التعلم الآلي في استهداف الإعلانات: دليل 2026

ملخص سريع: تستخدم تقنيات التعلم الآلي في استهداف الإعلانات خوارزميات الذكاء الاصطناعي لتحليل بيانات المستخدمين، والتنبؤ بسلوكهم، وتحسين عرض الإعلانات تلقائيًا للجمهور الأكثر ملاءمة. وقد أحدثت هذه التقنية نقلة نوعية في مجال الإعلان الرقمي من خلال تحسين دقة الاستهداف، وخفض التكاليف، وتمكين إجراء تعديلات فورية على الحملات الإعلانية، مع مراعاة قوانين الخصوصية وإلغاء استخدام ملفات تعريف الارتباط.

شهد الإعلان الرقمي تحولاً جذرياً. لقد ولّى زمن اختيار المسوّقين لشرائح الجمهور يدوياً والاعتماد على الحظ. فاليوم، تُسهم تقنيات التعلّم الآلي في اتخاذ قرارات استهداف الإعلانات على نطاق وسرعة لا يُضاهيها البشر.

تحلل هذه التقنية ملايين البيانات في أجزاء من الثانية، وتحدد أنماطًا لا تراها العين المجردة، وتُعدّل الحملات تلقائيًا بناءً على ما يُحقق نتائج فعّالة. ولا يقتصر الأمر على الكفاءة فحسب، بل يتعلق أيضًا بالملاءمة.

مع بلوغ الإنفاق على الإعلانات عبر الإنترنت 64.41 تريليون دولار من إجمالي الإنفاق الإعلاني في عام 2021، وتوقع وصول التجارة الإلكترونية إلى 231 تريليون دولار من إجمالي مبيعات التجزئة بحلول عام 2027 بمعدل نمو سنوي قدره 14.41 تريليون دولار، فإن المخاطر لم تكن يومًا أكبر من الآن. يحتاج المعلنون إلى كل ميزة ممكنة.

ما يفعله التعلم الآلي فعلياً في استهداف الإعلانات

في جوهرها، تُعدّ تقنيات التعلّم الآلي في مجال الإعلان بمثابة خوارزميات متطورة للتعرف على الأنماط. إذ تستهلك هذه الخوارزميات كميات هائلة من بيانات سلوك المستخدم - مثل سجل التصفح، وأنماط الشراء، وإشارات التفاعل، والمعلومات الديموغرافية - وتتعلم أيّ التركيبات تتنبأ بالنتائج المرجوة.

لكن الأمر المهم هو أن النظام لا يكتفي بإيجاد الارتباطات فحسب، بل يختبر ويتعلم ويحسّن تنبؤاته باستمرار بناءً على نتائج حقيقية. فكل ظهور للإعلان، وكل نقرة، وكل عملية تحويل تُضاف إلى النموذج، مما يجعله أكثر ذكاءً مع مرور الوقت.

والنتيجة العملية؟ تصل الإعلانات إلى الأشخاص الذين من المرجح أن يهتموا بها فعلاً، في اللحظة التي يكونون فيها أكثر تقبلاً. ليس لأن المسوّق قد أصاب في تخمينه، بل لأن الخوارزمية حددت إشارات تنبؤية عبر آلاف المتغيرات.

الوظائف الرئيسية للاستهداف المدعوم بالذكاء الاصطناعي

تتولى أنظمة التعلم الآلي العديد من المهام الحاسمة في وقت واحد. فهي تتنبأ بالمستخدمين الذين سيتحولون إلى عملاء، وتحدد أسعار العطاءات المثلى لكل مزاد، وتحدد شرائح الجمهور الجديدة بناءً على أنماط السلوك، وتعدل العناصر الإبداعية بناءً على بيانات التفاعل.

تكتشف هذه الأنظمة أيضًا إرهاق الإعلانات قبل انخفاض الأداء، وتُخصّص الميزانية عبر القنوات بشكل ديناميكي، وتتعرّف على أنماط الاحتيال التي قد تغيب عن المراجعة اليدوية. لا تحلّ الأتمتة محلّ الاستراتيجية، بل تُنفّذها على نطاق لا يُمكن للإدارة اليدوية الوصول إليه.

