توليد البيانات الاصطناعية (synthetic data) للتدريب والاختبار

جرى التحقق من وثائق مزوّدي الخدمات وشروط استخدام المخرجات في 22 أكتوبر 2026. أمثلة تذاكر الدعم وأحجام التجربة الأولية الواردة أدناه صيغت للتوضيح، ولا تعرض نتائج تجربة أُجريت على نموذج.

ما البيانات الاصطناعية (synthetic data) وكيف تُولَّد؟

توليد البيانات الاصطناعية هو إنشاء سجلات أو أمثلة مصطنعة لغرض محدد. ولمن يبني تطبيقاً باستخدام نموذج لغوي كبير، أو LLM، يعني ذلك غالباً توليد نصوص، مثل طلبات الدعم وأزواج الأسئلة والأجوبة وأمثلة استخراج المعلومات والمحادثات، انطلاقاً من مواصفات ومجموعة صغيرة من الأمثلة المعتمدة.

تخيّل جهازاً لمحاكاة القيادة. يمكنك التدرب مراراً على تقاطع صعب من دون انتظار الموقف نفسه على الطريق. لكن اجتياز المحاكاة لا يكشف مدى تكرار ذلك التقاطع في حركة المرور، ولا يثبت قدرتك على التعامل مع كل الطرق. هذا هو الفصل المفيد الذي تتيحه مجموعات البيانات الاصطناعية بين تغطية حالات التدريب والأدلة المستمدة من الواقع.

وطريقة التوليد مهمة. فالمولِّد القائم على القواعد يتبع تعليمات، مثل إبقاء إجمالي الطلب مساوياً لمجموع بنوده. أما مولِّد البيانات الجدولية فيتعلم الأنماط بين الأعمدة. ويولّد النموذج اللغوي نصاً وفق التوجيه والسياق المقدمَين له. ويمكن الجمع بين هذه الطرق: ينشئ الكود طلباً صحيحاً، ثم يكتب النموذج اللغوي شكوى العميل بشأنه.

وتختلف البيانات الاصطناعية أيضاً عن إخفاء بعض بيانات السجل. فتغيير اسم العميل يُبقي بقية قصته كما هي. أما تعزيز البيانات فيعدّل مثالاً موجوداً، كإعادة صياغة سؤال، وتظل النسخ المشتقة مرتبطة بالمصدر. لا تضمن أي من هاتين العمليتين خصوصية السجل تلقائياً، ولا تنتج أدلة مستقلة.

التقييم: أنشئ حالات صعبة وتحقق من إجاباتها بصورة مستقلة

بالنسبة إلى مطوّر التطبيق، تفيد حالات التقييم الاصطناعية خصوصاً في اختبار مواطن الإخفاق المعروفة: المعلومات الناقصة، والتعليمات المتعارضة، والطلبات غير المدعومة، والصياغات غير المألوفة. والتقييم هنا اختبار قابل للتكرار لسلوك النظام.

إذا كان على مساعد الدعم طلب توضيح عندما تكون مشكلة الحساب ملتبسة، فأنشئ طلبات ملتبسة عمداً. ثم كلّف شخصاً بالتحقق من الإجراء المتوقع وفق السياسة المعتمدة. لا تجعل إجابة المولِّد مرجعاً للتصحيح لمجرد أنها تبدو واثقة.

احتفظ بمجموعة تقييم منفصلة مستمدة من استخدام فعلي مسموح بالاستفادة منه، متى توافر ذلك. وإن تعذّر استخدامه، فكلّف شخصاً يعرف المهمة بإعداد حالات مستقلة. يمكن لهذا أن يختبر المواصفات، لكنه لا يثبت مستوى الدقة لدى مجمل مستخدمي نظامك الفعليين.

الضبط الدقيق: علّم النموذج سلوكاً محدداً

إذا كنت تكيّف نموذجاً لمهمتك، فيمكن للأمثلة الاصطناعية أن توضّح تنسيقاً أو قاعدة تصنيف أو أسلوب استجابة لا تمثله البيانات المتاحة بما يكفي. والضبط الدقيق هو تحديث النموذج عبر تدريبه على أمثلة.

ابدأ بإخفاق يمكن ملاحظته: كأن يستمر النموذج في توجيه التذاكر الملتبسة إلى قسم الفوترة. أضف حالات التباس خضعت للمراجعة، ثم قارن النموذج المعدَّل بخط الأساس الحالي على أمثلة لم تُمسّ. فزيادة حجم ملف التدريب ليست مقياساً للنجاح في حد ذاتها.

