What if AI Could Spot Your Lies? | Riccardo Loconte | TED

المترجم: LYONNH Q المدقّق: Hani Eldalees

This is something you won't like.

هذا شيء لن يعجبك.

But here everyone is a liar.

ولكن هنا الجميع كذابون.

Don't take it too personally.

لا تأخذ الأمر بشكل شخصي للغاية.

What I mean is that lying is very common

ما أعنيه هو أن الكذب شائع جدًا

and it is now well-established that we lie on a daily basis.

ومن الثابت الآن أننا نكذب على أساس يومي.

Indeed, scientists have estimated that we tell around two lies per day,

في الواقع، قدّر العلماء أننا نروي حوالي كذبتين يوميًا،

although, of course, it's not that easy to establish those numbers with certainty.

على الرغم من أنه بالطبع ليس من السهل تحديد هذه الأرقام على وجه اليقين.

And, well, I introduce myself.

حسنًا، أقدم نفسي.

I'm Riccardo, I'm a psychologist and a PhD candidate,

أنا ريكاردو، أنا عالم نفسي ومرشح لنيل درجة الدكتوراه،

and for my research project I study how good are people at detecting lies.

ومن أجل مشروعي البحثي، أدرس مدى جودة الناس في اكتشاف الأكاذيب.

Seems cool, right? But I'm not joking.

يبدو رائعًا، أليس كذلك؟ لكنني لا أمزح.

And you might wonder why a psychologist was then invited

وقد تتساءل لماذا تمت دعوة طبيب نفسي بعد ذلك

to give a TED Talk about AI.

لإلقاء محادثة TED حول الذكاء الاصطناعي.

And well, I'm here today

حسنًا، أنا هنا اليوم

because I'm about to tell you how AI could be used to detect lies.

لأنني على وشك أن أخبركم كيف يمكن استخدام الذكاء الاصطناعي للكشف عن الأكاذيب.

And you will be very surprised by the answer.

وستفاجأ جدًا بالإجابة.

But first of all, when is it relevant to detect lies?

ولكن قبل كل شيء، متى يكون من المناسب اكتشاف الأكاذيب؟

A first clear example that comes to my mind

أول مثال واضح يتبادر إلى ذهني

is in the criminal investigation field.

هو مجال التحقيق الجنائي.

Imagine you are a police officer and you want to interview a suspect.

تخيل أنك ضابط شرطة وتريد مقابلة المشتبه به.

And the suspect is providing some information to you.

والمشتبه به به يقدم لك بعض المعلومات.

And this information is actually leading to the next steps of the investigation.

وهذه المعلومات تؤدي في الواقع إلى الخطوات التالية من التحقيق.

We certainly want to understand if the suspect is reliable

نريد بالتأكيد أن نفهم ما إذا كان المشتبه به موثوقًا

or if they are trying to deceive us.

أم أنه يحاول خداعنا.

Then another example comes to my mind,

ثم يتبادر إلى ذهني مثال آخر،

and I think this really affects all of us.

وأعتقد أن هذا يؤثر حقًا علينا جميعًا.

So please raise your hands

لذا يرجى رفع يديك

if you would like to know if your partner cheated on you.

إذا كنت ترغب في معرفة ما إذا كان شريكك قد خدعك.

(Laughter)

(ضحك)

And don't be shy because I know.

ولا تخجل لأنني أعرف.

(Laughter)

(ضحك)

Yeah. You see?

نعم. هل ترى؟

It's very relevant.

إنه ملائم للغاية.

However, I have to have to say that we as humans

ومع ذلك، يجب أن أقول إننا كبشر

are very bad at detecting lies.

سيئون جدًا في اكتشاف الأكاذيب.

In fact, many studies have already confirmed

في الواقع، أكدت العديد من الدراسات بالفعل

that when people are asked to judge

أنه عندما يُطلب من الناس الحكم على ما

if someone is lying or not

إذا كان شخص ما يكذب أم لا

without knowing much about that person or the context,

دون معرفة الكثير عن هذا الشخص أو السياق، فإن دقة

people's accuracy is no better than the chance level,

الأشخاص ليست أفضل من مستوى الفرصة،

about the same as flipping a coin.

تمامًا مثل تقليب عملة معدنية.

