ما هو الذكاء الاصطناعي؟ تعريف، تاريخ، ومفاهيم أساسية

في هذا القسم، سوف ندرس التعريف الدقيق #للذكاء_الاصطناعي ونتفحص تاريخه من البداية إلى اليوم.
بالإضافة إلى ذلك، سنشرح المفاهيم الأساسية المتعلقة بهذا المجال بلغة بسيطة، بما في ذلك تعلم الآلة (Machine Learning)، والتعلم العميق (Deep Learning)، ومعالجة اللغة الطبيعية (Natural Language Processing).
الذكاء الاصطناعي (Artificial Intelligence أو AI) هو فرع من فروع علوم الكمبيوتر يتعامل مع بناء الآلات والأنظمة القادرة على أداء المهام التي تتطلب عادةً الذكاء البشري.
تشمل هذه المهام التعلم والاستدلال وحل المشكلات والإدراك وفهم اللغة.
الذكاء الاصطناعي يسعى إلى محاكاة هذه القدرات في الآلات.

يعود تاريخ #الذكاء_الاصطناعي إلى الخمسينيات من القرن الماضي، عندما بدأ الباحثون في استكشاف إمكانية إنشاء آلات ذكية.
منذ ذلك الحين، شهد هذا المجال تطورات كبيرة، بما في ذلك تطوير خوارزميات التعلم الآلي والشبكات العصبية والأنظمة الخبيرة.
اليوم، يتم استخدام الذكاء الاصطناعي في مختلف المجالات مثل الرعاية الصحية والاقتصاد والنقل والترفيه.

تشمل المفاهيم الأساسية المرتبطة بالذكاء الاصطناعي تعلم الآلة، الذي يمكّن الآلات من التعلم من البيانات دون أن تتم برمجتها بشكل صريح.
التعلم العميق هو مجموعة فرعية من التعلم الآلي تستخدم الشبكات العصبية العميقة لتحليل البيانات.
تتيح معالجة اللغة الطبيعية للآلات فهم اللغة البشرية وإنتاجها.

هل تعلم أن الانطباع الأول للعملاء عن شركتك هو موقع الويب الخاص بك؟ مع موقع شركة قوي من رساوب، ضاعف مصداقية عملك!
✅ تصميم حصري وجذاب يتناسب مع علامتك التجارية
✅ تحسين تجربة المستخدم وزيادة جذب العملاء
⚡ احصل على استشارة مجانية!

أنواع الذكاء الاصطناعي: دراسة المناهج والتطبيقات

في هذا الفصل، نصنف أنواعًا مختلفة من الذكاء الاصطناعي بناءً على مناهجها وتطبيقاتها.
تشمل هذه التصنيفات الذكاء الاصطناعي المحدود (Narrow AI) والذكاء الاصطناعي العام (General AI) والذكاء الاصطناعي الفائق (Super AI).
كما ندرس تطبيقات كل نوع من هذه الأنواع من الذكاء الاصطناعي في مختلف الصناعات.
الذكاء الاصطناعي المحدود، والذي يُعرف أيضًا بالذكاء الاصطناعي الضعيف، مصمم لأداء مهام محددة ويعمل بشكل جيد في نفس المجال.
تشمل أمثلة الذكاء الاصطناعي المحدود أنظمة التعرف على الوجوه والمساعدين الافتراضيين مثل سيري وأليكسا وأنظمة اقتراح الأفلام والموسيقى.
تعتبر هذه الأنظمة فعالة جدًا في المهمة التي صممت من أجلها، ولكنها لا تستطيع أداء مهام أخرى.

الذكاء الاصطناعي العام، والذي يُعرف أيضًا بالذكاء الاصطناعي القوي، لديه القدرة على أداء أي مهمة يمكن للإنسان القيام بها.
لم يتحقق هذا النوع من الذكاء الاصطناعي بالكامل بعد، ولكن هناك الكثير من الأبحاث جارية في هذا المجال.
الذكاء الاصطناعي الفائق هو فرضية يتفوق فيها الذكاء الاصطناعي على الذكاء البشري وهو قادر على حل أعقد المشكلات.
هذا النوع من الذكاء الاصطناعي لا يزال في حدود الفرضية وهناك العديد من التحديات لتحقيقه.