كيف تعالج نماذج التعلم الآلي قرارات الاستهداف؟

تتضمن العملية التقنية الكامنة وراء استهداف التعلم الآلي طبقات متعددة من معالجة البيانات واتخاذ القرارات. يساعد فهم ذلك المسوقين على العمل مع هذه الأنظمة بفعالية أكبر بدلاً من التعامل معها كصناديق سوداء.

يتم جمع البيانات عبر نقاط اتصال متعددة، تشمل زيارات الموقع الإلكتروني، والتفاعل مع التطبيقات، والتفاعل مع الإعلانات، وسجل الشراء، والإشارات السياقية مثل الوقت والجهاز والموقع. ثم تخضع هذه البيانات الأولية لعملية هندسة الميزات، حيث يحول النظام نقاط البيانات الأساسية إلى متغيرات تنبؤية ذات دلالة.

تُعدّ مرحلة تدريب النموذج المرحلة التي يحدث فيها التعلّم الفعلي. تقوم الخوارزميات بتحليل البيانات التاريخية لتحديد مجموعات الميزات التي ترتبط بالنتائج المرجوة. عمليًا، غالبًا ما تُدرّب الأنظمة نماذج متخصصة متعددة، منها نموذج للتنبؤ بالنقرات، وآخر لاحتمالية التحويل، وثالث لتقدير القيمة الدائمة للعميل.

التنبؤ والتحسين في الوقت الفعلي

عند بدء مزاد الإعلانات، يقوم النموذج المدرب بتقييم المستخدم في أجزاء من الثانية. ولا يقتصر الأمر على التنبؤ بما إذا كان المستخدم سينقر على الإعلان أم لا، بل إنه يقدر احتمالية التحويل، والإيرادات المتوقعة، ومبلغ العرض الأمثل الذي يوازن بين التكلفة والقيمة.

وهنا تكمن المفارقة: لا يتعامل النظام مع جميع عمليات الشراء بنفس الطريقة. فالمستخدم الذي يُرجّح أن يقوم بعملية شراء صغيرة واحدة يُعامل بشكل مختلف عن المستخدم الذي يُظهر مؤشرات على قيمة عالية على المدى الطويل. وتتعلم الخوارزمية هذه الفروقات الدقيقة من الأنماط التاريخية دون برمجة صريحة.

تطوير نماذج استهداف الإعلانات باستخدام الذكاء الاصطناعي المتفوق

يتطلب استهداف الإعلانات عملاً دقيقاً في مجال البيانات لأن المدخلات الضعيفة يمكن أن تؤدي إلى قرارات سيئة تجاه الجمهور. متفوقة الذكاء الاصطناعي يمكن أن تساعد الفرق في بناء نماذج التعلم الآلي لتقييم الجمهور، وتقسيمه، والتوصية به، أو التنبؤ بالاستجابة، مع الحفاظ على المشروع قائماً على البيانات المتاحة.

تشمل خدماتهم الاستشارات في مجال الذكاء الاصطناعي، والتعلم الآلي، وعلم البيانات، وتطوير برمجيات الذكاء الاصطناعي، وتطوير نماذج إثبات المفهوم، وتقييم النماذج. وهذا مفيد عندما يحتاج فريق ما إلى التحقق من صحة نموذج الاستهداف قبل ربطه بسير عمل الحملات التسويقية.

بإمكان شركة AI Superior دعم مشاريع استهداف الإعلانات من خلال:

• تحديد منطق الاستهداف ومهمة التعلم الآلي
• مراجعة بيانات العملاء، والسلوك، والحملات، والتحويلات
• بناء نماذج استهداف لإثبات المفهوم
• تطوير نماذج لتصنيف الجمهور أو تقسيمه
• اختبار أداء النموذج واستقراره
• تخطيط التكامل مع المنصات الداخلية أو أدوات الإعلان
• دعم المشروع من مرحلة النموذج الأولي إلى مرحلة النشر

بالنسبة لاستهداف الإعلانات، قد ينطبق هذا على نمذجة الجمهور المشابه، والتنبؤ بالاستجابة، وتقييم العملاء، والتخصيص، وتحسين قائمة الحملات.

تواصل مع شركة AI Superior لمناقشة المشروع.

الاستهداف التنبؤي: من البيانات التاريخية إلى السلوك المستقبلي

يمثل الاستهداف التنبؤي التطبيق الأكثر تطوراً للتعلم الآلي في مجال الإعلان. فبدلاً من استهداف المستخدمين بناءً على ما فعلوه سابقاً، تتنبأ هذه الأنظمة بما يُحتمل أن يفعلوه لاحقاً.