اتبع خطوات الضبط الدقيق بعد استقرار المهمة ومجموعة اختبارات القبول. وإذا كانت المشكلة سياقاً واقعياً ناقصاً أو متغيراً، فأصلح السياق الذي يُزوَّد به التطبيق قبل محاولة تعليم الحقائق عبر إجابات مولَّدة.

توليد بيانات اصطناعية لاختبار البرمجيات

بالنسبة إلى مطوّر البرمجيات، ينبغي أن تدفع بيانات الاختبار الاصطناعية التطبيق إلى اختبار قواعده: حقول ناقصة، وطلبات مكررة، وأطوال نصوص غير معتادة، وانتقالات غير صالحة بين الحالات، وسجلات مترابطة في قاعدة البيانات.

يحتاج اختبار إتمام الشراء إلى علاقات صحيحة بين الطلبات والعملاء والمدفوعات. ولا يحتاج إلى نموذج لغوي يبتكر العمليات الحسابية. برمج هذه القيود، ثم استخدم النموذج اللغوي حيث تضيف اللغة الواقعية قيمة، كملاحظة تسليم تتعارض مع عنوان الشحن.

ومن يشتري مجموعة بيانات لتشغيل نظام عليه أن يسأل: أيّاً من هذه المهام تخدم؟ فالمجموعة المناسبة لعرض توضيحي ليست بالضرورة مفيدة للتدريب، ومجموعة التدريب لا تصبح تلقائياً مجموعة تقييم.

تطبيق عملي: من الأمثلة الأولية إلى حالات مرشحة خاضعة للمراجعة

ابدأ بمهمة محدودة تستطيع شرح إجاباتها الصحيحة من دون الرجوع إلى المولِّد. في هذا المثال، سنبني حالات مرشحة لتوجيه تذاكر دعم خيالية إلى billing أو access أو human_review.

السياسة الافتراضية بسيطة: تُوجَّه مشكلات الدفع والفواتير إلى الفوترة، ومشكلات تسجيل الدخول وكلمات المرور إلى الوصول، والطلبات غير الواضحة أو التي تجمع النوعين إلى المراجعة البشرية. لا تستنتج حقائق لم يذكرها العميل.

أمثلة على البيانات الاصطناعية: ستة أمثلة أولية بتصنيفات واضحة

استخدم هذه الأمثلة المصاغة للتوضيح لإبراز حدود التصنيف:

• «خُصم المبلغ من بطاقتي مرتين.» → billing
• «الخطة المذكورة في هذه الفاتورة غير صحيحة.» → billing
• «انتهت صلاحية رابط إعادة التعيين.» → access
• «لا أستطيع تسجيل الدخول بعد إعادة تعيين كلمة المرور.» → access
• «دفعت، لكنني لا أستطيع تسجيل الدخول.» → human_review
• «ما زال لا يعمل.» → human_review

الأمثلة الأخيرة لا تقل أهمية عن الحالات الواضحة. فهي تعلّم المولِّد أن عدم اليقين نتيجة مقبولة. ويشرح دليل التوجيه بأمثلة قليلة كيف تنقل الأمثلة قواعد قد لا توضّحها التعليمات العامة بما يكفي.

قد تبدو الحالة المرشحة بعد التنقية كما يلي. هذا سجل توضيحي، وليس مخرجاً محفوظاً من استدعاء API:

{
  "case_id": "billing-frustrated-indirect-a",
  "text": "Another invoice with the wrong plan, seriously?",
  "proposed_label": "billing",
  "policy_reason": "The customer identifies an invoice problem."
}

النتيجة المهمة هي حالة خضعت للمراجعة ويمكن تتبّع مصدرها. أما إرجاع المولِّد الأولي جميع الحالات المطلوبة فأمر ثانوي. لا تُعِد ملء خلية ضعيفة لمجرد بلوغ العدد المستهدف.