تطبيقات الذكاء الاصطناعي في مختلف الصناعات واسعة جدًا.
في مجال الرعاية الصحية، يمكن للذكاء الاصطناعي أن يساعد في تشخيص الأمراض وتطوير أدوية جديدة وتقديم رعاية صحية شخصية.
في الاقتصاد، يمكن للذكاء الاصطناعي أن يساعد في تحليل البيانات المالية والتنبؤ باتجاهات السوق وإدارة المخاطر.
في مجال النقل، يمكن للذكاء الاصطناعي أن يساعد في تطوير السيارات ذاتية القيادة وتحسين طرق النقل وتقليل الازدحام المروري.
في مجال الترفيه، يمكن للذكاء الاصطناعي أن يساعد في إنتاج محتوى إبداعي وتقديم تجارب تفاعلية وإنشاء شخصيات افتراضية واقعية.

تعلم الآلة والتعلم العميق: المبادئ والتطبيقات

في هذا القسم، ندرس مبادئ وأسس تعلم الآلة والتعلم العميق.
نشرح خوارزميات تعلم الآلة المختلفة مثل الانحدار والتصنيف والتجميع وندرس تطبيقات كل منها في حل المشكلات المختلفة.
كما ندرس بنية الشبكات العصبية العميقة وكيفية عملها في تعلم الأنماط المعقدة من البيانات.
تعلم الآلة (Machine Learning) هو فرع من فروع الذكاء الاصطناعي يمكّن الآلات من التعلم من البيانات دون أن تتم برمجتها بشكل صريح.
في تعلم الآلة، تحدد الآلات، باستخدام خوارزميات مختلفة، الأنماط والعلاقات الموجودة في البيانات وتستخدم هذه الأنماط للتنبؤ أو اتخاذ القرارات.

التعلم العميق (Deep Learning) هو مجموعة فرعية من تعلم الآلة تستخدم الشبكات العصبية العميقة لتحليل البيانات.
تتكون الشبكات العصبية العميقة من طبقات متعددة من الخلايا العصبية المنظمة بشكل هرمي.
هذا الهيكل يسمح للشبكات العصبية العميقة بتحديد أنماط أكثر تعقيدًا في البيانات.
هناك خوارزميات تعلم آلة مختلفة، كل منها مناسب لنوع معين من المشكلات.
يستخدم الانحدار للتنبؤ بالقيم المستمرة مثل سعر المنزل أو درجة حرارة الهواء.
يستخدم التصنيف لتقسيم البيانات إلى فئات مختلفة مثل الكشف عن رسائل البريد الإلكتروني غير المرغوب فيها أو الكشف عن الأمراض.
يستخدم التجميع لتجميع البيانات المتشابهة معًا مثل تقسيم العملاء إلى شرائح مختلفة بناءً على سلوكهم الشرائي.

تتضمن بنية الشبكات العصبية العميقة طبقات مختلفة من الخلايا العصبية المنظمة بشكل هرمي.
تتلقى كل خلية عصبية في الشبكة العصبية العميقة مدخلات من الخلايا العصبية في الطبقة السابقة، وتطبق دالة تنشيط على المدخلات، وترسل المخرجات إلى الخلايا العصبية في الطبقة التالية.
يتم تدريب الشبكات العصبية العميقة باستخدام خوارزميات التحسين مثل الانحدار التدريجي.
تقوم هذه الخوارزميات بضبط معلمات الشبكة العصبية بحيث يتم تقليل الخطأ في التنبؤات.

معالجة اللغة الطبيعية: فهم وإنتاج اللغة البشرية

في هذا القسم، ندرس مجال معالجة اللغة الطبيعية (NLP).
نشرح تقنيات معالجة اللغة الطبيعية المختلفة مثل تحليل النص والكشف عن الكيانات المسماة والترجمة الآلية وندرس تطبيقاتها في البرامج المختلفة.
كما ندرس التحديات الموجودة في هذا المجال وحلول التعامل معها.
معالجة اللغة الطبيعية (Natural Language Processing أو NLP) هي فرع من فروع الذكاء الاصطناعي التي تتيح للآلات فهم اللغة البشرية وإنتاجها.
تستخدم معالجة اللغة الطبيعية تقنيات مختلفة لتحليل النص والكشف عن الكيانات المسماة والترجمة الآلية والمهام الأخرى المتعلقة باللغة.

