه مختص أو مرشد زراعي.
• قاعدة بسيطة وضعها خبير محلي.
• متوسط الغلة في المواسم السابقة.
• افتراض أن قراءة الغد ستكون قريبة من قراءة اليوم.
• جدول ري ثابتًا جرى ضبطه وفق ظروف المنطقة.
• النظام الرقمي القديم الذي سيحل النظام الجديد محله.

فإذا كان المطلوب توقع الغلة، يمكن مقارنة النموذج بمتوسط غلة الحقل خلال المواسم السابقة. وإذا كان المطلوب اكتشاف مرض من صورة، يمكن مقارنته بأداء الفحص الحالي، مع توضيح ما إذا كان الفحص يجريه مزارع أو فني أو مختص. وإذا كان المطلوب تنظيم الري، يمكن مقارنته بالجدول المستخدم حاليًا من حيث الماء والطاقة وحالة النبات والغلة. ولا ينبغي اختيار طريقة مرجعية ضعيفة عمدًا حتى يبدو النموذج الجديد متفوقًا. فقد يتغلب نظام معقد على قاعدة ساذجة، لكنه لا يتغلب على خبرة المزارع أو على نظام بسيط مضبوط محليًا. عندئذ تكون الزيادة التقنية محدودة، وربما لا تبرر ثمن الأجهزة والاتصال والصيانة والتدريب. كما يجب ألا تقتصر المقارنة على سؤال: «من حقق الرقم الأعلى؟» بل تشمل:

• مقدار التحسن على الطريقة الحالية.
• ثبات هذا التحسن بين الحقول والمواسم.
• نوع الأخطاء التي انخفضت أو ازدادت.
• كلفة الحصول على التحسن.
• مدى قدرة المستخدم على الاستفادة منه.

المعنى العملي لخط الأساس: نحدد أولًا مستوى الأداء الذي نملكه من دون النظام الجديد، ثم نختبر إن كان النظام يضيف قيمة حقيقية فوقه. ب. اجعل الاختبار قريبًا من ظروف الاستخدام الفعلي يتعلم النموذج من مجموعة من الأمثلة تسمى بيانات التدريب. وبعد انتهاء التعلم، يجب اختباره على أمثلة مستقلة لم يستخدمها من قبل. والغاية ليست معرفة مدى تذكره للأمثلة السابقة، بل معرفة ما إذا كان يستطيع التعامل مع حالات جديدة تشبه ما سيواجهه في المزرعة. إذا كان النظام سيُستخدم في حقول متعددة، فينبغي أن يشمل الاختبار حقولًا لم تدخل في التدريب. وإذا كان سيعمل عبر مواسم مختلفة، فلا يكفي اختباره على صور من الموسم نفسه. وإذا كان المستخدمون يصورون بهواتف متفاوتة الجودة، فلا يصح تقييمه كله على صور التقطتها كاميرا واحدة في ظروف مثالية. وقد تعطي القسمة العشوائية للبيانات انطباعًا مضللًا. فإذا التُقطت عشر صور متقاربة للنبات نفسه، ثم دخل بعضها في التدريب وبعضها الآخر في الاختبار، فقد يتعرف النموذج إلى النبات أو الخلفية أو ظروف التصوير، لا إلى العلامات الزراعية التي نريد منه تعلمها. والاختبار الأقوى يفصل، بحسب طبيعة المهمة، بين:

• نباتات مختلفة.
• قطاعات أو حقول مختلفة.
• مزارع أو مناطق مختلفة.
• مواسم أو سنوات مختلفة.
• أصناف ومراحل نمو مختلفة.
• أجهزة تصوير أو أنواع مستشعرات مختلفة.
• لغات أو لهجات وصيغ أسئلة مختلفة في الأنظمة الحوارية.

ولا يعني ذلك أن كل اختبار يجب أن يشمل العالم كله، بل أن يمثل بصدق البيئة التي يُراد استخدام النظام فيها. فإذا اختُبر النظام في بيئة محدودة، يجب التصريح بهذه الحدود، لا تقديم نتيجته كأنها صالحة لكل محصول ومزرعة وموسم. كما ينبغي أن تخضع النماذج المرشحة للاختبار نفسه، وفي الظروف نفسها، وبالبيانات نفسها. فلا تكون المقارنة عادلة إذا اختُبر أحدها على صور نظيفة، واختُبر الآخر على صور حقلية صعبة، أو إذا قيس أحدهما على جهاز سريع والآخر على هاتف منخفض القدرة. المعنى العملي للاختبار المستقل: نضع النظام أمام حالات جديدة تمثل واقع استخدامه، ثم نرى هل يحافظ على أدائه عندما تختفي عنه سهولة المختبر. ج. اربط المقياس بعاقبة الخطأ ليست كل الأخطاء متساوية. قد يخطئ نظام فيطلق إنذارًا عن إصابة غير موجودة، وقد يخطئ فيعتبر النبات المصاب سليمًا. كلاهما خطأ، لكن عاقبتهما قد تختلف. فالإنذار الكاذب قد يهدر وقت الفحص، أو يدفع إلى تحليل إضافي، أو يزعج المستخدم. أما إغفال إصابة خطرة فقد يؤخر التدخل حتى ينتشر الضرر. وفي تطبيق آخر، مثل تشغيل آلة، قد يكون الإنذار الكاذب أقل خطرًا من حركة غير صحيحة تصيب المحصول أو العامل. لذلك لا يجوز أن يخفي المتوسط العام نوع الخطأ الأهم. وينبغي أن تسأل المقارنة:

• كم حالة خطرة فاتت النظام؟
• كم تنبيهًا كاذبًا أرسله؟
• في أي أصناف أو مراحل نمو تكثر الأخطاء؟
• هل يخطئ في الحالات المبكرة أكثر من الحالات الواضحة؟
• ما تكلفة كل نوع من الخطأ؟
• هل يستطيع فريق العمل التعامل مع عدد التنبيهات الناتج؟

وإذا كانت المهمة توقع رقم، فينبغي التعبير عن الخطأ بوحدة يفهمها من سيتخذ القرار. فبدل القول إن «متوسط الخطأ يساوي 0.12» من دون تفسير، يمكن القول إن توقع الغلة ينحرف في المتوسط بمقدار معين من الكيلوغرامات أو الأطنان لكل هكتار. وعند التخطيط لمخزن أو وسيلة نقل، يجب أيضًا بيان ما إذا كانت الأخطاء الصغيرة المعتادة تخفي عددًا قليلًا من الأخطاء الكبيرة التي قد تربك الخطة بالكامل. ولا يكفي أن يكون الفرق بين نموذجين ظاهرًا في رقم واحد. فقد يكون التفوق بسيطًا إلى درجة يمكن أن يتغير إذا أعدنا الاختبار على موسم آخر أو عينة أخرى. لذلك ينبغي النظر إلى مقدار التفاوت بين الاختبارات، لا إلى أفضل نتيجة منفردة فقط. المعنى العملي للمقياس: نختار طريقة القياس وفق القرار الذي سيتأثر بالنتيجة، ونترجم الخطأ إلى أثر يمكن للمزارع أو المختص أو مدير التشغيل فهمه. د. اختبر كيف يعبر النظام عن عدم اليقين، ومتى يمتنع عن الحكم لا يملك النموذج الدرجة نفسها من المعرفة في جميع الحالات. فقد تكون الصورة واضحة ومشابهة لما تعلمه، وقد تكون مظلمة أو ناقصة أو لحالة لم يرها من قبل. وقد تكون قراءات المستشعرات مكتملة ومتسقة، أو ينقص بعضها وتتعارض بقيتها. هذا التفاوت يسمى عدم اليقين؛ أي إن الأدلة المتاحة لا تدعم جميع النتائج بالدرجة نفسها. يمكن للنظام التعبير عن ذلك بعدة صور، منها:

• عرض درجة ثقة بدل إصدار حكم قطعي.
• تقديم عدة احتمالات مرتبة.
• عرض نطاق متوقع بدل رقم واحد.
• بيان البيانات الناقصة أو المتعارضة.
• طلب صورة أو قراءة أو معلومة إضافية.
• إحالة الحالة إلى مختص عندما لا تكفي الأدلة.

