مع التطور السريع في الذكاء الاصطناعي لم يعد كافيًا أن نسأل: هل يستطيع نموذج AI الإجابة عن السؤال؟ السؤال الأهم أصبح: هل يقدم النتيجة الصحيحة باستمرار؟ وهل يمكن الاعتماد عليه عند استخدامه داخل تطبيق أو شركة أو نظام آلي؟
هنا يظهر مفهوم AI Evals أو تقييم الذكاء الاصطناعي، وهو مجموعة من الاختبارات والمعايير التي تساعد على قياس أداء نموذج أو تطبيق يعتمد على الذكاء الاصطناعي.
وتزداد أهمية التقييم مع انتقال الذكاء الاصطناعي من مجرد روبوتات محادثة إلى أنظمة قادرة على استخدام الأدوات، واسترجاع المعلومات، وتنفيذ مهام متعددة الخطوات، والتعامل مع بيئات رقمية مختلفة.
وتوضح أفضل ممارسات التقييم من OpenAI أن النماذج التوليدية قد تنتج مخرجات مختلفة لنفس المدخل، ولذلك تحتاج تطبيقات الذكاء الاصطناعي إلى أساليب تقييم مصممة خصيصًا لطبيعة هذه الأنظمة.
ما هو AI Evals أو تقييم الذكاء الاصطناعي؟
مصطلح AI Evals هو اختصار لـ AI Evaluations، ويشير إلى الاختبارات المنظمة التي تستخدم لمعرفة مدى نجاح نظام الذكاء الاصطناعي في تنفيذ مهمة محددة وفق معايير واضحة.
يمكن تشبيه الأمر باختبارات البرامج التقليدية، لكن هناك اختلاف مهم. البرنامج التقليدي غالبًا يعطي نتيجة محددة عند إدخال نفس البيانات، بينما يمكن لنظام الذكاء الاصطناعي التوليدي أن ينتج مخرجات مختلفة، حتى عندما يكون الطلب متشابهًا.
لذلك لا يكفي أن تجرب النموذج مرة واحدة وتقول إن النتيجة جيدة.
إذا كنت تستخدم AI لإنشاء ملخصات مثلًا، فيمكن أن تسأل:
- هل الملخص دقيق؟
- هل احتفظ بالمعلومات المهمة؟
- هل حذف معلومات أساسية؟
- هل أضاف معلومات غير موجودة؟
- هل التزم بالطول المطلوب؟
- هل أسلوب الكتابة مناسب للمستخدم؟
كل سؤال من هذه الأسئلة يمكن تحويله إلى معيار داخل عملية التقييم.
لماذا أصبح تقييم الذكاء الاصطناعي مهمًا في 2026؟
عندما كان استخدام الذكاء الاصطناعي مقتصرًا على كتابة النصوص أو الإجابة عن الأسئلة، كان من الممكن للمستخدم مراجعة النتيجة يدويًا.
لكن الوضع تغير مع ظهور AI Agents والأنظمة التي تستطيع التخطيط واستخدام الأدوات وتنفيذ سلسلة من الخطوات للوصول إلى هدف معين.
في هذه الحالة يمكن أن تحدث المشكلة في أي مرحلة.
قد يختار الوكيل الأداة الخطأ، أو يرسل بيانات غير صحيحة إلى الأداة، أو يسترجع معلومات غير مناسبة، أو يفسر النتيجة بشكل خاطئ، ثم يقدم نتيجة نهائية تبدو مقنعة.
ولهذا تشير Anthropic في دليلها حول تقييم وكلاء الذكاء الاصطناعي إلى أن الأنظمة الوكيلة أصبحت أصعب في التقييم لأنها تعمل عبر عدة خطوات وتستخدم الأدوات وتغير حالة البيئة أثناء تنفيذ المهمة.
بمعنى آخر، كلما أصبح نظام الذكاء الاصطناعي أكثر قدرة على تنفيذ المهام، أصبحت الحاجة إلى اختبارات أكثر واقعية أهمية أكبر.
ماذا نقيس عند تقييم نظام الذكاء الاصطناعي؟
لا يوجد مقياس واحد مناسب لجميع تطبيقات AI. يجب أولًا تحديد المهمة التي تريد اختبارها، ثم تحديد معنى النجاح بالنسبة إليها.
الدقة Accuracy
هل النتيجة صحيحة؟ هذا النوع من التقييم مناسب عندما يمكن مقارنة النتيجة بإجابة أو قيمة معروفة.
مثلًا، إذا كان النظام يستخرج رقم فاتورة من مستند، يمكنك مقارنة الرقم الذي استخرجه بالرقم الصحيح.