يشمل تحليل النص تقسيم النص إلى وحدات أصغر مثل الجمل والكلمات، وتحليل بنية ومعنى هذه الوحدات.
يشمل الكشف عن الكيانات المسماة تحديد وتصنيف الكيانات الهامة في النص مثل أسماء الأشخاص والمنظمات والأماكن والتواريخ.
تشمل الترجمة الآلية الترجمة الآلية للنص من لغة إلى أخرى.
تشمل التحديات الموجودة في معالجة اللغة الطبيعية الغموض في اللغة وتنوع اللغة والحاجة إلى المعرفة الأساسية.
على سبيل المثال، قد يكون للكلمة معان مختلفة، أو قد يكون للجملة هياكل نحوية مختلفة.
أيضًا، قد تختلف اللغات في القواعد والمفردات والثقافة.
للتغلب على هذه التحديات، يستخدم الباحثون تقنيات مختلفة مثل التعلم الآلي والشبكات العصبية والقواعد المعرفية.

تطبيقات معالجة اللغة الطبيعية في البرامج المختلفة واسعة جدًا.
يمكن استخدام معالجة اللغة الطبيعية في أنظمة البحث وروبوتات المحادثة وتحليل المشاعر وتلخيص النص والكشف عن الرسائل غير المرغوب فيها.
على سبيل المثال، تستخدم أنظمة البحث معالجة اللغة الطبيعية لفهم أسئلة المستخدمين والعثور على نتائج ذات صلة.
تستخدم روبوتات المحادثة معالجة اللغة الطبيعية لفهم أسئلة المستخدمين والإجابة عليها.
يستخدم تحليل المشاعر معالجة اللغة الطبيعية للكشف عن المشاعر الموجودة في النص مثل الإيجابية أو السلبية أو المحايدة.
يستخدم تلخيص النص معالجة اللغة الطبيعية لإنتاج ملخصات قصيرة ودقيقة للنصوص الطويلة.
يستخدم الكشف عن الرسائل غير المرغوب فيها معالجة اللغة الطبيعية لتحديد رسائل البريد الإلكتروني غير المرغوب فيها ومنع وصولها إلى صندوق الوارد الخاص بالمستخدمين.

هل أنت قلق من أن الموقع القديم لشركتك يطرد العملاء الجدد؟ تحل رساوب هذه المشكلة من خلال تصميم موقع شركة حديث وفعال.
✅ يزيد من مصداقية علامتك التجارية.
✅ يساعد في جذب العملاء المستهدفين.
⚡ اتصل برساوب للحصول على استشارة مجانية!

تطبيقات الذكاء الاصطناعي في مختلف الصناعات

في هذا الفصل، ندرس تطبيقات الذكاء الاصطناعي في مختلف الصناعات.
تشمل هذه الصناعات الرعاية الصحية والاقتصاد والنقل والتصنيع والترفيه.
في كل صناعة، نشرح التطبيقات المحددة للذكاء الاصطناعي وندرس مزايا استخدامه.
في مجال الرعاية الصحية، يمكن للذكاء الاصطناعي أن يساعد في تشخيص الأمراض وتطوير أدوية جديدة وتقديم رعاية صحية شخصية.
على سبيل المثال، يمكن للذكاء الاصطناعي أن يحلل الصور الطبية للكشف عن الأورام السرطانية، أو يمكنه تحليل البيانات الوراثية لتطوير أدوية جديدة لعلاج الأمراض الوراثية.
في الاقتصاد، يمكن للذكاء الاصطناعي أن يساعد في تحليل البيانات المالية والتنبؤ باتجاهات السوق وإدارة المخاطر.
على سبيل المثال، يمكن للذكاء الاصطناعي أن يحلل بيانات معاملات الأسهم لتحديد الأنماط التي يمكن أن تساعد في التنبؤ بأسعار الأسهم، أو يمكنه تحليل البيانات المتعلقة بالعملاء لتقييم خطر عدم سداد القروض.
في مجال النقل، يمكن للذكاء الاصطناعي أن يساعد في تطوير السيارات ذاتية القيادة وتحسين طرق النقل وتقليل الازدحام المروري.
على سبيل المثال، يمكن للذكاء الاصطناعي أن يحلل الصور المرئية للكشف عن العوائق الموجودة على الطريق، أو يمكنه تحليل البيانات المتعلقة بحركة المرور لاقتراح طرق مثالية للنقل.

