الذكاء الاصطناعي في فلسطين: بين الطموح التقني وقيود الاحتلال

مقدمة: واقع الذكاء الاصطناعي تحت الاحتلال

في عالم يتسابق نحو الثورة الصناعية الرابعة، يقف قطاع الذكاء الاصطناعي الفلسطيني في مفترق طرق صعب. بينما تطلق الدول المجاورة استراتيجياتها الوطنية للذكاء الاصطناعي، يعاني الفلسطينيون من تحديات بنيوية عميقة: احتلال عسكري، حصار رقمي، بنية تحتية منهكة، وغياب إطار تنظيمي واضح. لكن رغم هذه العقبات، تبرز مبادرات أكاديمية وشركات ناشئة تحاول بناء قدرات محلية باستخدام حلول تقنية مبتكرة تناسب البيئة محدودة الموارد.

كما يوثق تقرير IFEX (2024)، فإن إسرائيل تستخدم القمع الرقمي وعسكرة الذكاء الاصطناعي ضد الفلسطينيين، مما يضيف بُعداً سياسياً معقداً لأي محاولة تطوير تقني في هذا المجال.

التحديات الرئيسية التي تواجه الذكاء الاصطناعي في فلسطين

### الحصار الرقمي والبنية التحتية المقيّدة

الاحتلال لا يقتصر على الأرض فقط، بل يمتد إلى الفضاء الرقمي. معظم خدمات الإنترنت والاتصالات في فلسطين تمر عبر شركات إسرائيلية مثل سيسكوم وبيزك، مما يعني أن إمكانية قطع الخدمة أو تقييدها هي تهديد دائم. كما أن منع استيراد معدات الخوادم المتطورة ووحدات معالجة الرسوميات (GPUs) يحد بشدة من قدرة المؤسسات الفلسطينية على تدريب النماذج الكبيرة محلياً.

### نقص التمويل والاستثمار

غياب صناديق استثمار جريئة متخصصة في الذكاء الاصطناعي، ومحدودية الوصول إلى الأسواق العالمية، يجعلان من الصعب على الشركات الناشئة الفلسطينية المنافسة إقليمياً. الهيئة الوطنية للتعليم والتدريب المهني والتقني تشير بوضوح إلى اختلالات هيكلية في سوق العمل وارتفاع البطالة بين الشباب الخريجين.

### فجوة المهارات والبيانات

هناك نقص حاد في الكوادر المتخصصة في مجالات الذكاء الاصطناعي المتقدمة مثل التعلم العميق ومعالجة اللغات الطبيعية. بالإضافة إلى ذلك، معظم مجموعات البيانات المتاحة للتدريب لا تشمل اللهجة الفلسطينية أو السياق الفلسطيني، مما يجعل النماذج الجاهزة غير دقيقة في التعامل مع المحتوى المحلي.

الأنماط المعمارية المناسبة للبيئة الفلسطينية

نظراً للقيود المذكورة، تتبنى المؤسسات الفلسطينية أنماطاً معمارية محددة تناسب ظروفها. الرسم البياني التالي يوضح النمط الهجين المقترح:

graph TD
    A[بيانات محلية] --> B[معالجة محلية On-premise]
    B --> C{اتصال بالإنترنت متاح؟}
    C -->|نعم| D[مزامنة مع السحابة]
    C -->|لا| E[تخزين محلي مؤقت]
    D --> F[تدريب باستخدام Google Colab/Kaggle]
    F --> G[نموذج خفيف DistilBERT/MobileNet]
    G --> H[نشر على الحواف Edge AI]
    H --> I[تطبيق محلي]
    E --> I
    I --> J[تحديث دوري عند توفر الاتصال]
    J --> D

### النماذج خفيفة الوزن (Lightweight Models)

بدلاً من الاعتماد على نماذج ضخمة تتطلب موارد حاسوبية هائلة، تتجه المؤسسات الفلسطينية نحو استخدام نماذج مصغرة قابلة للتشغيل على أجهزة محدودة الموارد. تقنيات مثل Quantization و Pruning تساعد في تقليل حجم النماذج بشكل كبير، بينما تتيح أدوات مثل TensorFlow Lite و ONNX Runtime نشر هذه النماذج على الحواف.

### التعلم النقلي (Transfer Learning)

الاستفادة من نماذج مدربة مسبقاً مثل AraBERT أو CAMeL-Lab وتكييفها مع السياق الفلسطيني عبر ضبط دقيق (Fine-tuning) على مجموعات بيانات محلية صغيرة. هذا يقلل الحاجة إلى موارد حاسوبية ضخمة ويوفر وقتاً وجهداً كبيرين.

### الأنظمة اللامركزية

لتجاوز مشاكل البنية التحتية المركزية، يتم اعتماد أنظمة لا مركزية باستخدام Federated Learning للتدريب على البيانات المحلية دون نقلها، وشبكات Peer-to-Peer لمشاركة الموارد الحاسوبية.