الملاءمة Relevance
قد تكون الإجابة صحيحة لكنها لا تجيب عن السؤال الذي طرحه المستخدم.
لذلك يمكن أن يكون أحد معايير التقييم هو مدى ارتباط الإجابة بالطلب الفعلي.
اتباع التعليمات
إذا طلبت من النموذج إنشاء وصف من 150 كلمة وبأسلوب معين، فيمكنك اختبار مدى التزامه بهذه التعليمات.
الاتساق Consistency
يمكن اختبار مجموعة من الحالات بدل الاعتماد على نتيجة واحدة، لمعرفة ما إذا كان النظام يحافظ على مستوى متقارب من الأداء.
السلامة
يمكن تصميم اختبارات لمعرفة هل النظام يلتزم بقيود الأمان والتعليمات المحددة له، خصوصًا عندما يكون قادرًا على استخدام أدوات أو تنفيذ إجراءات.
استخدام الأدوات
في الوكلاء يمكن تقييم اختيار الأداة الصحيحة، ودقة البيانات التي يرسلها النظام إليها، وما إذا كان يستخدمها في المرحلة المناسبة من المهمة.
وهذا يرتبط مباشرة بمفهوم Function Calling في الذكاء الاصطناعي، حيث يمكن للنموذج اختيار وظيفة أو أداة لتنفيذ مهمة خارج عملية توليد النص نفسها.
ما الفرق بين AI Eval وBenchmark؟
من المهم التمييز بين AI Evaluation وBenchmark.
الـBenchmark عادةً يكون اختبارًا معياريًا يستخدم لمقارنة نماذج أو قدرات معينة وفق مجموعة محددة من المهام.
أما AI Eval الذي تصممه لشركتك أو تطبيقك فيمكن أن يكون مخصصًا بالكامل لاحتياجاتك.
على سبيل المثال، قد تجد Benchmark يقيس قدرة نموذج على الإجابة عن أسئلة عامة، لكن هذا لا يخبرك بالضرورة كيف سيؤدي النموذج داخل روبوت خدمة العملاء الخاص بشركتك.
ولهذا تركز إرشادات OpenAI حول أفضل ممارسات التقييم على بناء اختبارات تعكس المهمة والاستخدام الفعلي للنظام، بدل الاعتماد فقط على مقاييس عامة.
كيف تبني AI Eval بطريقة صحيحة؟
يمكنك بناء عملية تقييم بسيطة ومنظمة من خلال خمس خطوات رئيسية:
- حدد الهدف: ما المهمة التي تريد قياسها؟
- أنشئ مجموعة اختبار: اجمع حالات حقيقية ومتنوعة.
- حدد معايير النجاح: ما الذي يجعل النتيجة جيدة؟
- اختر طريقة القياس: اختبار برمجي، مقارنة، تقييم نموذج أو مراجعة بشرية.
- كرر التقييم: أعد الاختبار بعد كل تغيير مهم.
وتوصي إرشادات OpenAI الحالية للتقييم بالبدء مبكرًا، واستخدام اختبارات مرتبطة بالمهمة، وأتمتة التقييم عندما يكون ذلك ممكنًا، والاستمرار في توسيع مجموعة الاختبارات مع ظهور حالات جديدة.
مثال عملي: تقييم AI لخدمة العملاء
افترض أنك تبني مساعدًا ذكيًا لخدمة العملاء.
يمكنك إنشاء مجموعة من 100 حالة اختبار تتضمن أسئلة مثل:
- أين طلبي؟
- أريد إلغاء الطلب.
- أريد استرجاع المنتج.
- وصلني منتج تالف.
- هل يمكن تغيير عنوان التوصيل؟
- متى سيصل الطلب؟
بعد ذلك تحدد معايير النجاح لكل حالة.
مثلًا:
المهمة: العميل يريد إلغاء طلب.
معايير النجاح:
- فهم طلب العميل.
- التحقق من حالة الطلب.
- عدم اختلاق سياسة غير موجودة.
- اختيار أداة الإلغاء الصحيحة.
- إرسال البيانات الصحيحة إلى الأداة.
- إبلاغ العميل بالنتيجة النهائية.
بهذه الطريقة تتحول عبارة مثل "المساعد يعمل بشكل جيد" إلى مجموعة من المعايير القابلة للقياس.
تقييم AI Agents: لماذا النتيجة النهائية وحدها لا تكفي؟
في النظام التقليدي قد يكون التركيز على الإجابة النهائية، لكن في AI Agent من المهم أيضًا فحص الطريق الذي سلكه النظام.