You might also wonder

قد تتساءل أيضًا عما

if experts, such as police officers, prosecutors, experts

إذا كان الخبراء، مثل ضباط الشرطة والمدعين العامين والخبراء

and even psychologists

وحتى علماء النفس

are better at detecting lies.

، أفضل في اكتشاف الأكاذيب.

And the answer is complex,

والإجابة معقدة،

because experience alone doesn't seem to be enough

لأن التجربة وحدها لا تبدو كافية

to help detect lies accurately.

للمساعدة في اكتشاف الأكاذيب بدقة.

It might help, but it's not enough.

قد يساعد ذلك، لكنه ليس كافيًا.

To give you some numbers.

لأعطيك بعض الأرقام.

In a well-known meta-analysis that previous scholars did in 2006,

في تحليل تلوي معروف أجراه علماء سابقون في عام 2006،

they found that naive judges' accuracy

وجدوا أن دقة القضاة الساذجين

was on average around 54 percent.

كانت في المتوسط حوالي 54 بالمائة.

Experts perform only slightly better,

يعمل الخبراء بشكل أفضل قليلاً فقط،

with an accuracy rate around 55 percent.

بمعدل دقة يبلغ حوالي 55 بالمائة.

(Laughter)

(ضحك)

Not that impressive, right?

ليس ذلك مثيرًا للإعجاب، أليس كذلك؟

And ...

و...

Those numbers actually come from the analysis

تأتي هذه الأرقام في الواقع

of the results of 108 studies,

من تحليل نتائج 108 دراسة،

meaning that these findings are quite robust.

مما يعني أن هذه النتائج قوية جدًا.

And of course, the debate is also much more complicated than this

وبالطبع، فإن النقاش أيضًا أكثر تعقيدًا بكثير من هذا

and also more nuanced.

وأكثر دقة أيضًا.

But here the main take-home message

لكن الرسالة الرئيسية هنا

is that humans are not good at detecting lies.

هي أن البشر لا يجيدون اكتشاف الأكاذيب.

What if we are creating an AI tool

ماذا لو قمنا بإنشاء أداة ذكاء اصطناعي

where everyone can detect if someone else is lying?

حيث يمكن للجميع اكتشاف ما إذا كان شخص آخر يكذب؟

This is not possible yet, so please don't panic.

هذا غير ممكن بعد، لذا من فضلك لا داعي للذعر.

(Laughter)

(ضحك)

But this is what we tried to do in a recent study

ولكن هذا ما حاولنا القيام به في دراسة

that I did together with my brilliant colleagues

حديثة قمت بها مع زملائي اللامعين

whom I need to thank.

الذين أريد أن أشكرهم.

And actually, to let you understand what we did in our study,

وفي الواقع، للسماح لك بفهم ما قمنا به في دراستنا،

I need to first introduce you to some technical concepts

أحتاج أولاً إلى تعريفك ببعض المفاهيم

and to the main characters of this story:

التقنية والشخصيات الرئيسية في هذه القصة: نماذج اللغة

Large language models.

الكبيرة.

Large language models are AI systems

نماذج اللغات الكبيرة هي أنظمة ذكاء اصطناعي

designed to generate outputs in natural language

مصممة لتوليد مخرجات

in a way that almost mimics human communication.

باللغة الطبيعية بطريقة تحاكي التواصل البشري تقريبًا.

If you are wondering how we teach these AI systems to detect lies,

إذا كنت تتساءل عن كيفية تعليم انظمة الذكاء الاصطناعي هذه اكتشاف الأكاذيب،

here is where something called fine-tuning comes in.

وهنا يأتي دور شيء يسمى الضبط الدقيق.

But let's use a metaphor.

ولكن دعونا نستخدم الاستعارة.

Imagine large language models being as students

تخيل نماذج اللغات الكبيرة مثل الطلاب

who have gone through years of school,

الذين قضوا سنوات من المدرسة،

learning a little bit about everything,

ويتعلمون القليل عن كل شيء،

such as language, concepts, facts.

مثل اللغة والمفاهيم والحقائق.

But when it's time for them to specialize,

ولكن عندما يحين وقت تخصصهم،

like in law school or in medical school,

كما هو الحال في كلية الحقوق أو كلية الطب،

they need more focused training.

فإنهم يحتاجون إلى تدريب أكثر تركيزًا.

Fine-tuning is that extra education.