أدوات توليد البيانات الاصطناعية: ما الذي تعد به وثائقها؟

اختر الأدوات بحسب الجزء الذي تتحكم فيه من العملية. فواجهة النموذج البرمجية هي ما يستخدمه الكود لطلب المخرجات، وخدمة الدُّفعات التابعة لها تجدول تلك الطلبات. ومكتبة مجموعات البيانات تنظّم التوليد والتغذية الراجعة. أما مولِّد البيانات الجدولية فيتعلم العلاقات في البيانات المنظَّمة. ولا يغني أي من هذه الأدوار عن معايير القبول التي تضعها.

توليد البيانات بالذكاء الاصطناعي التوليدي: واجهات الدُّفعات

توفّر OpenAI API خدمة Batch للطلبات غير المتزامنة المقدمة في ملف JSONL، أي كائن JSON واحد في كل سطر. وتشترط الوثائق معرّف custom_id فريداً، وتنبّه إلى أن ترتيب المخرجات قد يختلف عن ترتيب المدخلات. طابق النتائج باستخدام المعرّف، ثم افحص حالات الفشل وعمليات التوليد غير المكتملة قبل تحليل الحالات المرشحة. وثائق OpenAI Batch.

توفّر Claude API من Anthropic خدمة Message Batches لطلبات Messages المستقلة. وتُميّز النتائج بين الطلبات الناجحة، والتي واجهت أخطاء، والملغاة، والمنتهية الصلاحية، ويربط custom_id كل نتيجة بمدخلها. والقيد هنا تشغيلي: قبول الدفعة لا يثبت اكتمال كل مثال. أعد محاولة العمل الناقص باستخدام معرّفه، بدلاً من إعادة توليد المجموعة كلها. وثائق دُفعات Claude.

توفّر Gemini API من Google خدمة Batch، سواء بكائنات طلب تُرسل مباشرة أو بملف JSONL مرفوع. وتحمل الطلبات المقدمة عبر الملفات قيمة key لتحديد النتيجة المقابلة. استخدم مسار الملفات للمجموعات الأكبر التي تُعالج دون تفاعل مباشر؛ فالمدة المذكورة في الوثائق هدف زمني، لذا تجنّب ربط سير عمل تفاعلي باكتمال فوري. وثائق Gemini Batch.

هذه حدود الدُّفعات التي تؤثر في تقسيم المهام، وقد جرى التحقق منها في الوثائق المرتبطة. وهي لا تحدّ حجم مجموعة البيانات الإجمالي الذي يمكنك بناؤه عبر عدة مهام.

الطلب المرسل ضمن دفعة والمثال المرشح وحدتان مختلفتان. إذا أعاد كل طلب ناجح عدة حالات مرشحة، فتتبّع العددين. وسجّل أخطاء تحليل المخرجات، ورفض الاستجابة، والمخرجات المبتورة، إلى جانب أخطاء النقل. فنجاح استجابة HTTP وحده لا يجعل الصف صالحاً للتدريب.

Distilabel: تنظيم التوليد والتغذية الراجعة

Distilabel إطار عمل للبيانات الاصطناعية والتغذية الراجعة بالذكاء الاصطناعي، يجمع خطوات التوليد والتقييم ومعالجة البيانات في مسارات عمل. وتعرض وثائقه استخدامات للتصنيف والاستخراج والحوار وتوليد التعليمات. يفيد ذلك حين يتطور سكربت أُعدّ لمهمة واحدة إلى عدة مراحل للتوليد والتصفية. وثائق Distilabel.

يستخدم المشروع ترخيص Apache-2.0. ويذكر مستودعه أيضاً أن المطوّرين الأصليين انتقلوا إلى أعمال أخرى، وأن مساهمين من المجتمع يتولّون صيانته. ثبّت الإصدار الذي تعتمد عليه وتحقّق منه. ويظل القيد العملي في جهة التقييم: تنظيم أحكام النموذج ضمن سير عمل لا يجعلها مستقلة أو صحيحة. مستودع Distilabel.

Faker: أنشئ بيانات الاختبار من دون نموذج لغوي

Faker حزمة Python تولّد بيانات وهمية عبر مزوّدات للبيانات، وتدعم الإعدادات المحلية وتثبيت بذرة التوليد العشوائي. تفيد في إنشاء بيانات اختبار للتطبيقات عندما تحتاج إلى حقول مضبوطة بدلاً من الاستدلال باللغة الطبيعية. ويحدد مستودعها الترخيص بأنه MIT. وثائق Faker، مستودع Faker.