يمكن أن يكون لدينا مثلًا:
طلب المستخدم → تحليل المهمة → اختيار الأداة → استدعاء الأداة → قراءة النتيجة → اتخاذ قرار → تنفيذ الخطوة التالية → النتيجة النهائية.
إذا أخطأ الوكيل في خطوة مبكرة فقد يؤثر ذلك على جميع الخطوات التالية.
ولهذا تستخدم أنظمة التقييم الحديثة مفهوم Trace أو سجل التنفيذ، الذي يسمح بمراجعة ما حدث أثناء تشغيل الوكيل.
وتوضح وثائق OpenAI الخاصة بتقييم Agent Workflows أهمية الـtraces والـgraders لاكتشاف مشكلات مثل اختيار الأداة الخطأ أو حدوث handoff في الوقت غير المناسب أو مخالفة تعليمات النظام.
كما تشرح Anthropic مفهوم task وtrial وgrader وtrace وoutcome عند بناء تقييمات للأنظمة الوكيلة، وهي طريقة مفيدة لفهم الفرق بين تقييم الإجابة وتقييم العملية كاملة.
أنواع أدوات تقييم الذكاء الاصطناعي
يمكن تقسيم طرق التقييم إلى عدة أنواع، ولكل نوع استخدام مناسب.
التقييم البرمجي Code-Based Evaluation
يستخدم عندما تكون النتيجة قابلة للتحقق آليًا.
مثلًا: هل الكود يعمل؟ هل تنجح الاختبارات؟ هل الرقم المستخرج صحيح؟ هل تم استدعاء الوظيفة المطلوبة؟
التقييم باستخدام نموذج AI
يمكن استخدام نموذج آخر لتقييم إجابة النموذج وفق معايير محددة، مثل الدقة أو الأسلوب أو مدى الالتزام بالتعليمات.
لكن يجب عدم التعامل مع هذا التقييم باعتباره حقيقة مطلقة؛ فمن المفيد معايرته بمراجعة بشرية، خصوصًا عندما تكون المهمة حساسة أو عندما تكون الفروق بين الإجابات دقيقة.
وتشير Google Cloud في وثائقها حول تقييم تطبيقات الذكاء الاصطناعي التوليدي إلى أن المقاييس الآلية قابلة للتوسع لكنها قد تفقد بعض التفاصيل والسياق، ولذلك يمكن الجمع بينها وبين التقييم البشري للحصول على صورة أفضل.
اطلع على منهج Google Cloud لتقييم تطبيقات الذكاء الاصطناعي التوليدي.
التقييم البشري Human Evaluation
في بعض المهام لا يمكن الاعتماد على رقم أو اختبار برمجي فقط.
مثلًا، إذا كنت تريد تقييم جودة مقال أو أسلوب إجابة أو تجربة مستخدم، فقد تحتاج إلى مراجعين بشريين يستخدمون معايير محددة.
هل يمكن استخدام AI لتقييم AI؟
نعم، وهذه إحدى الطرق المستخدمة في تقييم الأنظمة الحديثة.
يمكن إعطاء الإجابة إلى نموذج آخر مع مجموعة من المعايير، ثم يطلب منه تقييم النتيجة.
لكن الأفضل ألا تعتمد على هذا الأسلوب وحده.
يمكن الجمع بين:
- اختبارات برمجية.
- مقاييس رقمية.
- تقييم نموذج آخر.
- مراجعة بشرية.
وتوضح Anthropic أن تقييمات الوكلاء يمكن أن تجمع بين code-based graders وmodel-based graders وhuman graders، بحيث يستخدم كل نوع في المكان الذي يكون فيه أكثر فائدة.
AI Evals مع RAG
تظهر أهمية التقييم أيضًا في أنظمة RAG في الذكاء الاصطناعي.
في نظام RAG لا يكفي أن تسأل: هل الإجابة النهائية جيدة؟
يمكنك أيضًا اختبار:
- هل تم استرجاع المستند الصحيح؟
- هل المعلومات المسترجعة مرتبطة بالسؤال؟
- هل الإجابة اعتمدت على السياق المناسب؟
- هل أضاف النموذج معلومات غير موجودة في المصادر؟
وهكذا تستطيع تحديد مكان المشكلة بدل الاكتفاء بمعرفة أن النتيجة النهائية كانت خاطئة.