ففي توقع الغلة، قد يكون القول إن الغلة المتوقعة تقع بين 4.2 و5.1 أطنان للهكتار أكثر صدقًا وفائدة من تقديم رقم واحد هو 4.7 أطنان، خصوصًا إذا كانت بيانات الطقس المستقبلية غير مستقرة. وفي تشخيص صورة ورقة، قد يكون من الأنسب أن يقول النظام إن الصورة لا تكفي للتمييز بين سببين، ثم يطلب صورة للسطح السفلي للورقة. لكن درجة الثقة التي يعرضها النموذج ليست حقيقة مضمونة. فقد يقول إنه واثق بنسبة 80%، بينما تكون نتائجه الفعلية أقل بكثير. لذلك تُفحص معايرة الثقة، ومعناها اختبار ما إذا كانت أرقام الثقة تنسجم مع الواقع. فإذا جمعنا عددًا كبيرًا من الحالات التي منحها النظام ثقة تقارب 80%، فينبغي أن تكون نتائجه صحيحة في نسبة قريبة من ذلك، لا أن تكون صحيحة في نصفها فقط. أما الحالة الخارجة عن نطاق ما تعلمه النظام فهي حالة تختلف بوضوح عن أمثلة تدريبه: صنف جديد، أو كاميرا مختلفة، أو مرض لم يدخل في البيانات، أو ظروف إضاءة شديدة الاختلاف، أو سؤال بلغة لم يُختبر بها. وقد يجيب النموذج بثقة حتى في هذه الحالات، ولهذا يجب اختبار قدرته على اكتشاف أن المدخل غير مألوف. ويعني الامتناع أن النظام لا يجبر نفسه على إصدار تشخيص أو توصية عندما لا تكفي الأدلة. وهو ليس توقفًا عشوائيًا ولا علامة فشل، بل سلوك مقصود، مثل أن يقول: «لا تكفي الصورة الحالية لتحديد الحالة بأمان. التقط صورة أوضح للسطح السفلي للورقة، واذكر المحصول ومرحلة النمو، أو اعرض الحالة على مختص.» ويجب تقييم الامتناع نفسه. فإذا امتنع النظام عن معظم الحالات، فقد يكون آمنًا ظاهريًا لكنه قليل الفائدة. وإذا لم يمتنع أبدًا، فقد يعطي إجابات واثقة في حالات لا يعرفها. المطلوب هو توازن يناسب خطورة المهمة وقدرة الفريق على مراجعة الحالات المحالة. المعنى العملي لعدم اليقين والامتناع: لا نسأل فقط هل أجاب النظام، بل نسأل هل عرف حدود أدلته، وهل طلب المساعدة في الوقت المناسب، وهل وصل طلبه إلى الشخص القادر على المتابعة. هـ. قس أداء النظام في التشغيل، لا في العرض التجريبي فقط قد يعمل النظام جيدًا في عرض قصير أمام الجمهور، أو على حاسوب قوي متصل بشبكة مستقرة، ثم يواجه صعوبات عند استخدامه يوميًا في المزرعة. ولهذا تشمل المقارنة جوانب لا تظهر في رقم الدقة، مثل:

• الزمن بين إدخال البيانات وظهور النتيجة.
• قدرة النظام على العمل على الهاتف أو الجهاز المتاح فعلًا.
• استهلاك الطاقة وحجم البيانات المنقولة.
• الحاجة إلى اتصال دائم بالإنترنت.
• ما يحدث عند ضعف الشبكة أو انقطاع الكهرباء.
• كلفة الكاميرات والمستشعرات والخوادم والاشتراكات.
• الوقت اللازم لتثبيت الأجهزة ومعايرتها وصيانتها.
• سهولة تحديث البرنامج من دون تعطيل العمل.
• وضوح الواجهة وقدرة المستخدم على فهم النتيجة.
• توافر الدعم الفني وقطع الغيار.
• إمكان تصحيح الخطأ أو الرجوع إلى طريقة العمل اليدوية.

وقد يكون نموذج أقل قليلًا في الاختبار المختبري أنفع في الحقل إذا كان يعمل بسرعة على هاتف متاح، ويعرض نتيجة مفهومة، ويواصل أداء وظائفه الأساسية عند ضعف الاتصال. وعلى العكس، قد يكون النموذج الأعلى دقة غير عملي إذا احتاج إلى جهاز مكلف أو اتصال دائم أو وقت استجابة أطول من نافذة التدخل. فإذا كان نظام كشف الحشائش يرسل النتيجة بعد أن تكون الآلة قد تجاوزت موضع الحشيشة، فلا تفيده دقة الصورة العالية. وإذا كان إنذار المرض يصل بعد أيام من التقاط البيانات، فقد يفقد قيمته حتى لو كان التشخيص صحيحًا. المعنى العملي لأداء التشغيل: النظام المفيد هو الذي يصلح لظروف العمل اليومية، لا الذي ينجح فقط عندما تتوافر له ظروف العرض المثالية. و. راقب تغير الظروف وتراجع الأداء بعد بدء الاستخدام النتيجة الجيدة عند إطلاق النظام ليست ضمانًا لاستمرارها. فالبيئة الزراعية تتغير: تظهر أصناف جديدة، وتتبدل مواعيد الزراعة، وتُستبدل الكاميرات والمستشعرات، وتتغير الممارسات، وقد تنتشر آفة أو حالة لم تكن ممثلة في البيانات الأصلية. عندما تتغير طبيعة البيانات التي يستقبلها النظام عن البيانات التي تعلم واختُبر عليها، يسمى ذلك انجراف البيانات. والمقصود ليس أن البيانات تتحرك حرفيًا، بل أن خصائص الواقع الذي يراه النظام لم تعد كما كانت. من أمثلة ذلك:

• تدريب نموذج على صور من كاميرا محددة ثم استبدالها بكاميرا ذات ألوان ومعالجة مختلفة.
• تغير الصنف المزروع، فتظهر الأعراض بصورة مختلفة.
• تغير المناخ أو مواعيد الموسم، فتختلف العلاقة بين الطقس والغلة.
• تعديل نظام التغذية أو الإضاءة في بيت محمي.
• تغير طريقة إدخال السجلات أو أسماء الحقول في التطبيق.
• ظهور أسئلة ولهجات جديدة في نظام الإرشاد الحواري.

وقد يحدث أيضًا أن تظل البيانات شبيهة ظاهريًا، بينما تتغير العلاقة بين البيانات والنتيجة. فقد كانت درجة حرارة معينة مرتبطة بإجهاد النبات في نظام ري سابق، ثم تغيرت هذه العلاقة بعد تحسين التهوية أو تركيب تظليل جديد. لذلك يحتاج النظام بعد إطلاقه إلى مراقبة تشمل:

• مقارنة البيانات الجديدة بالبيانات التي اختُبر عليها.
• تسجيل الحالات غير المعتادة أو التي انخفضت فيها الثقة.
• مراجعة عينة من النتائج ميدانيًا.
• متابعة عدد التنبيهات الكاذبة والحالات الفائتة.
• تحديد حد يستدعي إعادة التقييم.
• بيان من يقرر تحديث النموذج أو إعادة تدريبه.
• اختبار الإصدار الجديد قبل اعتماده.
• الاحتفاظ بإمكان الرجوع إلى إصدار سابق إذا ظهرت مشكلة.

وإعادة التدريب ليست حلًا آليًا لكل تدهور؛ فقد تدخل إلى البيانات الجديدة أخطاء أو نتائج غير موثقة، فيتعلم النظام منها ويزداد سوءًا. ولهذا يجب أن تمر التحديثات بالمراجعة والاختبار والاعتماد. المعنى العملي لانجراف البيانات: ما كان صالحًا في الموسم الماضي قد لا يبقى صالحًا تلقائيًا في الموسم التالي، ولذلك يحتاج النظام إلى متابعة مستمرة لا إلى شهادة نجاح تمنح مرة واحدة. ز. قس ما حدث بعد وصول النتيجة إلى المستخدم قد يتحسن التنبؤ من دون أن تتحسن النتيجة الزراعية. فالنظام قد يكتشف المرض مبكرًا، لكن التنبيه لا يصل إلى الشخص المناسب. وقد يصل التنبيه، لكن المستخدم لا يفهمه. وقد يفهمه، لكنه لا يملك المادة أو العامل أو الوقت اللازم للتدخل. وقد ينفذ التوصية، لكنها لا تناسب ظروف الحقل. لهذا ينبغي تتبع السلسلة كاملة:

1. هل كان تقدير النموذج صحيحًا؟
2. هل حوله النظام إلى تنبيه أو توصية واضحة؟
3. هل وصلت النتيجة في الوقت المناسب؟
4. هل فهمها المستخدم ووثق بها؟
5. هل تغير القرار بسببها؟
6. هل نُفذ القرار كما خُطط له؟
7. هل أدى التنفيذ إلى أثر زراعي أفضل؟

هذه المستويات لا تعني الشيء نفسه. فقد تتحسن دقة توقع الري، لكن لا ينخفض استهلاك الماء لأن الشبكة بها تسرب. وقد يكتشف النظام حالة حيوانية مبكرًا، لكن الفريق لا يستطيع فحص التنبيهات إلا في نهاية اليوم. وقد يقترح توزيعًا أفضل للعمالة، لكن الخطة لا تراعي وسيلة النقل بين الحقول. وعند قياس الأثر، ينبغي النظر إلى أكثر من نتيجة واحدة. فقد يخفض النظام استهلاك الماء لكنه يزيد الطاقة، أو يرفع الغلة لكنه يزيد كلفة المدخلات، أو يقلل العمل اليدوي لكنه يرفع الاعتماد على خدمة خارجية يصعب إصلاحها. ولا ينبغي نسبة كل تغير في الغلة أو التكلفة إلى النظام لمجرد حدوثه بعد استخدامه؛ فقد يكون السبب موسمًا أفضل أو تغيرًا في الأسعار أو ممارسة زراعية أخرى. وإذا أُريد إثبات أن النظام أحدث فرقًا، فقد يلزم تطبيق تدريجي أو مقارنة حقول أو فترات متشابهة أو تصميم ميداني مناسب يفصل أثر النظام عن العوامل الأخرى. المعنى العملي لقياس الأثر: لا تنتهي المقارنة عند صحة الإجابة؛ بل تتابع هل وصلت الإجابة، وهل غيرت القرار، وهل أدى القرار إلى نتيجة أفضل في الواقع. ح. راجع العدالة والمسؤولية والحوكمة قد يحقق النظام متوسطًا جيدًا، لكنه يعمل بصورة أفضل لفئة من المستخدمين أو المزارع على حساب فئة أخرى. فقد يعتمد على اتصال سريع لا يتوافر في المناطق النائية، أو على هاتف حديث لا يملكه جميع المستخدمين، أو على صور من مزارع كبيرة منظمة لا تمثل الحيازات الصغيرة، أو على لغة رسمية لا تفهم الأسئلة المحلية واللهجات جيدًا. ولذلك ينبغي تقسيم النتائج، حيثما يكون ذلك مناسبًا، بحسب:

• حجم المزرعة وطبيعة الإنتاج.
• المنطقة والظروف المناخية.
• الصنف ومرحلة النمو.
• نوع الجهاز أو المستشعر.
• جودة الاتصال.
• اللغة أو اللهجة.
• خبرة المستخدم وقدرته على التعامل مع الواجهة.