يحلل هذا النهج تسلسلات السلوك والأنماط الزمنية. فمثلاً، من يتصفح تقييمات المنتجات يوم الاثنين، ويتحقق من الأسعار يوم الأربعاء، ويقرأ أدلة الشراء يوم الجمعة، لا يُظهر اهتماماً فحسب، بل يتبع مساراً متوقعاً نحو الشراء. وتتعرف نماذج التعلم الآلي على هذه التسلسلات وتُحدد توقيت عرض الإعلانات وفقاً لذلك.

تُظهر بيانات الاختبار بوضوح الأثر. فقد أظهر اختبار A/B لمدة 45 يومًا، قارن بين الاستهداف اليدوي وتحسين التعلم الآلي، زيادةً في التحويلات بنسبة 17% وانخفاضًا في تكلفة التحويل بنسبة 16%. وقد حددت الخوارزمية إشارات تنبؤية غابت تمامًا عن المحللين البشريين.

الجماهير المشابهة ونمذجة التشابه

يُظهر توليد الجمهور المشابه قدرة التعلم الآلي على التعرف على الأنماط. يحلل النظام خصائص العملاء الحاليين - ليس فقط البيانات الديموغرافية، بل أنماط السلوك، وإشارات التفاعل، وتفضيلات المحتوى - ثم يجد المستخدمين ذوي الملفات الشخصية المشابهة.

يكمن التحدي في ضمان عدم إدخال هذه النماذج للتحيز. فقد كشفت دراسة أجرتها مؤسسة بروكينغز عن أنماط مثيرة للقلق: إذ أظهر جمهور مشابه، مبني على عينة من 10,000 ناخب أمريكي من أصل أفريقي، تداخلاً بنسبة 891% مع عينة من الأمريكيين من أصل أفريقي. وهذا يُسلط الضوء على مشكلة جوهرية: فالتعلم الآلي يُضخّم الأنماط في بيانات التدريب، بما فيها الأنماط الإشكالية. فعندما تعكس البيانات التاريخية تحيزات موجودة، يتعلمها النظام ويُكرّسها على نطاق واسع.

التحيز والإنصاف والمساءلة الخوارزمية

تأتي قوة التعلم الآلي في استهداف الإعلانات مصحوبة بمسؤولية كبيرة. فقد تُمارس هذه الأنظمة التمييز دون قصد، أو تُنشئ فقاعات تصفية، أو تستغل الفئات السكانية الضعيفة إذا لم تُصمم وتُراقب بعناية.

وضعت مؤسسة مهندسي الكهرباء والإلكترونيات (IEEE) معايير لمراعاة التحيز الخوارزمي، إدراكًا منها أن الحلول التقنية تتطلب تصميمًا استباقيًا. لا يقتصر التحدي على اكتشاف التحيز بعد وقوعه فحسب، بل يتعداه إلى بناء أنظمة تراعي الإنصاف منذ البداية.

تُوضح أمثلة واقعية مدى خطورة الأمر. فقد تعلمت أداة التوظيف التجريبية لشركة أمازون، التي تضم 60% من القوى العاملة العالمية من الذكور، ويشغل الرجال فيها 74% من المناصب الإدارية، معاقبة السير الذاتية التي تحتوي على كلمات مرتبطة بالنساء. لم يُبرمج النظام للتمييز، بل تعلم من أنماط التوظيف السابقة التي عكست تحيزًا قائمًا.

الاستجابة التنظيمية ومعايير الصناعة

بدأت الجهات التنظيمية تُولي اهتمامًا متزايدًا. فقد أعلنت لجنة التجارة الفيدرالية عن عملية "الامتثال للذكاء الاصطناعي" في سبتمبر 2024، وبدأت إجراءات إنفاذ القانون ضد الشركات التي تستخدم الترويج المضلل للذكاء الاصطناعي أو تبيع تقنيات الذكاء الاصطناعي التي تُتيح ممارسات غير عادلة. والرسالة واضحة: الاستهداف الخوارزمي لا يُعفي الشركات من قوانين مكافحة التمييز.