AI Evals وReasoning AI
بعد التعرف في المقال السابق على Reasoning AI والذكاء الاصطناعي الاستدلالي، تظهر مشكلة مهمة: كيف نعرف أن النموذج أصبح أفضل فعلًا في حل المشكلات المعقدة؟
الحل هو إنشاء مجموعة من المسائل المصممة لقياس القدرات المطلوبة، ثم مقارنة النتائج قبل وبعد تغيير النموذج أو التعليمات أو الأدوات.
وبذلك يصبح تطوير النظام قائمًا على بيانات واختبارات، وليس فقط على الانطباع بأن الإجابة الجديدة تبدو أفضل.
AI Evals وPrompt Engineering
تغيير Prompt قد يحسن نتيجة معينة، لكنه قد يسبب تراجعًا في حالات أخرى.
لهذا السبب يمكن استخدام Evals كجزء من دورة تطوير الـPrompt:
Prompt → اختبار → تحليل النتائج → تعديل → اختبار جديد → مقارنة.
وبدل الحكم على Prompt من خلال تجربة واحدة، تستطيع اختبار عشرات أو مئات الحالات وملاحظة التأثير الحقيقي للتعديل.
Prompt عملي لإنشاء مجموعة AI Evals
إذا كنت تريد استخدام ChatGPT أو أي نموذج ذكاء اصطناعي لمساعدتك في تصميم اختبارات لنظامك، يمكنك استخدام Prompt مثل التالي:
أنت خبير في تقييم أنظمة الذكاء الاصطناعي.
لدي نظام AI يقوم بالمهمة التالية:
[اكتب وصف النظام]
أنشئ مجموعة من 20 حالة اختبار متنوعة تشمل:
- الحالات الطبيعية
- الحالات الصعبة
- الحالات الغامضة
- الحالات التي قد تسبب هلوسة
- الحالات التي تتطلب رفض الطلب
- الحالات التي تتطلب استخدام أداة خارجية
لكل حالة حدد:
1. مدخل الاختبار
2. النتيجة المتوقعة
3. معايير النجاح
4. الأخطاء المحتملة
5. طريقة تقييم النتيجة
اجعل الاختبارات قابلة لإعادة الاستخدام بعد كل تحديث للنظام.بعد إنشاء مجموعة الاختبارات يمكنك الاحتفاظ بها واستخدامها مرة أخرى عند تغيير النموذج أو Prompt أو الأدوات.
أخطاء شائعة عند بناء AI Evals
رغم أهمية التقييم، يمكن أن تصبح نتائجه مضللة إذا تم تصميمه بطريقة غير صحيحة.
- اختبار عدد قليل جدًا من الحالات: حالة واحدة لا تكشف الأداء الحقيقي.
- اختيار أمثلة سهلة فقط: يجب أن تحتوي المجموعة على الحالات الطبيعية والصعبة والاستثنائية.
- استخدام معيار عام: يجب أن يرتبط التقييم بالمهمة الفعلية.
- الاعتماد الكامل على الأرقام: بعض الجوانب تحتاج إلى حكم بشري.
- عدم تحديث مجموعة الاختبار: يجب إضافة الحالات الجديدة التي تظهر أثناء الاستخدام.
- تقييم النتيجة النهائية فقط: في الوكلاء يجب فحص الخطوات والأدوات أيضًا.
- الاعتماد على الانطباع: عبارة "يبدو أفضل" ليست نظام تقييم.
وتحذر إرشادات OpenAI الخاصة بالتقييم من الاعتماد على الاختبارات العامة أو الانطباعات الشخصية فقط، وتوصي ببناء اختبارات مرتبطة بالاستخدام الحقيقي ومراجعتها باستمرار.
هل تقييم الذكاء الاصطناعي عملية تتم مرة واحدة؟
لا.
التقييم الأفضل هو عملية مستمرة.
عندما تغير النموذج أو Prompt أو قاعدة البيانات أو الأدوات، يمكن أن يتغير سلوك النظام.
لذلك تحتاج إلى إعادة تشغيل الاختبارات بعد التغييرات المهمة.
وتوضح OpenAI مفهوم Continuous Evaluation، أي استمرار تشغيل الاختبارات مع تطور النظام، بينما توصي Anthropic بالنظر إلى التقييم باعتباره ممارسة مستمرة تساعد على اكتشاف التراجع والأخطاء قبل وصولها إلى المستخدمين.
بهذا يتحول AI Eval من اختبار مؤقت إلى جزء من دورة تطوير المنتج.
ماذا عن OpenAI Evals في 2026؟
من المهم توضيح نقطة حديثة حتى لا تختلط المعلومات على القارئ.
توفر OpenAI حاليًا وثائق وأدوات متعددة للتقييم، بما في ذلك التقييمات ومجموعات البيانات وتقييم تدفقات الوكلاء، لكن منصة Evals الحالية نفسها تمر بمرحلة إيقاف تدريجي خلال 2026.