في مجال التصنيع، يمكن للذكاء الاصطناعي أن يساعد في أتمتة عمليات التصنيع ومراقبة جودة المنتجات والتنبؤ بأعطال المعدات.
على سبيل المثال، يمكن للذكاء الاصطناعي أن يتحكم في الروبوتات لأداء المهام المتكررة والخطيرة، أو يمكنه تحليل صور المنتجات للكشف عن العيوب، أو يمكنه تحليل البيانات المتعلقة بأداء المعدات للتنبؤ بالوقت المحتمل لحدوث أعطالها.
في مجال الترفيه، يمكن للذكاء الاصطناعي أن يساعد في إنتاج محتوى إبداعي وتقديم تجارب تفاعلية وإنشاء شخصيات افتراضية واقعية.
على سبيل المثال، يمكن للذكاء الاصطناعي أن ينتج الموسيقى والشعر والقصص، أو يمكنه تصميم ألعاب الفيديو التي تتفاعل تلقائيًا مع اللاعبين، أو يمكنه إنشاء شخصيات افتراضية قادرة على التحدث والتعبير عن المشاعر والتفاعل مع العالم من حولها.

مزايا استخدام الذكاء الاصطناعي في مختلف الصناعات كثيرة جدًا.
يمكن للذكاء الاصطناعي أن يساعد في زيادة الإنتاجية وخفض التكاليف وتحسين الجودة وخلق فرص جديدة.
ومع ذلك، فإن استخدام الذكاء الاصطناعي يأتي أيضًا مع تحديات، بما في ذلك الحاجة إلى الكثير من البيانات والمخاوف المتعلقة بالخصوصية واحتمال استبدال القوى العاملة البشرية.

تحديات وقيود الذكاء الاصطناعي

في هذا القسم، ندرس التحديات والقيود للذكاء الاصطناعي.
تشمل هذه التحديات الحاجة إلى الكثير من البيانات والمخاوف المتعلقة بالخصوصية واحتمال استبدال القوى العاملة البشرية والقضايا الأخلاقية.
كما ندرس حلول التعامل مع هذه التحديات.
أحد التحديات الرئيسية في الذكاء الاصطناعي هو الحاجة إلى الكثير من البيانات لتدريب النماذج.
تحتاج نماذج الذكاء الاصطناعي إلى كميات كبيرة من البيانات لتعلم الأنماط والعلاقات الموجودة في البيانات.
يمكن أن يستغرق جمع وإعداد هذه البيانات وقتًا طويلاً ومكلفًا.
بالإضافة إلى ذلك، جودة البيانات مهمة جدًا.
يمكن أن تؤدي البيانات الرديئة إلى تدريب نماذج غير صحيحة.

تعد المخاوف المتعلقة بالخصوصية أيضًا من التحديات الهامة الأخرى في الذكاء الاصطناعي.
تتطلب العديد من برامج الذكاء الاصطناعي جمع وتحليل البيانات الشخصية للمستخدمين لكي تعمل.
يمكن أن تتضمن هذه البيانات معلومات حساسة مثل السجلات الطبية والمعلومات المالية والموقع.
يمكن أن يؤدي إساءة استخدام هذه البيانات إلى انتهاك خصوصية المستخدمين.
يعد احتمال استبدال القوى العاملة البشرية أيضًا أحد المخاوف المتعلقة بالذكاء الاصطناعي.
مع تقدم الذكاء الاصطناعي، يمكن للآلات الآن أداء العديد من المهام التي كان يؤديها البشر.
قد يؤدي هذا إلى فقدان الوظائف وزيادة البطالة.
تعد القضايا الأخلاقية أيضًا من التحديات الهامة الأخرى في الذكاء الاصطناعي.
على سبيل المثال، يمكن أن تؤدي القرارات التلقائية التي تتخذها نماذج الذكاء الاصطناعي إلى التمييز وعدم المساواة.
أيضًا، تعد المساءلة عن القرارات الخاطئة التي تتخذها نماذج الذكاء الاصطناعي قضية مهمة.