ولا تعني العدالة أن يعطي النظام النتيجة نفسها للجميع، بل أن نفحص ما إذا كانت فئة ما تتحمل أخطاء أكثر، أو لا تستطيع الوصول إلى الخدمة، أو لا تملك وسيلة للاعتراض على قرار خاطئ. أما الحوكمة فتعني القواعد والمسؤوليات التي تضبط النظام طوال عمره، ومنها:

• من أجاز استخدامه؟
• من يراجع بياناته وأداءه؟
• من يتحمل مسؤولية الخطأ؟
• هل يستطيع المستخدم الاعتراض أو طلب مراجعة بشرية؟
• ما القرارات التي يجوز للنظام اقتراحها أو تنفيذها؟
• ما القرارات التي يجب أن تبقى بيد مختص أو جهة مخولة؟
• كيف تحفظ السجلات وتحترم الخصوصية؟
• كيف توثق التعديلات والإصدارات؟
• من يملك سلطة إيقاف النظام عند ظهور خطر؟

وتزداد أهمية هذه الأسئلة عندما يمس النظام صحة النبات أو الحيوان، أو سلامة العامل، أو استخدام المياه والمواد المنظمة، أو قبول المنتج في السوق. ويسترشد هذا المنظور بفكرة إدارة مخاطر الذكاء الاصطناعي عبر مراحل حياته، من التصميم والاختبار إلى التشغيل والمراقبة والتحديث [SRC033]. المعنى العملي للحوكمة: لا يكفي أن نعرف ما يستطيع النظام فعله؛ يجب أن نعرف أيضًا من يراقبه، ومن يراجعه، ومن يملك القرار عندما يخطئ. للقارئ المتعمق: المقارنة المهنية لا تقدم رقمًا منفردًا بوصفه حكمًا نهائيًا. ينبغي أن توضح حجم عينة الاختبار، ومدى تفاوت النتيجة، والأداء في الفئات والبيئات المختلفة، وثباته عبر الزمن، وتكلفة كل نوع من الخطأ. كما ينبغي تثبيت شروط المقارنة: البيانات نفسها، وتعريف المهمة نفسه، وعتبة إصدار التنبيه نفسها، وبيئة التشغيل نفسها. وقد يتفوق نموذج عند السماح له بإرسال تنبيهات كثيرة، بينما يتفوق آخر عند تقييد عدد التنبيهات بما يستطيع الفريق مراجعته. لذلك ترتبط المقارنة دائمًا بظروف القرار والموارد المتاحة، لا بأداء الخوارزمية في الفراغ. بطاقة عملية لمقارنة أي نظام يمكن تلخيص المقارنة في ثمانية أسئلة، لكن ينبغي فهم المقصود بكل سؤال:

1. ما القرار الذي سيتغير بسبب النظام؟

هل سيؤدي المخرج إلى فحص إضافي، أو ري قطاع، أو علاج حيوان، أو شراء مدخل، أو تشغيل آلة؟ إذا لم نعرف القرار الذي سيتغير، فلن نعرف ما الأداء المطلوب.

2. ما الطريقة الحالية التي نقارن النظام بها؟

هل يتفوق على خبرة المزارع، أو على فحص المختص، أو على قاعدة بسيطة، أو على النظام المستخدم حاليًا؟ وما مقدار القيمة الإضافية؟

3. هل اختُبر في بيئة مستقلة تشبه مكان استخدامه؟

هل شمل الاختبار حقولًا ومواسم وأجهزة وأصنافًا ومستخدمين لم تدخل بياناتهم في التدريب؟

4. ما الخطأ الأخطر، وكم مرة وقع؟

هل الخطر الأكبر هو فوات الحالة، أم إطلاق إنذار كاذب، أم التأخر، أم توجيه الفعل إلى المكان الخطأ؟ وما أثر هذا الخطأ في المزرعة؟

5. هل يوضح حدود معرفته؟

هل يعرض درجة ثقة أو نطاقًا متوقعًا؟ وهل يطلب معلومات إضافية أو يحيل الحالة إلى إنسان عندما لا تكفي الأدلة؟

6. ما كلفة تشغيله والمحافظة عليه؟

ما الأجهزة والاتصال والطاقة والتدريب والدعم والصيانة التي يحتاج إليها؟ وماذا يحدث عند الانقطاع أو التعطل؟

7. كيف نكتشف أن أداءه تراجع؟

من يراقب النتائج بعد الإطلاق؟ وما العلامة التي تستدعي إعادة الاختبار أو التحديث؟ ومن يعتمد الإصدار الجديد؟

8. من يملك القرار النهائي وسلطة الإيقاف؟

هل يعرف المستخدم متى تكون النتيجة استشارية؟ ومن يراجع الحالات الخطرة؟ وهل يمكن إيقاف التنفيذ الآلي والعودة إلى وضع آمن؟

القاعدة الجامعة: لا يكون النموذج أفضل لمجرد أن رقمه أعلى؛ بل يكون أفضل عندما يتفوق على طريقة واقعية، ويصمد في بيئة الاستخدام، ويكشف حدود معرفته، ويعمل ضمن الموارد المتاحة، ويقلل الخطأ الأشد ضررًا، ويؤدي في النهاية إلى قرار ونتيجة أفضل في المزرعة.

13\. حالة تعليمية متكاملة: كيف تتحول صورة ورقة إلى قرار زراعي مسؤول؟

الحالة الآتية مثال تعليمي يجمع مفاهيم الفصل في مسار واحد. وهي لا تقدم تشخيصًا لمرض بعينه، ولا تصف علاجًا أو مادة أو جرعة، بل توضح كيف ينبغي أن يتعامل النظام المسؤول مع المعلومة الناقصة، وكيف ينتقل من صورة أولية إلى قرار يمكن فحص أسبابه وحدوده. لاحظ مزارع بقعًا صفراء وبنية على بعض الأوراق في جزء من الحقل. التقط صورة بهاتفه، وأرسلها إلى نظام مساعد، ثم كتب: «ما هذه الإصابة، وماذا أستخدم لها؟» قد يبدو السؤال مباشرًا، لكن الإجابة المسؤولة لا تبدأ باسم مرض أو مادة. فالصورة الواحدة قد تظهر عرضًا، أي تغيرًا مرئيًا في لون الورقة أو شكلها، لكنها لا تثبت وحدها سبب العرض. وقد تتشابه في الصورة آثار مرض فطري أو بكتيري، ونقص عنصر غذائي، وإجهاد مائي، وضرر كيميائي، وحرق شمسي، وإصابة حشرية، أو أكثر من عامل في الوقت نفسه. ولهذا تكون الصورة بداية لمسار الفحص، لا نهاية له. الخطوة الأولى — تحويل السؤال العام إلى سؤال يمكن فحصه لا يقفز النظام من سؤال «ماذا أستخدم؟» إلى اقتراح معالجة. بل يعيد ترتيب المسألة إلى أسئلة أصغر:

• هل تظهر في الصورة علامات يمكن وصفها بوضوح؟
• في أي جزء من الورقة توجد؟
• هل النمط موضعي أم منتشر؟
• هل تكفي الصورة للتمييز بين بعض الاحتمالات؟
• ما المعلومات الناقصة قبل الاقتراب من تشخيص؟
• هل توجد علامة تستدعي مراجعة مختص بسرعة؟

وقد يكون الرد الأول للنظام مثلًا: «تظهر في الصورة مناطق صفراء وبنية، لكن الصورة وحدها لا تكفي لتحديد السبب أو اختيار معالجة. سأفحص أولًا جودة الصورة، ثم أحتاج إلى معلومات عن المحصول وانتشار الأعراض والظروف المحيطة.» تؤدي هذه البداية وظيفة مهمة: فهي تفصل بين رؤية العرض ومعرفة سببه، وتمنع النظام من تحويل التشابه البصري إلى يقين لا يملكه. الخطوة الثانية — التحقق من أن الصورة تصلح للتحليل قبل تحليل البقع، يفحص التطبيق جودة الصورة نفسها. فقد يكون ما يبدو عرضًا مرضيًا ظلًا، أو انعكاسًا للضوء، أو أثرًا لضغط الصورة، أو جزءًا خارج نطاق التركيز. يتحقق النظام، قدر الإمكان، من أمور مثل:

• هل الورقة واضحة أم مهزوزة؟
• هل الإضاءة طبيعية بما يكفي لإظهار اللون الحقيقي؟
• هل المنطقة المتأثرة ظاهرة عن قرب؟
• هل تظهر الورقة كاملة، حتى يمكن معرفة موضع الأعراض عليها؟
• هل توجد صورة للسطح العلوي وأخرى للسطح السفلي؟
• هل توجد صورة للنبات كاملًا، لا للورقة وحدها؟
• هل يوجد جسم مرجعي يساعد على تقدير حجم البقعة؟
• هل التقطت الصورة بعد بلل الورقة أو رشها بما قد يغير مظهرها؟

والمقصود بظهور «السطحين» هو تصوير السطح العلوي للورقة والسطح السفلي لها، لأن بعض العلامات قد تكون أوضح في أحدهما. إذا كانت الصورة غير كافية، لا ينبغي أن ينتج النظام جوابًا واثقًا لمجرد أن المستخدم ينتظر جوابًا. بل يشرح ما ينقصها ويطلب إعادة التصوير، مثل: «الصورة غير واضحة في منطقة حواف البقع. التقط صورة أقرب في ضوء طبيعي، وصورة أخرى للسطح السفلي للورقة، ثم أضف صورة للنبات كاملًا وللجزء المتأثر من الحقل.» هذا السلوك ليس تعطيلًا للمستخدم؛ بل حماية له من نتيجة مبنية على مدخل لا يسمح باستنتاج موثوق. الخطوة الثالثة — وصف ما تراه أداة الرؤية، من دون ادعاء التشخيص إذا كانت الصورة صالحة للتحليل، قد يستخدم النظام نموذجًا للرؤية الحاسوبية لأداء مهمة أو أكثر:

• تحديد المناطق المتغيرة اللون داخل الصورة.
• تقدير نسبة الجزء المتأثر من الورقة.
• وصف شكل البقع وتوزعها الظاهر.
• مقارنة النمط بفئات تعلمها النموذج من صور سابقة.
• اكتشاف أن الصورة لا تشبه بما يكفي الحالات التي اختُبر عليها.

ويجب أن يكون المخرج واضحًا في حدوده. فبدل أن يقول النظام: «هذا هو المرض الفلاني.» يمكن أن يقول: «اكتشف النظام بقعًا صفراء وبنية غير منتظمة في أجزاء من نسيج الورقة. يتشابه هذا المظهر بصريًا مع أكثر من حالة، ولا تكفي الصورة الحالية لتحديد السبب.» وقد يعرض النظام المنطقة التي ركز عليها في الصورة حتى يستطيع المستخدم أو المختص التحقق من أنه حلل نسيج الورقة المتأثر، لا الخلفية أو ظلًا مجاورًا. أما عبارة «فئة غير معروف» فلا تعني أن النموذج اكتشف مرضًا اسمه «غير معروف». المقصود أن الصورة لا تتطابق بدرجة كافية مع الفئات التي تعلم النظام التمييز بينها، أو أن جودتها لا تسمح بحكم مأمون. وفي هذه الحالة ينبغي أن يعرض نتيجة مثل:

• الحالة غير ممثلة في الفئات المعروفة للنظام.
• الصورة غير كافية للمقارنة.
• توجد علامات متداخلة لا تسمح بالتصنيف.
• يلزم فحص بشري أو معلومة إضافية.

وهنا يظهر فرق مهم: قد يستطيع النموذج تحديد موضع البقع بدقة، من دون أن يستطيع تحديد سببها. النجاح في المهمة البصرية الأولى لا يثبت نجاح التشخيص. الخطوة الرابعة — إضافة سياق الحقل إلى سياق الصورة لا تنفصل أعراض النبات عن المحصول والبيئة والإدارة. ولهذا يسأل النظام عن المعلومات التي يمكن أن تغيّر تفسير الصورة، ولكن من الأفضل ألا يغرق المزارع بعشرات الأسئلة دفعة واحدة. يبدأ بالأسئلة الأعلى فائدة، ثم يطلب مزيدًا من التفاصيل عند الحاجة. قد يسأل أولًا:

• ما المحصول والصنف إن كان معروفًا؟
• ما عمر النبات أو مرحلة نموه؟
• متى ظهرت الأعراض؟
• هل تتزايد بسرعة أم تبدو مستقرة؟
• هل تظهر على نبات واحد أم على مجموعة من النباتات؟
• هل تتركز في أطراف الحقل، أم في بقع متفرقة، أم على امتداد صفوف الري؟
• هل بدأت في الأوراق القديمة أم الحديثة؟
• هل تظهر على السطح السفلي للورقة علامات إضافية؟
• هل ظهرت أعراض على الساق أو الثمار أو الجذور؟
• هل حدث ري غزير، أو انقطاع للماء، أو موجة حرارة أو برودة؟
• هل استُخدمت مادة زراعية أو تغير برنامج التسميد مؤخرًا؟
• هل توجد أعراض مشابهة في محصول أو حقل مجاور؟

هذه المعلومات لا تضيف «تفاصيل جانبية»، بل قد تغير معنى الصورة بالكامل. فتوزع الأعراض على امتداد خط ري قد يوجه الفحص إلى الماء أو الجذور أو معدات الري، بينما انتشارها من بؤرة إلى النباتات المجاورة قد يثير مجموعة مختلفة من الاحتمالات. وظهورها على الأوراق القديمة قد يحمل دلالة تختلف عن ظهورها أولًا على النمو الحديث. كما ينبغي للنظام أن يميز بين معلومة أدخلها المستخدم، ومعلومة قاسها مستشعر، واستنتاج كوّنه من الصورة. فلا يعرضها كلها كما لو كانت حقائق متساوية في القوة. الخطوة الخامسة — ترتيب الاحتمالات بدل إعلان سبب واحد بعد جمع الصورة والسياق، قد يرتب النظام الأسباب المحتملة. ويُقصد بـالترجيح هنا مقارنة الاحتمالات وفق الأدلة المتاحة، لا إعلان أن السبب الأعلى ترتيبًا قد ثبت. فقد يعرض النتيجة بهذه الصورة:

• احتمال يتفق معه شكل البقع وتوزعها، لكن تنقصه علامة يجب فحصها على السطح السفلي للورقة.
• احتمال آخر تدعمه ظروف الطقس الأخيرة، لكنه لا يفسر موضع الأعراض بالكامل.
• احتمال متعلق بالتغذية أو الري يحتاج إلى مراجعة انتشار الأعراض في الحقل وقياسات التربة أو الماء.
• أسباب أخرى أقل ترجيحًا، لكنها لا تزال ممكنة لعدم اكتمال المعلومات.

ولا يكفي عرض نسب مئوية مجردة؛ لأن الرقم قد يمنح القارئ إحساسًا باليقين أكبر مما تسمح به الأدلة. ينبغي أن يوضح النظام:

• ما الدليل الذي رفع كل احتمال؟
• ما المعلومة التي خفضته؟
• ما البيانات الناقصة؟
• ما السؤال أو الفحص التالي الذي سيفصل بين الاحتمالات بأكبر قدر؟
• هل درجات الثقة التي يعرضها اختُبرت في محصول وبيئة مشابهين؟

ويشير تعبير الطبقة الاحتمالية في الصياغة التقنية إلى الجزء الذي يجمع الأدلة المختلفة ويعيد ترتيب الاحتمالات عند وصول معلومة جديدة. لكن هذا الجزء لا «يعرف الحقيقة» من تلقاء نفسه؛ بل ينظم ما تؤيده البيانات وما لا تزال عاجزة عن حسمه. فإذا أضاف المستخدم صورة للسطح السفلي للورقة، أو وصف طريقة انتشار الأعراض، أو نتيجة اختبار ميداني أو معملي، فقد يتغير الترتيب. وهذه ليست علامة تناقض، بل نتيجة طبيعية لتحديث الحكم عندما تصل أدلة أقوى. الخطوة السادسة — البحث في مصادر موثوقة وملائمة للسياق بعد تضييق الاحتمالات، يبحث النظام في مصادر معرفية معتمدة. والمقصود بـالمصادر المحكومة أنها ليست أي صفحات يعثر عليها البحث، بل مجموعة وثائق جرى تحديد مصدرها وتاريخها ونطاق صلاحيتها وحالة اعتمادها. وقد تشمل، وفق المهمة والبلد:

• أدلة إرشادية صادرة عن جهات زراعية موثوقة.
• مراجع علمية أو تشخيصية مناسبة للمحصول.
• نشرات رسمية محدثة.
• تعليمات صادرة عن الجهات التنظيمية المختصة.
• بطاقات الاستخدام الرسمية السارية للمنتجات المسجلة محليًا.
• بروتوكولات أخذ العينات أو الإحالة إلى المختبر.

ولا يصبح المصدر مناسبًا لمجرد أنه صحيح في ذاته. فقد يكون صادرًا عن دولة أخرى تختلف فيها المنتجات المسجلة، أو يخص صنفًا مختلفًا، أو يكون قديمًا، أو يتناول مرضًا متشابه الأعراض في محصول آخر. لذلك ينبغي أن يطابق النظام، قدر الإمكان:

• المحصول والصنف.
• الموقع أو الدولة والمنطقة.
• تاريخ الوثيقة ونسختها.
• الجهة التي أصدرتها.
• نوع الزراعة والبيئة.
• مرحلة نمو المحصول.
• الحالة التنظيمية للمادة أو الإجراء.