الضبط الدقيق هو ذلك التعليم الإضافي.

And of course, large language models don't learn as humans do.

وبالطبع، لا تتعلم نماذج اللغات الكبيرة كما يفعل البشر.

But this is just to give you the main idea.

ولكن هذا فقط لإعطائك الفكرة الرئيسية.

Then, as for training students, you need books, lectures, examples,

ثم، بالنسبة لتدريب الطلاب، فأنت بحاجة إلى كتب ومحاضرات وأمثلة

for training large language models you need datasets.

لتدريب نماذج لغوية كبيرة تحتاج إلى مجموعات بيانات.

And for our study we considered three datasets,

وبالنسبة لدراستنا، نظرنا في ثلاث مجموعات بيانات،

one about personal opinions,

واحدة عن الآراء الشخصية،

one about past autobiographical memories

وواحدة عن ذكريات

and one about future intentions.

السيرة الذاتية السابقة والأخرى عن النوايا المستقبلية.

These datasets were already available from previous studies

كانت مجموعات البيانات هذه متاحة بالفعل من الدراسات السابقة

and contained both truthful and deceptive statements.

وتحتوي على بيانات صادقة ومضللة.

Typically, you collect these types of statements

عادةً ما تقوم بجمع هذه الأنواع من العبارات

by asking participants to tell the truth or to lie about something.

عن طريق مطالبة المشاركين بقول الحقيقة أو الكذب بشأن شيء ما.

For example, if I was a participant in the truthful condition,

على سبيل المثال، إذا كنت مشاركًا في الحالة الصادقة،

and the task was

وكانت المهمة

"tell me about your past holidays,"

«أخبرني عن عطلاتك الماضية»،

then I will tell the researcher about my previous holidays in Vietnam,

ثم سأخبر الباحث عن عطلاتي السابقة في فيتنام،

and here we have a slide to prove it.

وهنا لدينا شريحة لإثبات ذلك.

For the deceptive condition

بالنسبة للحالة الخادعة،

they will randomly pick some of you who have never been to Vietnam,

سيختارون عشوائيًا بعضًا منكم ممن لم يسبق لهم زيارة فيتنام،

and they will ask you to make up a story

وسيطلبون منك اختلاق قصة

and convince someone else that you've really been to Vietnam.

وإقناع شخص آخر بأنك زرت فيتنام حقًا.

And this is how it typically works.

وهذه هي الطريقة التي تعمل بها عادةً.

And as in all university courses, you might know this,

وكما هو الحال في جميع الدورات الجامعية، قد تعرف ذلك،

after lectures you have exams.

بعد المحاضرات لديك امتحانات.

And likewise after training our AI models,

وبالمثل بعد تدريب نماذج الذكاء الاصطناعي الخاصة بنا،

we would like to test them.

نود اختبارها.

And the procedure that we followed,

والإجراء الذي اتبعناه،

that is actually the typical one, is the following.

وهو في الواقع الإجراء النموذجي، هو التالي.

So we picked some statements randomly from each dataset

لذلك اخترنا بعض العبارات بشكل عشوائي من كل مجموعة بيانات

and we took them apart.

وقمنا بتفكيكها.

So the model never saw these statements during the training phase.

لذلك لم ير النموذج هذه العبارات أبدًا خلال مرحلة التدريب.

And only after the training was completed,

وفقط بعد الانتهاء من التدريب،

we used them as a test, as the final exam.

استخدمناها كاختبار، كاختبار نهائي.

But who was our student then?

ولكن من كان تلميذنا في ذلك الوقت؟

In this case, it was a large language model

في هذه الحالة، كان نموذجًا لغويًا كبيرًا

developed by Google

طورته Google

and called FLAN-T5.

وأطلق عليه اسم FLAN-T5.

Flanny, for friends.

فلاني، للأصدقاء.

And now that we have all the pieces of the process together,

والآن بعد أن حصلنا على كل أجزاء العملية معًا،

we can actually dig deep into our study.

يمكننا بالفعل التعمق في دراستنا.

Our study was composed by three main experiments.

تألفت دراستنا من ثلاث تجارب رئيسية.

For the first experiment, we fine-tuned our model, our FLAN-T5,

بالنسبة للتجربة الأولى، قمنا بضبط نموذجنا، FLAN-T5،

on each single dataset separately.