للتغلب على هذه التحديات، يقوم الباحثون وصناع السياسات بتطوير حلول مختلفة.
على سبيل المثال، لتقليل الحاجة إلى الكثير من البيانات، يتم تطوير تقنيات التعلم منخفض البيانات والتعلم بالنقل.
لحماية خصوصية المستخدمين، يتم تطوير تقنيات الحفاظ على الخصوصية.
لتقليل الآثار السلبية لاستبدال القوى العاملة البشرية، يتم تنفيذ برامج التدريب والتمكين.
لحل القضايا الأخلاقية، يتم وضع أطر عمل أخلاقية وقوانين متعلقة بالذكاء الاصطناعي.

مستقبل الذكاء الاصطناعي: الآفاق والاحتمالات

في هذا القسم، ندرس مستقبل الذكاء الاصطناعي والآفاق المستقبلية.
تشمل هذه الآفاق تطوير الذكاء الاصطناعي العام وتوسيع تطبيقات الذكاء الاصطناعي في مختلف الصناعات والتغيرات الاجتماعية والاقتصادية الناتجة عن الذكاء الاصطناعي.
كما ندرس الاحتمالات والمخاطر المرتبطة بمستقبل الذكاء الاصطناعي.
أحد الآفاق الهامة في مستقبل الذكاء الاصطناعي هو تطوير الذكاء الاصطناعي العام (AGI).
يشير AGI إلى نوع من الذكاء الاصطناعي القادر على أداء أي مهمة يمكن للإنسان القيام بها.
قد يكون لتطوير AGI تأثيرات عميقة على حياة الإنسان.
على سبيل المثال، يمكن أن يساعد AGI في حل المشكلات العالمية المعقدة مثل تغير المناخ والفقر والمرض.

يعد توسيع تطبيقات الذكاء الاصطناعي في مختلف الصناعات أيضًا أحد الآفاق الهامة الأخرى في مستقبل الذكاء الاصطناعي.
مع تقدم الذكاء الاصطناعي، من المتوقع أن تتوسع تطبيقات الذكاء الاصطناعي في مختلف الصناعات وأن تساعد في تحسين الإنتاجية وخفض التكاليف وخلق فرص جديدة.
على سبيل المثال، يمكن للذكاء الاصطناعي في مجال الرعاية الصحية أن يساعد في تشخيص الأمراض وتطوير أدوية جديدة وتقديم رعاية صحية شخصية.
يمكن للذكاء الاصطناعي في الاقتصاد أن يساعد في تحليل البيانات المالية والتنبؤ باتجاهات السوق وإدارة المخاطر.
يمكن للذكاء الاصطناعي في مجال النقل أن يساعد في تطوير السيارات ذاتية القيادة وتحسين طرق النقل وتقليل الازدحام المروري.

تعد التغيرات الاجتماعية والاقتصادية الناتجة عن الذكاء الاصطناعي أيضًا أحد الجوانب الهامة الأخرى في مستقبل الذكاء الاصطناعي.
مع تقدم الذكاء الاصطناعي، من المتوقع حدوث تغييرات عميقة في المجتمع والاقتصاد.
على سبيل المثال، يمكن للذكاء الاصطناعي أن يؤدي إلى فقدان الوظائف وزيادة البطالة.
يمكن للذكاء الاصطناعي أن يؤدي إلى زيادة عدم المساواة في الدخل.
يمكن للذكاء الاصطناعي أن يؤدي إلى قضايا أخلاقية جديدة.
للتغلب على هذه التغييرات، هناك حاجة إلى التخطيط وصنع السياسات المناسبين.

أدوات تطوير الذكاء الاصطناعي: مقدمة ودراسة

في هذا الفصل، نقدم وندرس أدوات تطوير الذكاء الاصطناعي المختلفة.
تشمل هذه الأدوات TensorFlow و PyTorch و Keras و Scikit-learn.
كما ندرس مزايا وعيوب كل من هذه الأدوات.
TensorFlow هي مكتبة مفتوحة المصدر لتعلم الآلة تم تطويرها بواسطة Google.
يستخدم TensorFlow حسابات رقمية قائمة على الرسم البياني للبيانات.
تمثل العقد الموجودة في الرسم البياني عمليات حسابية، بينما تمثل حواف الرسم البياني صفائف بيانات متعددة الأبعاد (тензоры) تتدفق فيما بينها.
تتيح لك بنية TensorFlow المرنة نشر الحسابات على مجموعة واسعة من الأنظمة الأساسية (CPU و GPU و TPU).
PyTorch هي مكتبة مفتوحة المصدر لتعلم الآلة تعتمد على مكتبة Torch وتم تطويرها لمعالجة اللغة الطبيعية.
يستخدم PyTorch في الغالب من قبل المجموعات البحثية ويركز على السرعة والمرونة.
Keras هي واجهة برمجة تطبيقات عالية المستوى لبناء الشبكات العصبية.
تم تصميم Keras لسهولة الاستخدام وتتيح لك إنشاء نماذج تعلم عميق بسرعة وسهولة.
يمكن تشغيل Keras على TensorFlow أو Theano أو CNTK.