ستظل بحاجة إلى برمجة العلاقات التي يفرضها منطق العمل بنفسك. فالعناوين والتواريخ والمعاملات المولَّدة كلٌّ على حدة لا تكوّن سجلاً واقعياً للعميل. استخدم معرّفات ونطاقات محجوزة للاختبار متى أمكن، وامنع بيانات الاختبار المولَّدة من إرسال رسائل أو تنفيذ إجراءات أخرى في بيئة الإنتاج.

Synthetic Data Vault: نمذجة الجداول والعلاقات بينها

توفّر Synthetic Data Vault، أو SDV، توليد البيانات الجدولية والتقييم الإحصائي، مع أساليب موثّقة للجداول المنفردة والبيانات التسلسلية والجداول المترابطة. وتتعلم مولِّداتها المدرَّبة من البيانات التي تقدمها؛ فلا تلغي الحاجة إلى مجموعة مصدر مسموح باستخدامها. وثائق SDV.

داخل SDV، يستخدم GaussianCopulaSynthesizer أساليب إحصائية تقليدية لتعلّم توزيعات الأعمدة والعلاقات بينها. ويستخدم CTGANSynthesizer شبكة توليدية تنافسية، وهي نموذج يُدرَّب من خلال مولِّد ومميِّز ينافسه. ويستقبل كلاهما البيانات والبيانات الوصفية التي تشرح بنيتها. هذه مولِّدات للبيانات الجدولية، وليست نماذج محادثة عامة الاستخدام. وثائق Gaussian Copula، وثائق CTGAN.

القيد هنا هو الحفاظ على ما تتطلبه المهمة. فتشابه توزيعات الأعمدة ظاهرياً لا يثبت الحفاظ على التركيبات النادرة، أو القواعد بين الجداول، أو سلوك نموذج يستخدم هذه البيانات لاحقاً. تحقّق من العلاقات التي يعتمد عليها تطبيقك، ومنها المفاتيح الخارجية التي تربط السجلات الفرعية بسجلاتها الأصلية.

اختر مولِّد البيانات الاصطناعية بحسب ما ينقصك لإثبات صلاحيتها

استخدم واجهة نموذج إذا كان العنصر الناقص هو التنوع اللغوي. وأضف Distilabel عندما يبرر تنظيم التوليد والتغذية الراجعة بصورة قابلة للتكرار إضافة اعتماد برمجي جديد. واختر Faker عندما تحتاج بيانات الاختبار إلى قيم مضبوطة. وفكّر في SDV عندما تكون العلاقات الإحصائية بين الجداول مهمة ولديك بيانات مصدر يُسمح لك بنمذجتها.

لا تشترِ مولِّداً أكبر لحل مشكلة غموض سياسة التصنيف. فهذه مشكلة تسبق استخدام كل أداة هنا.

ماذا تقول شروط المزوّدين عن تدريب النماذج على المخرجات؟

راجع قيود استخدام المخرجات قبل اختيار النموذج المعلِّم، أي النموذج الذي يولّد أمثلة ليتعلّم منها نموذج آخر. تلخّص السطور التالية الشروط القياسية لمزوّدي النماذج اللغوية المستضافة الثلاثة المذكورين أعلاه؛ ولا تحسم انطباقها على مشروع تدريب بعينه.

• OpenAI: تقيّد اتفاقية الخدمات استخدام المخرجات لتطوير نماذج ذكاء اصطناعي منافسة، مع استثناءات منصوص عليها للنماذج التي يتمثل غرضها الأساسي في تصنيف البيانات أو تبويبها أو تنظيمها، والتي لا تُوزَّع ولا تُتاح تجارياً لأطراف ثالثة، وكذلك لتخصيص النماذج عبر خدمات OpenAI المحددة في الاتفاقية. اتفاقية الخدمات.
• Anthropic: تحظر الشروط التجارية الوصول إلى الخدمات لبناء منتجات أو خدمات منافسة، بما في ذلك تدريب نماذج ذكاء اصطناعي منافسة، ما لم توافق Anthropic صراحةً. الشروط التجارية.
• Google: تحظر الشروط الإضافية لـ Gemini API استخدام الخدمات لتطوير نماذج منافسة؛ كما تحظر أحكام Google Search Grounding، بصورة منفصلة، التدريب على Grounded Results أو Search Suggestions. شروط Gemini API.