على كل مجموعة بيانات على حدة.

For the second experiment,

بالنسبة للتجربة الثانية،

we fine-tuned our model on two pairs of datasets together,

قمنا بضبط نموذجنا على زوجين من مجموعات البيانات معًا،

and we tested it on the third remaining one,

واختبرناه على الزوج الثالث المتبقي،

and we used all three possible combinations.

واستخدمنا جميع المجموعات الثلاث الممكنة.

For the last final experiment,

بالنسبة للتجربة النهائية الأخيرة،

we fine-tuned the model on a new, larger training test set

قمنا بضبط النموذج على مجموعة

that we obtained by combining all the three datasets together.

اختبار تدريب جديدة أكبر حصلنا عليها خلال الجمع بين جميع مجموعات البيانات الثلاث معا

The results were quite interesting

كانت النتائج مثيرة للاهتمام للغاية

because what we found was that in the first experiment,

لأن ما وجدناه هو أنه في التجربة الأولى، حقق

FLAN-T5 achieved an accuracy range between 70 percent and 80 percent.

FLAN-T5 نطاق دقة يتراوح بين 70 بالمائة و 80 بالمائة.

However, in the second experiment,

ومع ذلك، في التجربة الثانية، خفضت

FLAN-T5 dropped its accuracy to almost 50 percent.

FLAN-T5 دقتها إلى ما يقرب من 50 بالمائة.

And then, surprisingly, in the third experiment,

ومن المثير للدهشة أنه في التجربة الثالثة، عادت

FLAN-T5 rose back to almost 80 percent.

FLAN-T5 إلى ما يقرب من 80 بالمائة.

But what does this mean?

ولكن ماذا يعني هذا؟

What can we learn from these results?

ماذا يمكننا أن نتعلم من هذه النتائج؟

From experiment one and three

من التجربة الأولى والثالثة،

we learn that language models

نتعلم أن نماذج اللغة

can effectively classify statements as deceptive,

يمكنها تصنيف العبارات بشكل فعال على أنها خادعة

outperforming human benchmarks

ومتفوقة على المعايير البشرية

and aligning with previous machine learning

ومتوافقة مع نماذج التعلم الآلي

and deep learning models

والتعلم العميق السابقة

that previous studies trained on the same datasets.

التي دربتها الدراسات السابقة على نفس مجموعات البيانات.

However, from the second experiment,

ومع ذلك، من التجربة الثانية،

we see that language models struggle

نرى أن نماذج اللغة تكافح

in generalizing this knowledge, this learning across different contexts.

في تعميم هذه المعرفة، وهذا التعلم عبر سياقات مختلفة.

And this is apparently because

وهذا على ما يبدو بسبب

there is no one single universal rule of deception

عدم وجود قاعدة عالمية واحدة للخداع

that we can easily apply in every context,

يمكننا تطبيقها بسهولة في كل سياق،

but linguistic cues of deception are context-dependent.

ولكن الإشارات اللغوية للخداع تعتمد على السياق.

And from the third experiment,

ومن التجربة الثالثة،

we learned that actually language models

تعلمنا أن النماذج اللغوية في الواقع

can generalize well across different contexts,

يمكن أن تعمم جيدًا عبر سياقات مختلفة، فقط

if only they have been previously exposed to examples

إذا كانت قد تعرضت سابقًا لأمثلة

during the training phase.

خلال مرحلة التدريب.

And I think this sounds as good news.

وأعتقد أن هذا يبدو خبرًا جيدًا.

But while this means that language models can be effectively applied

ولكن في حين أن هذا يعني أنه يمكن تطبيق نماذج اللغة بفعالية

for real-life applications in lie detection,

للتطبيقات الواقعية في اكتشاف الكذب، إلا أن هناك حاجة إلى

more replication is needed because a single study is never enough

مزيد من النسخ لأن دراسة واحدة لا تكفي أبدًا

so that from tomorrow we can all have these AI systems on our smartphones,

حتى نتمكن من حصول على أنظمة الذكاء اصطناعي هذه على هواتفنا الذكية بدءًا من الغد

and start detecting other people's lies.

والبدء في اكتشاف أكاذيب الآخرين.

But as a scientist, I have a vivid imagination

لكن كعالم، لدي خيال

and I would like to dream big.

حي وأود أن أحلم بحلم كبير.