مثال عملي: نموذج تصنيف نصوص عربية خفيف الوزن

لنطبق ما سبق في مثال عملي. سنستخدم DistilBERT العربي لبناء نموذج تصنيف نصوص يعمل على أجهزة محدودة الموارد:

# مثال: نموذج تصنيف أخبار فلسطينية باستخدام DistilBERT
# يتطلب: pip install transformers torch datasets tensorflow

import torch
from transformers import DistilBertTokenizer, DistilBertForSequenceClassification
from transformers import Trainer, TrainingArguments
from datasets import Dataset
import tensorflow as tf

# 1. تحميل نموذج عربي خفيف الوزن
model_name = "aubmindlab/bert-base-arabertv02"  # نموذج عربي مدرب مسبقاً
tokenizer = DistilBertTokenizer.from_pretrained(model_name)
model = DistilBertForSequenceClassification.from_pretrained(
    model_name, 
    num_labels=5  # 5 فئات للتصنيف
)

# 2. بيانات تدريب فلسطينية (مثال توضيحي)
palestinian_texts = [
    "افتتاح معرض تكنولوجي في رام الله",
    "انقطاع الكهرباء في قطاع غزة",
    "إطلاق مبادرة تعليمية في القدس",
    "توقيع اتفاقية تعاون بين جامعتين فلسطينيتين",
    "ارتفاع نسبة البطالة بين الخريجين"
]
labels = [0, 1, 2, 3, 4]  # تكنولوجيا, بنية تحتية, تعليم, تعاون, اقتصاد

# 3. تجهيز البيانات
dataset = Dataset.from_dict({"text": palestinian_texts, "label": labels})

def tokenize_function(examples):
    return tokenizer(
        examples["text"], 
        padding="max_length", 
        truncation=True, 
        max_length=128  # طول قصير لتقليل استهلاك الذاكرة
    )

tokenized_dataset = dataset.map(tokenize_function, batched=True)

# 4. إعدادات تدريب محسّنة للبيئات محدودة الموارد
training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="epoch",
    learning_rate=2e-5,
    per_device_train_batch_size=8,  # حجم دفعة صغير
    per_device_eval_batch_size=8,
    num_train_epochs=3,
    weight_decay=0.01,
    save_total_limit=2,
    fp16=True,  # دقة نصفية لتقليل استهلاك الذاكرة
    gradient_accumulation_steps=2,  # تجميع التدرج
)

# 5. تدريب النموذج
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset,
    eval_dataset=tokenized_dataset,
)

trainer.train()

# 6. حفظ النموذج وتحويله إلى TFLite للنشر المحلي
model.save_pretrained("./palestine_ai_model")
tokenizer.save_pretrained("./palestine_ai_model")

# تحويل إلى TensorFlow Lite
converter = tf.lite.TFLiteConverter.from_saved_model("./palestine_ai_model")
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

with open("model.tflite", "wb") as f:
    f.write(tflite_model)

print(f"تم حفظ النموذج بحجم: {len(tflite_model) / 1024:.2f} KB")

هذا النموذج يمكن تشغيله على حاسوب عادي دون GPU، وحجمه النهائي بعد التحسين لا يتجاوز بضع مئات من الكيلوبايتات.

جهود محلية واعدة

رغم التحديات، هناك جهود أكاديمية ومؤسساتية تستحق الذكر:

• مؤتمر فلسطين للأمن السيبراني والذكاء الاصطناعي 2026: يركز على حماية البنية التحتية الحيوية في ظل الاحتلال والحصار الرقمي.
• دراسة د. محمود خلوف: نشرت في مجلة النجاح للعلوم الإنسانية (حزيران 2024) وتناولت جاهزية المؤسسات الإعلامية الفلسطينية للانتقال نحو الذكاء الاصطناعي.
• د. منى الضميدي: دعت إلى إعداد سياسة وطنية شاملة للذكاء الاصطناعي وتطوير المناهج الجامعية وربطها بسوق العمل.

مشكلات شائعة في الإنتاج (Production Pitfalls)

مشكلة الاعتماد على البنية التحتية الإسرائيلية

أي نظام ذكاء اصطناعي فلسطيني يعتمد على خدمات سحابية إسرائيلية يمكن أن يتعطل فجأة. الحل هو بناء أنظمة لا مركزية مع تخزين محلي للبيانات ومزامنة غير متزامنة.

مشكلة نقص البيانات الفلسطينية

النماذج الجاهزة لا تفهم اللهجة الفلسطينية. الحل هو بناء مجموعات بيانات محلية مفتوحة المصدر بالتعاون مع الجامعات الفلسطينية، مع التركيز على جمع نصوص من الحياة اليومية والصحافة المحلية.

مشكلة انقطاع الكهرباء والإنترنت

في غزة والضفة الغربية، انقطاع التيار الكهربائي وضعف سرعة الإنترنت أمر شائع. الحل هو استخدام أنظمة استئناف تلقائي للتدريب (Checkpointing) وبطاريات احتياطية، بالإضافة إلى تخزين النتائج مؤقتاً محلياً.

الطريق إلى الأمام

لتطوير قطاع الذكاء الاصطناعي في فلسطين، هناك حاجة إلى:

1. استراتيجية وطنية شاملة توحد الجهود وتحدد الأولويات.
2. إطار قانوني وتنظيمي ينظم استخدام الذكاء الاصطناعي ويحمي البيانات والخصوصية.
3. استثمار في التعليم والتدريب لسد فجوة المهارات.
4. بناء مجموعات بيانات محلية مفتوحة المصدر باللهجة الفلسطينية.
5. تطوير شراكات دولية لتوفير الموارد الحاسوبية والتمويل.

Key Takeaways

• الذكاء الاصطناعي في فلسطين يواجه تحديات بنيوية مرتبطة بالاحتلال والحصار الرقمي، لكن هناك جهوداً أكاديمية ومؤسساتية واعدة تبني قدرات محلية
• الحلول التقنية المناسبة تشمل النماذج خفيفة الوزن (Lightweight Models)، التعلم النقلي (Transfer Learning)، والأنظمة اللامركزية (Decentralized Systems) لتجاوز قيود البنية التحتية
• بناء مجموعات بيانات محلية مفتوحة المصدر باللهجة الفلسطينية هو خطوة أساسية لتحسين دقة النماذج
• غياب إطار قانوني وتنظيمي واضح يعيق تطوير القطاع ويحتاج إلى معالجة عاجلة
• التعاون مع المؤسسات الدولية والاستفادة من الخدمات السحابية المجانية يمكن أن يساعد في تجاوز قيود التمويل والموارد