ترخيص المكتبة البرمجية مسألة منفصلة عن شروط النموذج الذي تستدعيه، وعن ترخيص أوزان أي نموذج، وعن حقوقك في الأمثلة المصدرية. وملكية المخرجات وحدها لا تحسم كل هذه المسائل.

بيانات الاختبار التي تحمي الخصوصية تحتاج إلى فحص مستقل

كون البيانات اصطناعية لا يضمن الخصوصية. فإذا نسخت سجلات سرية إلى خدمة توليد غير معتمدة، فلن يلغي ذلك الإفصاحَ أن تولّد بعدها بدائل تبدو خيالية.

وجد بحث Stadler وOprisanu وTroncoso حول نشر البيانات الاصطناعية أن مكاسب الخصوصية والفائدة تفاوتت بين النماذج التي قيّموها. والدرس العملي هو تقييم البيانات التي ستُتاح وعملية توليدها، بدلاً من اعتبار كلمة «اصطناعية» شهادة بإخفاء الهوية. ورقة بحثية منشورة لدى USENIX.

فضّل أمثلة أولية خيالية تُكتب استناداً إلى مخطط بيانات وسياسة معتمدَين، متى كان ذلك كافياً لاختبار البرمجيات. وعندما يلزم الحفاظ على أنماط إحصائية واقعية، أبقِ التعامل مع المصادر داخل بيئة معتمدة، وقيّم المعلومات التي قد تكشفها مجموعة البيانات المولَّدة.

افحص المعرّفات المباشرة، والمقاطع المنسوخة، والتركيبات النادرة، وإمكان ربط البيانات بمعلومات قد يعرفها شخص ما مسبقاً. فتغيير الاسم مع الإبقاء على واقعة مميزة ومكانها وتاريخها قد يترك صاحبها قابلاً للتعرّف عليه. وعند إتاحة بيانات حساسة، لا تكفي مراجعة يدوية لعينة صغيرة وفحص للتكرار؛ بل يجب أن يتناسب تقييم الخصوصية مع التهديد والجهات المقصودة باستلام البيانات.

سياسات المزوّد بشأن استخدام بياناتك في التدريب تجيب عن سؤال مختلف عن حقك في التدريب على مخرجاته. فمثلاً، تحذّر شروط خدمات Gemini غير المدفوعة من إدخال معلومات حساسة، بينما تنص شروط استخدام البيانات في خدماته المدفوعة على عدم استخدام التوجيهات والاستجابات لتحسين منتجات Google. وتطبّق الشروط قواعد استخدام البيانات الخاصة بالخدمات المدفوعة على الاستخدام غير المدفوع أيضاً في المنطقة الاقتصادية الأوروبية وسويسرا والمملكة المتحدة. شروط Gemini لاستخدام البيانات.

لا يثبت التزام المزوّد بعدم التدريب على بياناتك، ولا التشغيل المحلي، أن مجموعة البيانات الناتجة آمنة للمشاركة. أبقِ معلومات المصدر وضوابط الوصول مرتبطة بها إلى أن تكتمل مراجعة الإتاحة.

أين تكمن المبالغة في الوعود المتعلقة بالبيانات الاصطناعية؟

أكبر مبالغة هي الادعاء بأن زيادة الصفوف المولَّدة تعالج نقص الأدلة. قد توسّع هذه الصفوف نطاق التدريب وتكشف الإخفاقات، لكنها قد تعيد أيضاً إنتاج الافتراضات نفسها على نطاق واسع.

قد تتغير الكلمات وتبقى المواقف نفسها

قد تضم المجموعة جملاً مختلفة، لكنها تكرر عدداً ضئيلاً من المواقف. تتبّع تغطية السيناريوهات بعد التصفية: ما قواعد العمل، وحالات الالتباس، وأنماط الإخفاق التي لا تزال ممثلة؟

في مثال التذاكر، لا يعوّض تكرار شكاوى الفواتير غياب الطلبات التي تجمع مشكلات الفوترة والوصول. راجع الأمثلة الأقرب في التشابه، وافحص الأمثلة المرفوضة إلى جانب المقبولة. فقد تُسقط تصفية الجودة المتشددة الحالات الصعبة التي كنت تحاول إضافتها من دون أن تنتبه.