توفر معايير معهد مهندسي الكهرباء والإلكترونيات (IEEE) والأبحاث الأكاديمية من مؤسسات مثل بروكينغز أطرًا للكشف عن التحيز والتخفيف من حدته. وتشمل هذه الأساليب قيودًا تتعلق بالإنصاف أثناء تدريب النماذج، وعمليات تدقيق منتظمة تقارن النتائج عبر المجموعات الديموغرافية، وتوثيقًا شفافًا يجعل القرارات الخوارزمية قابلة للتفسير.

يمثل التحدي التقني تحديًا كبيرًا. تشير الأبحاث المنشورة في مجلة IEEE Spectrum إلى أن أنظمة التعلم العميق تجعل من الصعب للغاية تحديد متى يكون اتخاذ القرار متحيزًا. إن التعقيد الذي يجعل هذه النماذج قوية هو نفسه الذي يجعلها غامضة.

الاستهداف الذي يحافظ على الخصوصية في عالم خالٍ من ملفات تعريف الارتباط

أدى توقف استخدام ملفات تعريف الارتباط التابعة لجهات خارجية إلى إجبار أنظمة التعلم الآلي على التطور بسرعة. فالنهج التقليدي - المتمثل في تتبع المستخدمين عبر الإنترنت باستخدام ملفات تعريف الارتباط - آخذ في التلاشي، ويتعين على الخوارزميات إيجاد طرق جديدة لتقديم إعلانات ذات صلة دون مراقبة متطفلة.

تظهر حالياً عدة تقنيات لحماية الخصوصية. يسمح التعلم الموحد بتدريب النماذج على بيانات المستخدم دون مغادرة هذه البيانات للجهاز. تضيف الخصوصية التفاضلية تشويشاً رياضياً يحمي خصوصية الأفراد مع الحفاظ على الأنماط الإجمالية. وقد عاد الاستهداف السياقي مع تحسينات التعلم الآلي التي تفهم محتوى الصفحة على مستوى أعمق.

تُظهر الأبحاث المتعلقة بالاستهداف العشوائي أن الأساليب الاستراتيجية قادرة على استعادة قيمة استهداف كبيرة مع مراعاة قيود الخصوصية. فقد وجدت إحدى الدراسات التي استخدمت مجموعة بيانات Criteo AI Labs التي تضم 14 مليون مستخدم أن استراتيجيات القياس البديهية لم تحقق سوى 33% من إمكانات الاستهداف غير الحافظة للخصوصية، بينما استعادت أساليب الاستعلام الاستراتيجية ما بين 97 و101% من هذه القيمة.

وعي المستخدم وتحكمه

لا يزال وعي المستهلكين بآليات استهداف الإعلانات محدودًا. فقد وجد مركز بيو للأبحاث أن 741% من مستخدمي فيسبوك أفادوا بأنهم لم يكونوا على دراية بوجود قائمة "تفضيلاتك الإعلانية" قبل إجراء الدراسة. وعند توجيه المستخدمين إليها، تمكنوا من العثور على فئات تفضيلاتهم الإعلانية المُدرجة، إلا أن البحث أظهر تباينًا في مدى توافق هذه الفئات مع تصورات المستخدمين الذاتية، حيث أعرب ما يقرب من نصف مستخدمي فيسبوك عن عدم ارتياحهم لكيفية تصنيف المنصة لها.

تُعدّ هذه الفجوة بين الاستدلال الخوارزمي وإدراك المستخدم أمرًا بالغ الأهمية. فحتى الاستهداف الدقيق قد يبدو تدخلاً في الخصوصية عندما لا يفهم المستخدمون كيفية استخدام بياناتهم أو لا يوافقون عليها. تُساعد آليات الشفافية، ولكن فقط إذا كان المستخدمون على دراية بوجودها وقادرين على التحكم فيها بشكل فعلي.

الإعلانات الإبداعية والتخصيص المُولّدة بالذكاء الاصطناعي

تجاوزت تقنيات التعلم الآلي نطاق استهداف الجمهور لتشمل عملية الإبداع نفسها. وتقوم نماذج اللغة الضخمة الآن بإنشاء نصوص إعلانية وصور مرئية، وغالبًا ما تتفوق على المحتوى الذي ينشئه البشر في الاختبارات.

