شركة ناشئة من باحثين سابقين في Google وApple تريد بناء حلقة التغذية الراجعة المفقودة في الذكاء الاصطناعي - منصة تعلّم

ملخص المقال

لماذا أصبحت حلقة التغذية الراجعة المفقودة قضية كبيرة في الذكاء الاصطناعي؟ في 2026، لم يعد السؤال الأساسي في الذكاء الاصطناعي هو: "هل النموذج قوي على الاختبارات؟" بل أصبح: "هل يتحسن فعلاً بعد استخدامه في العالم الحقيقي؟" هنا يظهر موضوع حلقة التغذية الراجعة المفقودة في الذكاء الاصطناعي ، وهو ما دفع باحثين سابقين من Google وApple إلى إطلاق شركة ناشئة جديدة تُعرف باسم Trajectory، بهدف بناء أنظمة تتعلم من التفاعل الفعلي بشكل أسرع وأكثر فائدة. ووفق تغطية WIRED و Startup Fortune ، فإن الفكرة الأساسية ليست مجرد تدريب نموذج أكبر، بل إنشاء طبقة مستمرة من الملاحظات والتصحيح والتحسين بعد الإطلاق. هذا التحول مهم لأن كثيراً من نماذج اليوم تبدو ممتازة في العروض التوضيحية والاختبارات المعيارية، لكنها تتعثر عندما تواجه بيانات غير مرتبة، صوراً غامضة، سير عمل متغيراً، أو احتياجات مستخدمين مختلفة من شركة لأخرى. لهذا السبب، فإن الشركات والمستثمرين بدأوا ينظرون إلى التغذية الراجعة باعتبارها البنية التحتية التالية للذكاء الاصطناعي، وليس مجرد ميزة إضافية. وقد أشارت تقارير مثل Crypto Briefing إلى أن Trajectory جمعت تمويلاً يناهز 15 مليون دولار للتركيز على التعلم المستمر، خصوصاً في الاستدلال البصري ومتعدد الوسائط. ما المقصود بحلقة التغذية الراجعة في الذكاء الاصطناعي؟ ببساطة، حلقة التغذية الراجعة تعني أن النظام لا يكتفي بإعطاء إجابة، بل يتلقى لاحقاً إشارة حول جودة هذه الإجابة: هل كانت صحيحة؟ هل ساعدت المستخدم؟ هل فشلت في حالة معينة؟ ثم تُستخدم هذه الإشارات لتحسين الأداء مستقبلاً. في البرمجيات التقليدية، هذا يحدث عبر تحليلات الاستخدام، تقارير الأعطال، واختبارات المنتج. أما في الذكاء الاصطناعي، فالأمر أصعب لأن جودة المخرجات قد تكون نسبية، والسياق معقد، والبيانات متعددة الأشكال. ما يجعل الموضوع أكثر إثارة هو أن الشركات الناشئة الجديدة لا تريد فقط جمع تعليقات المستخدمين، بل تريد بناء أنظمة قادرة على التعلم من الصور، الفيديو، النص، وسلوك المستخدم داخل التطبيق. هذا ينسجم مع الاتجاه الأوسع نحو الذكاء ال

وسوم المقال

• ai-news
• multimodal-ai
• ai-startups
• responsible-ai
• enterprise-ai