Scikit-learn هي مكتبة مفتوحة المصدر لتعلم الآلة تتضمن خوارزميات مختلفة للتصنيف والانحدار والتجميع وتقليل الأبعاد.
تم تصميم Scikit-learn لسهولة الاستخدام وتتيح لك إنشاء نماذج تعلم آلة بسرعة وسهولة.

مزايا وعيوب كل من هذه الأدوات هي كما يلي: TensorFlow لديه أداء عالٍ ودعم واسع النطاق، ولكن قد يكون من الصعب تعلمه.
PyTorch مرن وسهل التعلم، ولكن قد لا يكون أدائه جيدًا مثل TensorFlow.
Keras سهل الاستخدام، ولكن قد تكون مرونته محدودة.
Scikit-learn سهل الاستخدام ويتضمن خوارزميات مختلفة، ولكنه قد لا يكون مناسبًا للمشكلات المعقدة.

هل سئمت من فقدان العملاء بسبب التصميم الضعيف لموقع المتجر؟ مع رساوب، حل هذه المشكلة إلى الأبد!

✅ زيادة المبيعات ومعدل تحويل الزائر إلى عميل
✅ تجربة مستخدم سلسة وجذابة لعملائك

⚡ احصل على استشارة مجانية

مصادر تعلم الذكاء الاصطناعي: التدريب عبر الإنترنت والكتب

في هذا القسم، نقدم مصادر مختلفة لتعلم الذكاء الاصطناعي.
تشمل هذه المصادر التدريب عبر الإنترنت والكتب والمقالات العلمية والدورات الجامعية.
كما نقدم المصادر المناسبة لمستويات المعرفة والخبرة المختلفة.
يعد التدريب عبر الإنترنت أحد أفضل الطرق لتعلم الذكاء الاصطناعي.
عادة ما يكون التدريب عبر الإنترنت أرخص وأكثر سهولة من الدورات الجامعية.
أيضًا، يتيح لك التدريب عبر الإنترنت التعلم في أي وقت وفي أي مكان تريده.
تتضمن بعض من أفضل التدريبات عبر الإنترنت للذكاء الاصطناعي: Coursera و edX و Udacity و Fast.ai.

تعد الكتب أيضًا مصدرًا جيدًا آخر لتعلم الذكاء الاصطناعي.
عادة ما تكون الكتب أعمق وأكثر شمولاً من التدريب عبر الإنترنت.
أيضًا، تتيح لك الكتب التعلم بطريقة منظمة ومنظمة.
تتضمن بعض من أفضل كتب الذكاء الاصطناعي: “Artificial Intelligence A Modern Approach” بقلم Stuart Russell و Peter Norvig و “Deep Learning” بقلم Ian Goodfellow و Yoshua Bengio و Aaron Courville و “Pattern Recognition and Machine Learning” بقلم Christopher Bishop.

تعد المقالات العلمية أيضًا مصدرًا مهمًا آخر لتعلم الذكاء الاصطناعي.
تتيح لك المقالات العلمية الاطلاع على أحدث التطورات في مجال الذكاء الاصطناعي.
أيضًا، تتيح لك المقالات العلمية فهمًا أعمق لمفاهيم وتقنيات الذكاء الاصطناعي.
تتضمن بعض من أفضل المجلات العلمية في مجال الذكاء الاصطناعي: Journal of Artificial Intelligence Research و Artificial Intelligence و Machine Learning.

المسار الوظيفي في الذكاء الاصطناعي: دليل للدخول إلى هذا المجال

في هذا الفصل، نقدم إرشادات للدخول إلى مجال الذكاء الاصطناعي.
تشمل هذه الإرشادات اكتساب المعرفة والمهارات اللازمة واختيار المسار الوظيفي المناسب وإنشاء شبكة