أظهرت دراسة حديثة أن الإعلانات المُولَّدة بواسطة نماذج التعلم الآلي حققت تكافؤًا إحصائيًا مع الإعلانات المكتوبة يدويًا (51.1% مقابل 48.9%، p>0.05) في دراسات مضبوطة. وقد ثبتت هذه الميزة النوعية، فحتى بعد تطبيق عقوبة كشف بنسبة 21.2 نقطة مئوية، عندما حدد المشاركون بشكل صحيح مصدر الذكاء الاصطناعي، اختار 29.4% من المشاركين محتوى الذكاء الاصطناعي.

ما الذي يفسر هذا التكافؤ في الأداء؟ كشف التحليل النوعي أن الذكاء الاصطناعي يصوغ رسائل أكثر تطوراً وطموحاً، ويحقق تماسكاً بصرياً سردياً فائقاً. لا تكتفي هذه الأنظمة بكتابة نصوص جيدة فحسب، بل تعمل أيضاً على تحسين أنماط التفاعل المستمدة من بيانات تدريبية ضخمة.

لكن هذا يثير تساؤلات أخلاقية جديدة. فعندما تُخصَّص الإعلانات بشكل فردي باستخدام الذكاء الاصطناعي الذي يعرف المحفزات النفسية التي تؤثر في كل شخص، أين يكمن الحد الفاصل بين الإقناع والتلاعب؟ إن فعالية هذه التقنية تجعل هذه التساؤلات ملحة، وليست مجرد تساؤلات نظرية.

تحديات التنفيذ وأفضل الممارسات

تواجه المؤسسات التي تطبق تقنيات التعلم الآلي للاستهداف العديد من التحديات العملية. وتأتي جودة البيانات وكميتها في مقدمة هذه التحديات، إذ تحتاج النماذج إلى بيانات تدريب كافية لتتعلم بفعالية. تستخدم الإعدادات التجريبية النموذجية في الخدمات المالية مجموعات بيانات تتضمن تتبع سلوك العملاء على مدى فترات مراقبة مدتها ستة أشهر، مع تقسيمها إلى ثلاث مجموعات: 70% للتدريب، و15% للتحقق، و15% للاختبار.

يمثل تعقيد التكامل عقبة أخرى. يجب أن تتصل أنظمة التعلم الآلي بمنصات الإعلانات، ومنصات بيانات العملاء، وأدوات التحليل، وأنظمة إدارة المحتوى الإبداعي. كل نقطة تكامل تُضيف احتمالات للفشل وتحديات في مزامنة البيانات.

القياس والإسناد

يتطلب قياس أثر التعلم الآلي تصميمًا تجريبيًا دقيقًا. قد تكون المقارنات البسيطة قبل وبعد مضللة لأن العوامل الخارجية - كالموسمية وظروف السوق وتصرفات المنافسين - تتغير باستمرار. يوفر اختبار A/B المناسب مع مجموعات اختبار مستقلة تحديدًا أدق للأثر.

يمتد تحدي القياس إلى فهم سبب اتخاذ الخوارزمية لقرارات محددة. تساعد أدوات تفسير النماذج في شرح التنبؤات، لكن نماذج التجميع المعقدة أو أنظمة التعلم العميق تقاوم التفسير البسيط. ويصبح تحقيق التوازن بين الأداء وقابلية التفسير مفاضلة عملية.

التنفيذ الخاص بالمنصة

تُطبّق منصات الإعلان المختلفة تقنيات الاستهداف القائمة على التعلم الآلي بأساليب وقدرات متباينة. ويساعد فهم هذه الاختلافات المعلنين على اختيار المنصات المناسبة ووضع توقعات واقعية.

تستخدم منصات رئيسية مثل فيسبوك وجوجل وبينترست أنظمة تعلم آلي خاصة بها، مُدرَّبة على مجموعات بيانات ضخمة. وقد نشر فريق هندسة بينترست تفاصيل حول منهجهم في تقديم إعلانات مُلائمة، بما في ذلك تقنيات ترجيح العينات التي حسّنت الإيرادات وعدد مرات الظهور وتكلفة الألف ظهور الفعّالة بنسبة 0.82% و0.38% و0.4% على التوالي، وذلك من خلال تطبيع مقياس الحد الأدنى والحد الأقصى.