And also I would like to bring you with me in this futuristic journey for a while.

وأود أيضًا أن أحضرك معي في هذه الرحلة المستقبلية لفترة من الوقت.

So please imagine with me living in a world

لذا يرجى تخيل أنني أعيش في عالم تتكامل

where this lie detection technology is well-integrated in our life,

فيه تقنية كشف الكذب هذه جيدًا في حياتنا،

making everything from national security to social media a little bit safer.

مما يجعل كل شيء من الأمن القومي إلى وسائل التواصل الاجتماعي أكثر أمانًا.

And imagine having this AI system that could actually spot fake opinions.

وتخيل وجود نظام الذكاء الاصطناعي هذا الذي يمكنه بالفعل اكتشاف الآراء المزيفة.

From tomorrow, we could say

اعتبارًا من الغد، يمكننا أن نقول

when a politician is actually saying one thing

متى يقول السياسي شيئًا بالفعل

and truly believes something else.

ويؤمن حقًا بشيء آخر.

(Laughter)

(ضحك)

And what about the security board context

وماذا عن سياق مجلس الأمن

where people are asked about their intentions and reasons

حيث يُسأل الناس عن نواياهم

for why they are crossing borders or boarding planes.

وأسباب عبورهم الحدود أو ركوب الطائرات.

Well, with these systems,

حسنًا، مع هذه الأنظمة،

we could actually spot malicious intentions

يمكننا بالفعل اكتشاف النوايا الخبيثة

before they even happen.

قبل حدوثها.

And what about the recruiting process?

وماذا عن عملية التوظيف؟

(Laughter)

(ضحك)

We heard about this already.

سمعنا عن هذا بالفعل.

But actually, companies could employ this AI

ولكن في الواقع، يمكن للشركات استخدام هذا الذكاء الاصطناعي

to distinguish those who are really passionate about the role

لتمييز أولئك المتحمسين حقًا للدور

from those who are just trying to say the right things to get the job.

عن أولئك الذين يحاولون فقط قول الأشياء الصحيحة للحصول على الوظيفة.

And finally, we have social media.

وأخيرًا، لدينا وسائل التواصل الاجتماعي.

Scammers trying to deceive you or to steal your identity.

يحاول المحتالون خداعك أو سرقة هويتك.

All gone.

ذهب كل شيء.

And someone else may claim something about fake news,

وقد يدعي شخص آخر شيئًا عن الأخبار المزيفة،

and well, perfectly, language model could automatically read the news,

حسنًا، تمامًا، يمكن لنموذج اللغة قراءة الأخبار تلقائيًا،

flag them as deceptive or fake,

ضع علامة عليها على أنها خادعة أو مزيفة،

and we could even provide users with a credibility score

ويمكننا أيضًا تزويد المستخدمين بدرجة مصداقية

for the information they read.

للمعلومات التي يقرؤونها.

It sounds like a brilliant future, right?

يبدو وكأنه مستقبل باهر، أليس كذلك؟

(Laughter)

(ضحك)

Yes, but ...

نعم، ولكن...

all great progress comes with risks.

كل تقدم كبير يأتي مع المخاطر.

As much as I'm excited about this future,

بقدر ما أنا متحمس لهذا المستقبل،

I think we need to be careful.

أعتقد أننا بحاجة إلى توخي الحذر.

If we are not cautious, in my view,

إذا لم نتوخى الحذر، فمن وجهة نظري قد ينتهي

we could end up in a world

بنا المطاف في عالم قد يؤمن

where people might just blindly believe AI outputs.

فيه الناس بشكل أعمى بمخرجات الذكاء الاصطناعي.

And I'm afraid this means that people will just be more likely

وأخشى أن هذا يعني أن الناس سيكونون أكثر

to accuse others of lying just because an AI says so.

عرضة لاتهام الآخرين بالكذب لمجرد أن الذكاء الاصطناعي يقول ذلك.

And I'm not the only one with this view

ولست الوحيد الذي لديه هذا الرأي

because another study already proved it.

لأن دراسة أخرى أثبتت ذلك بالفعل.

In addition, if we totally rely on this lie detection technology

بالإضافة إلى ذلك، إذا اعتمدنا كليًا على تقنية كشف الكذب هذه

to say someone else is lying or not,

للقول إن شخصًا آخر يكذب أم لا،

we risk losing another important key value in society.