وفق الوثائق الرسمية الحالية، ستصبح المحتويات الحالية للمنصة للقراءة فقط في 31 أكتوبر 2026، ومن المقرر إيقاف المنصة في 30 نوفمبر 2026. لذلك من الأفضل عدم بناء المقال على افتراض أن واجهة Evals الحالية ستظل كما هي.
يمكن متابعة التفاصيل والتغييرات من خلال وثائق OpenAI الرسمية حول Working with Evals، كما يمكن الاطلاع على دليل Datasets للتقييم كمسار عملي آخر لاختبار Prompts ومخرجات النماذج.
مستقبل AI Evals
مع تطور الذكاء الاصطناعي من نماذج محادثة إلى أنظمة قادرة على استخدام الأدوات والعمل لفترات أطول، سيصبح تقييم الأداء أكثر ارتباطًا بالمهام الواقعية.
لن يكون السؤال فقط: "هل أعطى النموذج إجابة صحيحة؟"
بل قد يصبح:
- هل فهم المهمة؟
- هل وضع خطة مناسبة؟
- هل اختار الأداة الصحيحة؟
- هل استخدم البيانات الصحيحة؟
- هل التزم بقيود الأمان؟
- هل وصل إلى النتيجة المطلوبة؟
- كم استغرق من الوقت؟
- كم كلف تنفيذ المهمة؟
وهذا الاتجاه يجعل AI Evals جزءًا أساسيًا من بناء الأنظمة الذكية، خصوصًا مع توسع استخدام الوكلاء والأنظمة متعددة الخطوات.
الخلاصة
AI Evals أو تقييم الذكاء الاصطناعي هو الطريقة التي ننتقل بها من سؤال "هل يعمل النظام؟" إلى أسئلة أكثر أهمية مثل "هل يعمل بشكل صحيح؟ وهل يمكن الاعتماد عليه؟ وهل تحسن بعد التحديث؟".
وتزداد أهمية هذه العملية مع استخدام Agentic AI وAI Agents وRAG وFunction Calling، لأن النظام لم يعد مجرد نموذج يكتب إجابة، بل أصبح قادرًا على تنفيذ سلسلة من العمليات واستخدام أدوات ومصادر مختلفة.
أفضل نقطة بداية ليست بناء نظام تقييم معقد، بل إنشاء مجموعة صغيرة من الحالات الواقعية، وتحديد معنى النجاح بوضوح، ثم إعادة الاختبار بعد كل تغيير مهم.
وبمرور الوقت يمكن توسيع مجموعة الاختبارات وإضافة الحالات التي ظهرت أثناء الاستخدام، حتى يصبح لديك نظام يساعدك على اكتشاف الأخطاء وقياس التحسن بشكل مستمر.
الأسئلة الشائعة حول AI Evals
ما هو AI Evals؟
AI Evals هو اختصار لـ AI Evaluations، ويشير إلى الاختبارات المنظمة التي تستخدم لقياس أداء نماذج وتطبيقات الذكاء الاصطناعي وفق معايير محددة.
لماذا نحتاج إلى تقييم الذكاء الاصطناعي؟
لأن النموذج قد يعطي نتيجة جيدة في حالة ونتيجة مختلفة في حالة أخرى. يساعد التقييم على اكتشاف الأخطاء وقياس التحسن بعد تحديث النموذج أو Prompt أو النظام.
هل AI Evals مناسب لـAI Agents؟
نعم، ويصبح أكثر أهمية مع الوكلاء، لأن التقييم يمكن أن يشمل اختيار الأدوات وتسلسل الخطوات والنتيجة النهائية والالتزام بالتعليمات.
هل يمكن استخدام نموذج AI لتقييم نموذج آخر؟
نعم، يمكن استخدام نموذج آخر كـgrader، لكن من الأفضل معايرة التقييم الآلي باستخدام اختبارات برمجية أو مراجعة بشرية عندما تكون الدقة مهمة.
ما الفرق بين Benchmark وAI Eval؟
الـBenchmark عادةً اختبار معياري عام، بينما يمكن تصميم AI Eval خصيصًا لتطبيق ومهمة وبيئة استخدام محددة.
هل يمكن عمل AI Eval بدون برمجة؟
يمكن البدء بطريقة بسيطة باستخدام جدول يحتوي على الحالات والنتائج المتوقعة ومعايير النجاح، ثم تطوير العملية لاحقًا إلى نظام آلي عندما يكبر المشروع.
التعليقات