ويجب أن يعرض النظام المصدر بطريقة يستطيع المستخدم أو المختص فحصها، فيبين اسم الوثيقة والجهة والتاريخ والجزء الذي استند إليه. كما يجب أن يفرق بين:

• ما ورد صراحة في المصدر.
• ما استنتجه النظام من جمع عدة معلومات.
• ما لم يجد له سندًا كافيًا.

وإذا لم يعثر على مصدر ملائم، تكون العبارة المسؤولة: «لم أعثر في مجموعة المصادر المعتمدة المتاحة على إرشاد حديث وملائم لهذا المحصول والمنطقة يبرر توصية محددة. يلزم الرجوع إلى مختص أو إلى الجهة الزراعية المحلية.» عدم العثور على مصدر ليس فراغًا ينبغي للنموذج ملؤه بالتخمين، بل معلومة مهمة يجب إظهارها. الخطوة السابعة — إيقاف الانتقال غير المأمون من الاحتمال إلى المعالجة بعد ظهور الاحتمالات والمصادر، تأتي بوابة السلامة. والمقصود بها مجموعة قواعد ومراجعات تمنع النظام من تحويل تشابه بصري أو احتمال غير محسوم إلى أمر علاجي مباشر. ينبغي التمييز بين مستويات مختلفة من المخرجات:

1. وصف عام: ما الذي يظهر في الصورة وما المعلومات الناقصة؟
2. خطوة تحقق: ما الصورة أو الفحص أو المعلومة التالية المطلوبة؟
3. إرشاد وقائي عام منخفض المخاطر: إذا كان مسندًا إلى مصدر ملائم ولا يفترض تشخيصًا لم يثبت.
4. تشخيص مهني: قد يحتاج إلى مختص أو اختبار مرجعي.
5. اختيار مادة أو جرعة أو إجراء منظم: يخضع للتشخيص، والتسجيل المحلي، وبطاقة الاستخدام الرسمية السارية للمنتج، وسلطة الشخص المخول باتخاذ القرار.

فوجود اسم مرض في قائمة الاحتمالات لا يجيز الانتقال تلقائيًا إلى اسم مادة. ووجود مادة مذكورة في مصدر قديم أو صادر عن بلد آخر لا يثبت أنها مسجلة للمحصول والمنطقة أو أن استخدامها مناسب للحالة. وقد تقرر بوابة السلامة أن المخرج الصحيح هو:

• طلب صور أو معلومات إضافية.
• اقتراح معاينة بقية النبات والحقل.
• إحالة الحالة إلى مختص زراعي.
• اتباع تعليمات المختص في تقديم عينة للفحص.
• التحقق من الجهة التنظيمية المختصة في البلد أو المنطقة.
• الامتناع عن اقتراح مادة أو جرعة لعدم كفاية التشخيص أو المصدر.
• إصدار تنبيه عاجل إذا كانت المؤشرات المتاحة تستدعي تدخلًا مهنيًا سريعًا، مع بيان سبب التنبيه من دون ادعاء تشخيص نهائي.

ولا ينبغي أن يكتفي النظام بعبارة عامة مثل «استشر خبيرًا» في كل مرة؛ لأن ذلك يجعله قليل الفائدة. الأفضل أن يوضح لماذا يحتاج الأمر إلى مختص، وما المعلومات التي ينبغي تجهيزها، وما السؤال الذي يحتاج المختص إلى حسمه. الخطوة الثامنة — اتخاذ القرار وتوثيق ما حدث ومتابعة النتيجة بعد عرض الأدلة وحدودها، يبقى القرار للمزارع أو للمختص المخول، بحسب نوع الإجراء وخطورته. وقد تكون النتيجة طلب فحص إضافي، أو مراقبة الحالة مدة محددة، أو إجراء اختبار، أو تنفيذ تدخل اعتمده المختص وفق المتطلبات المحلية. يسجل النظام، بموافقة المستخدم ووفق قواعد الخصوصية، عناصر مثل:

• الصور والمعلومات التي بُني عليها التحليل.
• وقت إصدار النتيجة.
• الاحتمالات التي عُرضت ودرجات الثقة.
• المصادر التي استُرجعت وإصداراتها.
• البيانات التي كانت ناقصة.
• التحذيرات أو أسباب الامتناع.
• القرار الذي اتخذه المستخدم أو المختص.
• ما نُفذ فعليًا.
• ما ظهر لاحقًا من نتائج أو تغيرات.

ويُقصد بـالتغذية الراجعة المعلومات التي تعود إلى النظام بعد القرار: هل أكد المختص سببًا معينًا؟ هل أظهر الاختبار نتيجة مرجعية؟ هل تغيرت الأعراض؟ هل نُفذ الإجراء أصلًا؟ لكن ما يكتبه المستخدم بعد ذلك لا يصبح تلقائيًا حقيقة يعتمد عليها التدريب. فقد يظن أن التشخيص كان صحيحًا لأنه رأى تحسنًا، بينما يكون التحسن ناتجًا عن تغير الطقس أو الري أو عامل آخر. وقد يُدخل اسمًا غير دقيق، أو ينسب النتيجة إلى إجراء لم يُنفذ كما هو مسجل. لذلك تظل المعلومات اللاحقة بدرجات متفاوتة من القوة:

• ملاحظة المستخدم مفيدة للمتابعة.
• تأكيد المختص أقوى من التخمين الأولي.
• نتيجة اختبار مرجعي قد تكون أقوى في مهمة محددة.
• التحسن بعد إجراء ما لا يثبت وحده أن التشخيص أو الإجراء كان سبب التحسن.

وقبل استخدام هذه المعلومات في تحديث النموذج، يجب مراجعة جودتها، والتحقق من مصدرها، وتحديد من اعتمدها، ثم اختبار النموذج المحدث قبل إطلاقه. وإلا فقد يتعلم النظام من أخطائه القديمة ويكررها بثقة أكبر. كيف قد يبدو الجواب للمزارع؟ بعد المرور بالمراحل الأولى، قد يعرض النظام جوابًا مثل: «تظهر في الصورة بقع صفراء وبنية على نسيج الورقة، لكن هذا المظهر يمكن أن ينتج عن أكثر من سبب، ولا تكفي الصورة الحالية لتأكيد تشخيص أو اختيار معالجة. أرسل صورة واضحة للسطح السفلي للورقة، وصورة للنبات كاملًا، واذكر المحصول ومرحلة نموه، ومتى بدأت الأعراض، وهل تظهر على نباتات متجاورة أم على امتداد خط الري. بعد اكتمال هذه المعلومات يمكن ترتيب الاحتمالات وتحديد الفحص التالي. لن أقترح مادة أو جرعة قبل وجود تشخيص ومصدر ملائم للمنطقة والتحقق من بطاقة الاستخدام الرسمية السارية للمنتج.» هذا الجواب لا يترك المزارع بلا مساعدة، ولا يمنحه في الوقت نفسه يقينًا مصطنعًا. إنه يوضح ما رآه النظام، وما لم يستطع إثباته، وما المعلومات المطلوبة، ولماذا لم ينتقل مباشرة إلى المعالجة. أين يمكن أن تفشل الرحلة؟ تكشف الحالة أن الخطأ لا يقع في نموذج الصورة وحده. قد يحدث في أي مرحلة:

• قد تكون الصورة غير صالحة، لكن التطبيق يقبلها.
• قد يركز النموذج على ظل أو خلفية بدل البقع.
• قد تكون الحالة غير ممثلة في بيانات التدريب.
• قد يدخل المستخدم اسم محصول أو موقعًا غير صحيح.
• قد يربط النظام الصورة بسياق حقل آخر.
• قد يرتب الاحتمالات بثقة أعلى مما تسمح به الأدلة.
• قد يسترجع مصدرًا صحيحًا لكنه قديم أو غير ملائم للبلد.
• قد تلخص الواجهة المصدر بطريقة تغير معناه.
• قد تتحول معلومة عامة إلى توصية علاجية غير مخولة.
• قد يصل الجواب متأخرًا بعد تغير الحالة.
• قد يسجل النظام قرارًا مقترحًا كما لو أنه نُفذ فعلًا.
• قد تدخل ملاحظة غير موثقة إلى بيانات التدريب باعتبارها تشخيصًا مؤكدًا.