غالباً ما تفتقر المنصات الصغيرة وشركات تكنولوجيا الإعلان المستقلة إلى حجم البيانات والموارد الهندسية اللازمة لبناء أنظمة مماثلة. وقد تلجأ إلى ترخيص أدوات التعلم الآلي من جهات خارجية أو تعتمد على تحسينات أبسط قائمة على القواعد. وقد تكون فروق الأداء كبيرة.

الإعلان المبرمج والمزايدة في الوقت الفعلي

يمثل الإعلان المبرمج البيئة الطبيعية للتعلم الآلي. تتم مزادات المزايدة في الوقت الفعلي في أجزاء من الثانية، وهي سرعة فائقة يصعب على الإنسان اتخاذ القرارات بشأنها. تقوم الخوارزميات بتقييم كل فرصة ظهور، والتنبؤ بقيمتها، وتحديد مبالغ المزايدة المثلى تلقائيًا.

تتفاوت درجة التعقيد بشكل كبير. تستخدم الأنظمة البرمجية الأساسية قواعد بسيطة نسبياً ومتوسطات تاريخية. أما التطبيقات المتقدمة فتستخدم التعلم المعزز الذي يتعامل مع كل مزاد كمسألة قرار تسلسلي، ويتعلم استراتيجيات المزايدة المثلى من خلال التجربة والخطأ مع مراعاة إشارات التحويل المتأخرة.

تتناول الأبحاث المتعلقة بتعلم تأثير الإعلانات المخصصة عبر التعلم المعزز السياقي مشكلة المكافأة المتأخرة بشكل مباشر. فغالباً ما تحدث التحويلات بعد أيام أو أسابيع من التعرض الأولي للإعلان، مما يصعب على الخوارزميات تحديد القيمة بدقة. وتُحسّن التقنيات التي تُحاكي هذه المكافآت المتأخرة عملية تحسين عروض الأسعار بشكل كبير.

التوجهات المستقبلية والتقنيات الناشئة

يستمر التعلم الآلي في استهداف الإعلانات بالتطور بسرعة. وتشهد العديد من الاتجاهات الناشئة إعادة تشكيل المشهد بما يتجاوز ما هو شائع الاستخدام في عام 2026.

يجمع التخصيص الهجين القائم على النوايا بين التعلم الآلي التقليدي والتوليد المُعزز بالاسترجاع من نماذج لغوية ضخمة. يُحاكي هذا النهج سلوك العملاء من خلال التعلم الآلي التقليدي، بينما يستخدم النماذج اللغوية الضخمة لتوليد رسائل مُخصصة تتكيف مع إشارات النوايا سريعة التطور والقيود التنظيمية الخاصة بالخدمات المالية وغيرها من الصناعات الخاضعة لتنظيمات صارمة.

يتحسن تحديد الهوية عبر الأجهزة والمنصات المختلفة بفضل تقنيات الحفاظ على الخصوصية. فبدلاً من تتبع الأفراد مباشرةً، تتعرف الأنظمة على أنماط السلوك وتربط التفاعلات عبر الأجهزة احتمالياً دون الحاجة إلى معرّفات دائمة.

تُكمّل أساليب الاستدلال السببي التنبؤ القائم على الارتباط. إن فهم العلاقات السببية - أي ما الذي يُحفّز التحويلات فعلياً مقابل ما يرتبط بها فقط - يُساعد المعلنين على تجنب إهدار الإنفاق على المستخدمين الذين سيتحولون على أي حال، والتركيز على الجماهير القابلة للإقناع.

التعلم متعدد الوسائط

تزداد الأنظمة التي تعالج أنواعًا متعددة من البيانات في آن واحد - كالنصوص والصور والفيديوهات والصوت وسلوك المستخدم - تطورًا. وتفهم النماذج متعددة الوسائط كيفية تفاعل العناصر المرئية والرسائل والسياق، مما يتيح تحسينًا إبداعيًا أكثر دقة واستهدافًا سياقيًا أفضل.

يكمن التحدي في التكلفة الحسابية. تتطلب النماذج متعددة الوسائط قدرة معالجة أكبر بكثير من أنظمة الوسائط الأحادية، مما يجعل الاستدلال في الوقت الفعلي مكلفًا. وتُعدّ تقنيات التحسين التي توازن بين الدقة وزمن الاستجابة والتكلفة من مجالات البحث النشطة.

الأسئلة الشائعة