فإننا نخاطر بفقدان قيمة رئيسية مهمة أخرى في المجتمع.

We lose trust.

نفقد الثقة.

We won't need to trust people anymore,

لن نحتاج إلى الثقة بالناس بعد الآن،

because what we will do is just ask an AI to double check for us.

لأن ما سنفعله هو أن نطلب من الذكاء الاصطناعي التحقق مرة أخرى من أجلنا.

But are we really willing to blindly believe AI

ولكن هل نحن على استعداد حقًا للاعتقاد الأعمى بالذكاء الاصطناعي

and give up our critical thinking?

والتخلي عن تفكيرنا النقدي؟

I think that's the future we need to avoid.

أعتقد أن هذا هو المستقبل الذي نحتاج إلى تجنبه.

With hope for the future is more interpretability.

مع الأمل في المستقبل المزيد من القابلية للتفسير.

And I'm about to tell you what I mean.

وأنا على وشك أن أقول لكم ما أعنيه.

Similar to when we look at reviews online,

على غرار ما يحدث عندما ننظر إلى المراجعات عبر الإنترنت،

and we can both look at the total number of stars at places,

ويمكننا أن ننظر إلى العدد الإجمالي للنجوم في الأماكن،

but also we can look more in detail at the positive and negative reviews,

ولكن يمكننا أيضًا النظر بمزيد من التفصيل في المراجعات الإيجابية

and try to understand what are the positive sides,

والسلبية، ومحاولة فهم الجوانب الإيجابية،

but also what might have gone wrong,

ولكن أيضًا ما الخطأ الذي قد حدث،

to eventually create our own and personal idea

لإنشاء فكرتنا الخاصة والشخصية في النهاية

if that is the place where we want to go,

إذا كان هذا هو المكان الذي نريد الذهاب إليه،

where we want to be.

حيث نريد أن نكون.

Likewise, imagine a world where AI doesn't just offer conclusions,

وبالمثل، تخيل عالمًا لا يقدم فيه الذكاء الاصطناعي الاستنتاجات فحسب،

but also provides clear and understandable explanations

بل يقدم أيضًا تفسيرات واضحة ومفهومة

behind its decisions.

وراء قراراته.

And I envision a future

وأتصور مستقبلًا لا تزودنا

where this lie detection technology

فيه تقنية

wouldn't just provide us with a simple judgment,

كشف الكذب هذه بحكم بسيط فحسب،

but also with clear explanations for why it thinks someone else is lying.

بل أيضًا بتفسيرات واضحة لسبب اعتقادنا أن شخصًا آخر يكذب.

And I would like a future where, yes,

وأود مستقبلاً حيث، نعم، يتم دمج تقنية كشف الكذب

this lie detection technology is integrated in our life,

هذه في حياتنا،

or also AI technology in general,

أو أيضًا تقنية الذكاء الاصطناعي بشكل عام،

but still, at the same time,

ولكن مع ذلك، في نفس الوقت،

we are able to think critically

نحن قادرون على التفكير النقدي

and decide when we want to trust in AI judgment

وتحديد متى نريد أن نثق في حكم الذكاء الاصطناعي

or when we want to question it.

أو عندما نريد التشكيك فيه.

To conclude,

في الختام،

I think the future of using AI for lie detection

أعتقد أن مستقبل استخدام الذكاء الاصطناعي لاكتشاف الكذب

is not just about technological advancement,

لا يتعلق فقط بالتقدم التكنولوجي،

but about enhancing our understanding and fostering trust.

بل يتعلق أيضًا بتعزيز فهمنا وتعزيز الثقة.

It's about developing tools that don't replace human judgment

يتعلق الأمر بتطوير أدوات لا تحل محل الحكم البشري

but empower it,

ولكنها تعمل على تمكينه،

ensuring that we remain at the helm.

مما يضمن بقائنا على رأس القيادة.

Don't step into a future with blind reliance on technology.

لا تخطو إلى المستقبل بالاعتماد الأعمى على التكنولوجيا.

Let's commit to deep understanding and ethical use,

دعونا نلتزم بالفهم العميق والاستخدام الأخلاقي،

and we'll pursue the truth.

وسنسعى وراء الحقيقة.

(Applause)

(تصفيق)

Thank you.

شكرًا لكم.