ولهذا لا يكفي أن نقول إن «النموذج تعرف إلى الصورة». ينبغي أن نعرف كيف انتقلت الصورة إلى احتمال، وكيف ارتبط الاحتمال بالمصدر، وكيف مُنع الاستنتاج غير الآمن، ومن اتخذ القرار، وكيف جرى توثيق النتيجة. للقارئ المتعمق: تجمع هذه الحالة عدة وظائف مختلفة ينبغي تقييم كل منها على حدة: جودة الصورة، وتحديد موضع الأعراض، وتصنيف النمط البصري، واكتشاف الحالات غير المألوفة، وجمع السياق، وترتيب الاحتمالات، واسترجاع المصادر، والتحقق من ملاءمتها، وصياغة الجواب، وتطبيق قواعد السلامة، والإحالة إلى الإنسان، ومتابعة النتيجة. ولا يجوز استخدام نجاح وظيفة واحدة دليلًا على نجاح الوظائف الأخرى. كما ينبغي تجنب «الإغلاق التشخيصي المبكر»، أي التوقف عند أول تفسير يبدو مقنعًا، والبحث بدلًا من ذلك عن الدليل الذي يؤيده والدليل الذي قد ينقضه. إذا توقفت الرحلة بعد تحديد النمط الظاهر في الصورة، فنحن أمام أداة لتحليل صورة. وإذا أضيف إليها السياق وترتيب الاحتمالات، فنحن أمام مساعد أولي للاستدلال. وإذا رُبطت بمصادر ملائمة، وقواعد سلامة، ومسار مراجعة بشرية، وتوثيق ومتابعة، فنحن أمام نظام لدعم القرار. والفرق بين هذه المستويات لا يظهر بالضرورة في جمال الواجهة أو طلاقة الجواب، بل يظهر في الأسئلة التي طرحها النظام، والافتراضات التي كشفها، والمصادر التي أتاح فحصها، والحدود التي لم يسمح لنفسه بتجاوزها. القاعدة الجامعة: صورة الورقة قد تكشف أين يبدأ السؤال، لكنها لا تثبت وحدها أين تنتهي الإجابة؛ والقرار المسؤول هو الذي يربط ما رآه النظام بما يعرفه عن السياق، وما يستطيع إثباته من المصادر، وما يجب أن يبقى تحت حكم الإنسان.

14\. ما الذي ينبغي أن يبقى مع القارئ من هذا الفصل؟

ما الذي ينبغي أن يبقى مع القارئ من هذا الفصل؟ لا يحتاج القارئ إلى حفظ أسماء الخوارزميات، ولا إلى معرفة تفاصيل بنائها، حتى يفكر في الذكاء الاصطناعي الزراعي تفكيرًا واعيًا. ما يحتاج إليه هو أن يرى الصلة بين أربعة أمور: السؤال الذي نريد الإجابة عنه، والبيانات التي نملكها، والنتيجة التي ينتجها النظام، والفعل الذي قد يحدث في الحقل بناءً عليها. فالنظام الذي يحلل صورة ورقة لا يؤدي المهمة نفسها التي يتنبأ فيها نظام بالغلة. والنظام الذي يتوقع احتياج المحصول إلى الماء لا يؤدي المهمة نفسها التي تختار فيها أداة تخطيط موعد تشغيل المضخة. كما أن إصدار تنبيه ليس هو اتخاذ قرار، واتخاذ القرار ليس هو تنفيذ الفعل، وتنفيذ الفعل لا يضمن وحده تحسن النتيجة الزراعية. وأمام أي تطبيق أو جهاز أو عرض تجاري، يستطيع القارئ أن ينظم فحصه في أربع مجموعات من الأسئلة. أولًا — ما المشكلة التي يحاول النظام حلها؟ ابدأ بالغرض، لا باسم التقنية:

• ما المشكلة الزراعية المحددة التي يعالجها النظام؟
• من المستخدم المقصود: المزارع، أم المرشد، أم الطبيب البيطري، أم مدير التشغيل، أم الباحث؟
• هل يصف ما يحدث الآن، أم يتوقع ما قد يحدث لاحقًا؟
• هل يعرض احتمالات، أم يقترح قرارًا، أم ينفذ فعلًا على آلة؟
• ما القرار الذي يفترض أن يتغير بسبب النتيجة؟
• هل يصل المخرج في الوقت الذي لا يزال التدخل فيه مفيدًا؟

قد تقول شركة إن نظامها «يكتشف أمراض النبات»، لكن هذا الوصف قد يخفي مهام مختلفة. هل يحدد وجود تغير في الورقة فقط؟ هل يقارن الصورة بعدد محدود من الحالات؟ هل يرتب أسبابًا محتملة؟ هل يقدم مصدرًا؟ هل يقترح معالجة؟ ولكل مستوى من هذه المستويات بيانات ومخاطر ومسؤوليات مختلفة. كما ينبغي السؤال عن معنى النتيجة نفسها. فإذا عرض النظام الرقم 0.82، فما المقصود به؟ هل هو احتمال؟ أم درجة تشابه؟ أم نسبة من المساحة المتأثرة؟ وإذا توقع غلة قدرها 4.7، فما الوحدة: أطنان لكل هكتار، أم لكل فدان، أم للمزرعة كلها؟ وعن أي فترة زمنية يتحدث؟ الناتج الذي لا تُعرف وحدته أو زمنه أو علاقته بالقرار قد يبدو دقيقًا، لكنه لا يساعد على عمل مسؤول. ثانيًا — ماذا يعرف النظام، وما الذي لا يستطيع معرفته؟ يعتمد كل نموذج على بيانات تعلم منها أو قواعد ومصادر زُوّد بها. ولذلك ينبغي السؤال:

• ما نوع البيانات التي بُني عليها؟
• من أين جاءت؟
• من تحقق من جودتها؟
• هل تمثل المحاصيل والأصناف والمواسم والبيئات التي سيُستخدم فيها؟
• هل تشمل الحالات المبكرة والمختلطة والصعبة، أم الحالات الواضحة فقط؟
• ما المعلومات التي لا يستطيع النظام رؤيتها أو الوصول إليها؟
• ماذا يحدث إذا كانت الصورة رديئة أو القراءة ناقصة أو المستشعر متعطلًا؟
• هل يميز بين ما قاسه فعلًا، وما أدخله المستخدم، وما استنتجه بنفسه؟

قد يتعلم نموذج صور النبات من أمثلة ارتبطت كل منها بتسمية مرجعية أكدها مختص. وقد يتعلم نموذج الغلة من سجلات ارتبطت بقيم مرجعية قِيست بعد الحصاد. فإذا كانت هذه التسميات أو القياسات غير دقيقة، فإن الخطأ يدخل في عملية التعلم نفسها. كما أن تشابه بيانات التدريب مع بيئة المزرعة ليس تفصيلًا ثانويًا. فالنموذج الذي تعلم من صور أوراق منفردة في مختبر قد يواجه صعوبة في حقل تتداخل فيه الأوراق وتتغير فيه الإضاءة. والنظام الذي تعلم من مزارع كبيرة ذات مستشعرات منتظمة قد لا يحافظ على أدائه في حيازة صغيرة تعتمد على قياسات متقطعة. والسؤال المهم ليس فقط: «ما الذي رآه النظام؟» بل أيضًا: ما الذي لا يستطيع رؤيته، مع أنه ضروري للقرار؟ فالصورة لا تكشف دائمًا حالة الجذور، ولا تفسر وحدها تاريخ الري والتسميد، ولا تثبت وجود مسبب مرضي. وقراءة الرطوبة في نقطة واحدة لا تصف بالضرورة القطاع كله. والسجل الرقمي لا يبين دائمًا ما إذا كان الإجراء المكتوب قد نُفذ فعليًا. ثالثًا — كيف نعرف أن النظام يعمل فعلًا؟ لا يكفي أن يعرض المنتج نسبة مرتفعة أو تجربة ناجحة. ينبغي السؤال:

• بماذا قورن النظام؟
• هل تفوق على الطريقة المستخدمة حاليًا، أم على مثال مرجعي ضعيف؟
• هل اختُبر على مزارع أو مواسم أو أجهزة لم تدخل في تدريبه؟
• ما نوع الخطأ الأخطر في هذه المهمة؟
• كم مرة وقع هذا الخطأ؟
• هل عُرضت النتائج لكل حالة مهمة، أم أُخفيت داخل متوسط عام؟
• هل ثبت نجاح النموذج وحده، أم اختُبرت المنظومة كاملة؟
• هل توجد أدلة على أثره في القرار والنتيجة الزراعية، أم على صحة التوقع فقط؟

والطريقة المستخدمة حاليًا، أو أبسط قاعدة واقعية نقارن بها النظام الجديد، تسمى المرجع الأساسي للمقارنة أو «خط الأساس». قد يكون هذا المرجع فحص مختص، أو متوسط المواسم السابقة، أو جدول ري مضبوطًا محليًا، أو نظامًا قديمًا مستخدمًا بالفعل. والسؤال ليس هل تفوق النموذج على لا شيء، بل: هل أضاف قيمة فوق الطريقة الواقعية المتاحة، وهل تستحق هذه القيمة كلفة استخدامه؟ كما يجب أن يشبه الاختبار ظروف الاستخدام الحقيقي. فإذا دخلت صور النبات نفسه، أو صور متتابعة شديدة التشابه، في بيانات التعلم وبيانات الاختبار، فقد تبدو النتيجة ممتازة لأن النموذج رأى ما يشبه الاختبار من قبل. وهذا هو أحد أشكال تسرب البيانات: وصول معلومات أو أمثلة شديدة الصلة إلى الاختبار مع أنها كان يجب أن تبقى منفصلة عنه. وينبغي كذلك التمييز بين ثلاثة أنواع من الدليل:

1. دليل على أداء النموذج:

يبين أن النموذج صنف الصور أو توقع القيم بصورة جيدة في اختبار محدد.

2. دليل على أداء النظام:

يبين أن جمع البيانات، وفحص الجودة، والتحليل، وعرض النتيجة، والاتصال، والتنفيذ تعمل معًا في الظروف الفعلية.

3. دليل على الأثر الزراعي:

يبين أن استخدام النظام أدى إلى قرار أفضل أو خفض ضررًا أو وفر موردًا أو حسّن نتيجة في المزرعة.