إعادة الصياغة لا تزيل التحيّز بالضرورة

لا تفترض أن إعادة صياغة مثال أولي متحيّز تزيل افتراضاته. راجع اختيارات التصنيف عبر أساليب اللغة واللهجات ومستويات سلامة الإملاء وأي فئات مستخدمين ذات صلة. لا ينبغي توجيه طلب بنبرة مستاءة أو بأخطاء إملائية إلى مسار مختلف، إلا إذا كانت السياسة تبرر هذا التمييز.

اطلب من المراجعين مقارنة حالات متطابقة لا يختلف فيها إلا عامل غير ذي صلة. إذا تغيرت التصنيفات، فافحص المثال الأولي والتوجيه وأداة التصفية معاً. فقد يعزز المولِّد والمقيِّم الخطأ نفسه.

قد يبدو تقييم النموذج لعمله مقنعاً

وثّق Zheng وزملاؤه تحيّزات الترتيب والإطالة وتفضيل الذات لدى النماذج اللغوية المستخدمة في التقييم. فقد يكافئ النموذج الصياغة أو طريقة العرض بدلاً من الخاصية التي أردت قياسها. بحث حول استخدام النماذج اللغوية للتقييم.

استخدم فحوصاً حتمية كلما أمكن التحقق من الإجابة آلياً. وفي الفحوص التي تنطوي على تقدير شخصي، عاير المقيِّم مقابل قرارات البشر، وأخفِ هوية المولِّد حيثما أمكن عملياً، وراجع مواضع الاختلاف. قد يقلّل تغيير مزوّد نموذج التقييم الاعتماد على مصدر مشترك، لكنه لا يضمن استقلال الأخطاء.

يشرح دليل استخدام النموذج اللغوي مقيِّماً كيفية فحص جهة التقييم قبل الوثوق بدرجتها. وفي توليد البيانات الاصطناعية، يجب إجراء هذا الفحص قبل أن يقرر المقيِّم أي الأمثلة ستُعتمد حقائقَ للتدريب.

انهيار النموذج خطر محدد، وليس حكماً شاملاً بالفشل

درس Shumailov وزملاؤه التدريب المتكرر على بيانات مولَّدة، وأظهروا كيف يمكن أن تختفي الأجزاء الأقل شيوعاً من التوزيع الأصلي. وتدعم هذه النتيجة الحذر من الاستبدال المتكرر للأدلة المصدرية بمخرجات مشتقة من النموذج نفسه. لكنها لا تثبت أن كل عملية ضبط دقيق ببيانات اصطناعية مخصصة لمهمة وخاضعة للمراجعة لا بد أن تفشل. ورقة بحثية في Nature.

احتفظ بالأدلة الأصلية المسموح باستخدامها، وتعمّد الحفاظ على الحالات النادرة، وقارن سلوك النظام اللاحق بخط أساس لم يُمسّ. لا توجد نسبة موحدة لمزج البيانات الاصطناعية والحقيقية يمكن أن تحل محل هذا التقييم.

ما الذي تغيّره في عملك مع بداية الأسبوع؟

ابدأ الآن إذا استطعت تحديد حالة ناقصة، وكتابة السلوك الصحيح لها، ومراجعة الحالات المولَّدة وفق قاعدة مستقرة. ابدأ بشبكة التغطية الصغيرة، ثم وسّع فقط الخلايا التي تضيف حالات مفيدة.

أجّل الضبط الدقيق إذا اختلف المراجعون على التصنيفات المستهدفة أو لم تتوافر لديك مجموعة مستقلة لاختبارات القبول. عالج مشكلة السياسة والتقييم أولاً.

استخدم بيانات اختبار عادية إذا كانت المهمة ملء قاعدة بيانات، أو اختبار القيم الحدّية، أو سلامة المعاملات. وأضف اللغة المولَّدة فقط حيث تختبر سلوكاً لا تغطيه البيانات الأبسط.

قبل الإصدار التالي، قارن النظام الأساسي والنظام المعدَّل على الحالات نفسها التي لم تُمسّ. وفي نظام توجيه تذاكر الدعم، افحص بحسب الفئة حالات التوجيه الخاطئ والحالات التي كان ينبغي تصعيدها ولم تُصعَّد. واحتفظ بالبيانات الاصطناعية فقط إذا حسّنت السلوك المقصود من دون تراجع غير مقبول في جوانب أخرى.

أسئلة شائعة عن البيانات الاصطناعية

اشترك في النشرة البريدية للحصول على أدلة عملية لبناء أنظمة الذكاء الاصطناعي وتقييمها.