ولا يثبت النوع الأول النوعين الآخرين تلقائيًا. فقد يكون التوقع صحيحًا، لكن التنبيه يصل متأخرًا. وقد يصل في الوقت المناسب، لكن المستخدم لا يملك المورد اللازم لتنفيذ التوصية. وقد يُنفذ القرار، لكن أثره يختلف بسبب ظرف لم يدخله النظام في حسابه. رابعًا — ماذا يحدث عندما لا يعرف النظام أو عندما يتعطل؟ النظام المسؤول لا يتصرف كما لو أن جميع الحالات مألوفة، وجميع البيانات مكتملة، وجميع الأجهزة تعمل دائمًا. ولذلك ينبغي السؤال:

• هل يوضح أن الأدلة غير كافية عندما تكون الحالة غامضة؟
• هل يعرض نطاقًا أو درجة ثقة بدل رقم قطعي؟
• هل يستطيع طلب معلومة إضافية؟
• هل يستطيع الامتناع عن التشخيص أو التوصية عندما لا يملك سندًا كافيًا؟
• ماذا يفعل إذا انقطع المستشعر أو الاتصال أو الطاقة؟
• هل ينتقل إلى وضع آمن أم يستمر اعتمادًا على بيانات قديمة؟
• من يراجع الحالات غير المحسومة؟
• من يملك سلطة إيقاف التنفيذ أو تجاوزه؟
• كيف يكتشف الفريق أن الأداء تراجع بعد الشراء أو الإطلاق؟
• من يوافق على التحديثات والإصدارات الجديدة؟

ويعني عدم اليقين أن الأدلة لا تدعم جميع النتائج بالقوة نفسها. فقد تكون الصورة واضحة ومشابهة لما تعلمه النموذج، أو تكون ناقصة ولحالة لم يرها من قبل. وقد تتفق المستشعرات، أو تتعارض قراءاتها. أما الامتناع فيعني أن النظام لا يجبر نفسه على إصدار حكم عندما لا تسمح الأدلة بذلك. فقد يقول: «لا تكفي البيانات الحالية لتحديد الحالة بأمان. أرسل صورة إضافية، أو افحص المستشعر، أو أحل الحالة إلى مختص.» وهذه ليست علامة ضعف إذا استُخدمت في موضعها. فالجواب الذي يصرح بحدوده ويحدد الخطوة التالية قد يكون أنفع من جواب قاطع لا يستند إلى دليل كافٍ. لكن الامتناع يحتاج هو الآخر إلى توازن. فالنظام الذي يمتنع عن معظم الحالات قد يكون قليل الفائدة، والنظام الذي لا يمتنع أبدًا قد يكون خطرًا. والمطلوب تحديد الحالات التي يجب أن يجيب فيها، والحالات التي يطلب فيها معلومات إضافية، والحالات التي تنتقل فيها السلطة إلى إنسان مؤهل. أما عند تعطل البيانات أو الاتصال، فلا يكفي أن يكتب الدليل التقني أن النظام «يدعم العمل دون اتصال». ينبغي أن نعرف ما الذي يبقى متاحًا فعلًا، وما آخر وقت جرى فيه تحديث البيانات، وهل يستطيع المستخدم التمييز بين قراءة حية وقراءة قديمة، وكيف يعود إلى طريقة تشغيل يدوية مأمونة. هذه الأسئلة لا تعارض الابتكار قد تبدو الأسئلة السابقة كثيرة، لكنها لا توضع لتعطيل التقنية أو رفضها. إنها تساعد على نقل الابتكار من العرض المثير إلى أداة يمكن الوثوق بها واستخدامها ومراجعتها. فالتقنية الناضجة تستطيع أن تشرح:

• المهمة التي تؤديها.
• البيانات التي تعتمد عليها.
• الظروف التي اختُبرت فيها.
• أنواع الأخطاء التي ترتكبها.
• حدود النتيجة التي تنتجها.
• ما يحدث عند نقص البيانات أو تعطل المعدات.
• من يملك القرار النهائي.
• كيف يُراقب الأداء بعد بدء الاستخدام.

أما التقنية التي تخفي هذه الأسئلة خلف اسم نموذج مشهور، أو نسبة عامة، أو واجهة مبهرة، فما زالت تحتاج إلى نضج، مهما بلغت طلاقة عرضها. الثقة لا تنشأ من غياب الأسئلة، بل من قدرة النظام والجهة المسؤولة عنه على الإجابة عنها بأدلة واضحة. خلاصة الفصل لا توجد طريقة واحدة هي الأفضل لجميع المسائل الزراعية، ولا تسير طرائق الذكاء الاصطناعي على سلم ينتهي حتمًا عند النموذج الأكبر أو الأحدث. لكل طريقة نوع من الأسئلة تجيده، ونوع من البيانات تحتاج إليه، وحدود ينبغي فهمها. يمكن ترتيب ما عرضه الفصل وفق الوظيفة التي تؤديها الطريقة. طرائق تتعلم من أمثلة ذات نتائج معروفة في التعلم الخاضع للإشراف يتعلم النموذج العلاقة بين المدخل والنتيجة المرجعية المرتبطة به. قد تكون المدخلات صور أوراق، والنتائج المرجعية حالات أكدها مختص. وقد تكون المدخلات بيانات الطقس والتربة والإدارة، والنتائج المرجعية قيم الغلة المقيسة بعد الحصاد. قوة هذه الطريقة أنها تستفيد من الأمثلة السابقة لتوقع نتيجة جديدة. وحدها الأساسي أنها تتعلم من طريقة بناء تلك الأمثلة، بما فيها أخطاؤها وانحيازاتها وضيق تمثيلها. أما التعلم شبه الخاضع للإشراف فيستفيد من عدد محدود من الأمثلة التي راجعها مختص، إلى جانب عدد أكبر من الصور أو السجلات التي لم تُحدد نتيجتها بعد. وقد يقلل ذلك جهد المراجعة، لكنه لا يعوض ضعف الأمثلة الموثقة أو ضيق تنوعها. طرائق تبحث عن أنماط من دون إجابة جاهزة لكل مثال في التعلم غير الخاضع للإشراف يبحث النظام عن أوجه التشابه والاختلاف داخل البيانات. قد يقسم الحقل إلى مناطق متقاربة في الرطوبة أو الغلة، أو يكتشف سجلات تختلف عن النمط المعتاد. لكن المجموعة التي يكتشفها النظام ليست تشخيصًا زراعيًا بذاتها. فقد تتشابه منطقتان حسابيًا لأسباب مختلفة. ودور الخوارزمية هو إظهار النمط الذي يستحق الفحص، أما تفسير السبب فيحتاج إلى سياق الحقل والمعاينة والخبرة. وينتمي كشف الحالات غير المعتادة إلى هذا المجال في كثير من التطبيقات. فقد يلفت النظام النظر إلى مستشعر بدأ ينحرف، أو حيوان تغير نشاطه، أو استهلاك ماء خرج عن المعتاد. لكنه لا يثبت تلقائيًا أن مرضًا أو عطلًا قد وقع. طرائق تحلل الصور والتغير عبر الزمن تستخدم الرؤية الحاسوبية الصورة أو الفيديو لتصنيف حالة، أو تحديد موضع جسم، أو رسم حدود منطقة متأثرة، أو متابعة جسم عبر لقطات متتابعة. لكن رؤية البقعة لا تعني معرفة سببها، وتحديد موضع الحشيشة لا يعني أن الآلة تستطيع إزالتها بأمان. فمخرج الرؤية قد يكون مدخلًا لمرحلة أخرى من الاستدلال أو التحكم، وليس قرارًا كاملًا. أما الطرائق التي تحلل التغير عبر الزمن فتبحث في تسلسل القراءات: كيف تغيرت الرطوبة؟ وهل يرتفع نشاط الحيوان أو ينخفض؟ وما الاتجاه المتوقع للغلة أو الطلب على الماء؟ وتحتاج هذه الطرائق إلى الانتباه إلى الموسمية، وتغير الظروف، والفجوات في القياس، وعدم افتراض أن نمط الماضي سيستمر دائمًا. طرائق تمثل الاحتمال وتفصل التنبؤ عن أثر التدخل تساعد النماذج الاحتمالية على التعبير عن عدم اليقين بدل إخفائه. فقد ترتب عدة تفسيرات محتملة، أو تعرض نطاقًا لتوقع الغلة، أو تحدث ترجيحها عند وصول معلومة جديدة. لكن الاحتمال لا يكون مفيدًا لمجرد ظهوره في صورة نسبة مئوية؛ بل يجب اختبار مدى صدق درجات الثقة، وبيان ما إذا كانت الحالة تشبه البيئات التي اختُبر فيها النظام. أما الاستدلال السببي فيتناول سؤالًا أصعب من التنبؤ. فالتنبؤ يسأل: «ما المتوقع أن يحدث؟» بينما السؤال السببي يسأل: «ما المتوقع أن يتغير إذا تدخلنا؟» وقد ينجح نموذج في توقع الغلة من بيانات التربة والإدارة، من دون أن يثبت أن زيادة أحد المدخلات ستؤدي إلى رفع الغلة. فالانتقال من ملاحظة علاقة إلى توصية بتدخل يحتاج إلى دليل أقوى وتصميم مناسب ومعرفة زراعية وحدود بيئية وتنظيمية. طرائق تقارن البدائل أو تتعامل مع أفعال متتابعة يساعد التخطيط الرياضي والتحسين على توزيع الموارد والمفاضلة بين الخطط ضمن قيود واضحة. فقد يوزع كمية محدودة من المياه بين قطاعات متعددة مع مراعاة مرحلة النمو، وقدرة المضخة، والطاقة، وأوقات التشغيل. لكن الخطة الناتجة تعكس الهدف والقيود اللذين أدخلهما المصمم. فإذا أغفل الهدف صحة النبات أو العدالة بين القطاعات، فقد تنتج الأداة خطة ناجحة حسابيًا وغير مقبولة زراعيًا. أما التعلم المعزز فيتناول سلسلة من الأفعال التي تغير حالة البيئة. فقد يختار النظام فعلًا، ويراقب النتيجة، ثم يعدل اختياراته لتحسين هدف على المدى الطويل. غير أن هذا النوع من التعلم يحتاج إلى استكشاف نتائج الأفعال، ولا يجوز أن يجرب النظام في الحقل أفعالًا خطرة ليتعلم أنها غير آمنة. لذلك يحتاج إلى محاكاة واختبارات تدريجية وقيود سلامة صريحة وسلطة بشرية للإيقاف. طرائق تفتح باب الحوار مع المعرفة تستطيع النماذج اللغوية تلخيص النصوص وترجمتها واستخراج المعلومات وصياغة جواب بلغة طبيعية. وهي تجعل الوصول إلى المعرفة أسهل، لأن المزارع يستطيع أن يسأل بلغته بدل التنقل بين قوائم معقدة. لكن طلاقة الجواب لا تثبت صحته. فقد يصوغ النموذج عبارة مقنعة من دون سند كافٍ. ولهذا يمكن ربطه بمسار يبحث في مصادر معتمدة ويسترجع المقاطع ذات الصلة قبل صياغة الجواب. ولا يضمن الاسترجاع صحة الجواب تلقائيًا؛ فقد يعثر النظام على مصدر صحيح لكنه لا يناسب المحصول أو البلد أو التاريخ. ويجب أن يميز الجواب بين ما ورد في المصدر، وما استنتجه النظام، وما يحتاج إلى حكم مختص. أدوات تساعدنا على فحص النتيجة تحاول أدوات الذكاء القابل للتفسير إظهار ما أثّر في نتيجة النموذج: أجزاء من الصورة، أو قراءات ارتبطت بالتوقع، أو أمثلة مشابهة، أو تغير كان من الممكن أن يبدل مخرج النموذج. وقد تساعد هذه الأدوات المطور على اكتشاف خطأ، أو تساعد المختص على مراجعة نتيجة. لكنها تفسر ما استخدمه النموذج، ولا تثبت بالضرورة ما سبّب الظاهرة في الحقل. والتفسير المقنع لا يحول نتيجة خاطئة إلى نتيجة صحيحة، ولا يعوض ضعف البيانات أو غياب الاختبار الخارجي. الطريقة جزء من سلسلة أكبر لا تعمل أي من هذه الطرائق في فراغ. فالمنظومة الزراعية تمر عادة بسلسلة تبدأ من الواقع وتنتهي بأثر جديد فيه: واقع الحقل → قياس أو صورة أو سجل → فحص جودة البيانات → تقدير أو توقع → قواعد وسياق → قرار → تنفيذ → أثر زراعي → متابعة ويمكن أن تفشل السلسلة في أي حلقة:

• قد يعطي المستشعر قراءة خاطئة أو بوحدة غير متوقعة.
• قد ترتبط صورة بتسمية مرجعية غير دقيقة.
• قد تدخل صور النبات نفسه إلى التدريب والاختبار، فتظهر النتيجة أفضل من قدرتها الحقيقية على التعميم.
• قد يتعلم النموذج من بيئة لا تشبه المزرعة التي سيعمل فيها.
• قد يكون التوقع صحيحًا، لكن قاعدة القرار تحول معناه بصورة خاطئة.
• قد يُختار هدف حسابي يغفل قيدًا زراعيًا أو بيئيًا.
• قد يسترجع النظام مصدرًا لا يخص المحصول أو المنطقة.
• قد يبدو الجواب اللغوي أوثق من الأدلة التي استند إليها.
• قد يصل التنبيه بعد فوات وقت التدخل.
• قد يصدر الأمر الصحيح، لكن المعدة لا تنفذه.
• قد لا يملك المستخدم المورد أو السلطة اللازمة لتطبيق التوصية.
• قد يتغير الواقع بمرور الزمن بينما يستمر النظام كما لو أن الظروف لم تتغير.

ولهذا فإن مقارنة خوارزميتين لا تكفي دائمًا. قد يكون الفرق بينهما صغيرًا، بينما يكون أثر جودة المستشعرات، أو وضوح الواجهة، أو سلامة التنفيذ، أو قدرة الفريق على الاستجابة أكبر كثيرًا. العقد الذي يربط التقنية بالقرار يمكن تلخيص رسالة الفصل في العبارة الآتية: الطريقة التقنية جزء من عقد واضح بين السؤال والبيانات والمخرج والفعل والمسؤولية. وليس المقصود عقدًا قانونيًا، بل اتفاقًا فكريًا وعمليًا يجب أن تكون بنوده معلومة:

1. السؤال: ما المشكلة المحددة التي نريد حلها؟
2. البيانات: ما الأدلة التي تسمح بالإجابة، وما حدود جودتها وتمثيلها؟
3. المخرج: ما الذي سينتجه النظام، وبأي وحدة ودرجة ثقة؟
4. الخطأ: كيف قد يفشل، وأي خطأ هو الأعلى ضررًا؟
5. الفعل: ما القرار أو الإجراء الذي قد يُبنى على المخرج؟
6. المسؤولية: من يراجع ويوافق وينفذ ويوقف ويتابع الأثر؟

إذا اختيرت الخوارزمية قبل فهم هذه البنود، أصبحت اسمًا تقنيًا يبحث عن مشكلة. أما إذا بدأ التصميم من القرار المطلوب، والبيانات المتاحة، وعاقبة الخطأ، والطريقة الواقعية التي نقارن بها، وحدود التشغيل، أمكن أن تصبح الخوارزمية أداة دقيقة داخل منظومة أكبر يقودها البشر ويراجعونها ويحاسبونها. والفهم الحقيقي للذكاء الاصطناعي الزراعي لا يبدأ عندما نحفظ أسماء النماذج، بل عندما نستطيع أن نسأل:

• ماذا رأى النظام فعلًا؟
• وما الذي استنتجه؟
• وما الذي لم يستطع معرفته؟
• وما الدليل الذي يسند النتيجة؟
• وما الفعل الذي ستقود إليه؟
• ومن يتحمل مسؤولية هذا الفعل؟
• وماذا يحدث إذا كانت النتيجة خاطئة؟

نستفيد من سرعة الذكاء الاصطناعي عندما تكون المهمة واضحة والبيانات مناسبة والحدود معلنة. ونتوقف لطلب قياس أو مصدر أو مختص عندما تتجاوز النتيجة ما تستطيع الأدلة إثباته. الخلاصة الجامعة: لا تسأل فقط: «هل هذا النظام ذكي؟» بل اسأل: «ما الذي يعرفه، وكيف عرفه، وما الذي لا يعرفه، وماذا سيحدث في الحقل إذا صدقناه؟» ملاحظات الأدلة وحدود الاستناد تدعم المراجعتان [SRC001] و[SRC002] العرض العام لاتساع تطبيقات الذكاء الاصطناعي والرؤية الحاسوبية في المجالات الزراعية والغذائية، من دون أن تعنيا أن كل تطبيق صالح لجميع المحاصيل والبيئات. ويدعم [SRC035] النظر إلى النظام الزراعي الرقمي بوصفه سلسلة مترابطة تشمل الاستشعار والبيانات والسياق والقرار والفعل، وهو ما يبرر تقييم المنظومة كاملة بدل الاكتفاء بنتيجة النموذج. ويُستخدم [SRC006] مثالًا مقيدًا على التنبؤ بالغلة واستخدام أدوات التفسير داخل إعداد بحثي محدد. ولا يجوز تحويل ترتيب العوامل أو نتائج ذلك الإعداد إلى علاقات سببية عامة أو حقائق تنطبق على كل حقل. ويُستخدم [SRC009] لتصحيح نسبة تقنية كشف الحشائش: فهو يتعلق بتحليل صور من حقول فول الصويا باستخدام شبكات بصرية، ولا يثبت وجود نظام إزالة روبوتي يعتمد على التعلم المعزز. ويساعد هذا التصحيح على الفصل بين رؤية الجسم في الصورة والتحكم في آلة تتعامل معه. ويسترشد عرض المخاطر والرقابة والمراجعة المستمرة عبر دورة حياة النظام بالإطار المشار إليه في [SRC033]. أما الحالة التعليمية المتكاملة، ودليل ربط المهمة بالطريقة، والأسئلة العملية، والأمثلة الحقلية الواردة في الفصل، فهي تركيب تحريري تعليمي يهدف إلى توضيح الفروق بين القياس والتحليل والقرار والتنفيذ. ولا تمثل هذه الأمثلة نتائج تجربة جديدة، أو إثباتًا لأداء نظام بعينه، أو تشخيصًا زراعيًا، أو وصفة لمعالجة محصول.