هندسة تطبيقات الذكاء الاصطناعي التوليدي (Generative AI & LLMs Engineering)
🚀 مسار الدورة الهندسية
- 1مدخل إلى هندسة الذكاء الاصطناعي التوليدي: كيف تعمل نماذج اللغة الكبيرة (LLMs) برمجياً؟
- 2إعداد بيئة العمل الذكية: تثبيت مكتبات Python الأساسية للتعامل مع الذكاء الاصطناعي
- 3الاتصال الأول: جلب مفاتيح API (Gemini / OpenAI) وكتابة أول سكربت اتصال
- 4التحكم في إبداع الذكاء الاصطناعي: فهم وإعداد معاملات Temperature و Top-K برمجياً
- 5هندسة الأوامر (Prompt Engineering) داخل الكود: قوالب النصوص المتغيرة (F-Strings)
- 6استخراج بيانات مهيكلة (Output Parsers): إجبار الذكاء الاصطناعي على الرد بصيغة JSON فقط
- 7البث المباشر للردود (Streaming Responses): كيف تجعل الكلمات تظهر تباعاً مثل ChatGPT؟
- 8حساب التكلفة وإدارة الرموز (Tokens): سكربت لمعرفة حجم استهلاك الـ API قبل الإرسال
- 9مقدمة في إطار عمل LangChain: ثورة ربط وتطوير تطبيقات الذكاء الاصطناعي
- 10إنشاء أول سلسلة (Chain) باستخدام LangChain لتمرير البيانات تلقائياً
- 11الذاكرة في الذكاء الاصطناعي: لماذا ينسى الـ API المحادثات السابقة وكيف نعالج ذلك؟
- 12برمجة ذاكرة التخزين المؤقت (Buffer Memory) للاحتفاظ بسياق المحادثة قصيرة المدى
- 13برمجة ذاكرة الملخصات (Summary Memory) للتعامل مع المحادثات الطويلة جداً بأقل تكلفة
- 14حفظ واسترجاع ذاكرة المحادثات من قاعدة بيانات (SQLite / Redis)
- 15ما هي التضمينات (Embeddings)؟ تحويل النصوص البشرية إلى أرقام (Vectors)
- 16كتابة سكربت لتحويل مقال كامل إلى Embeddings وحفظه محلياً
- 17مقدمة في قواعد البيانات المتجهة (Vector Databases): الخيار الأمثل للذكاء الاصطناعي
- 18تثبيت وإعداد قاعدة بيانات ChromaDB مفتوحة المصدر محلياً
- 19إدخال البيانات في ChromaDB والبحث عن الجمل المتشابهة دلالياً (Semantic Search)
- 20الاتصال بقواعد البيانات المتجهة السحابية: إعداد واستخدام Pinecone
- 21ما هو نظام RAG (التوليد المعزز بالاسترجاع)؟ ولماذا تدفع الشركات الملايين لتطبيقه؟
- 22بناء الخطوة الأولى في RAG: استخراج النصوص من ملفات PDF برمجياً
- 23تقطيع النصوص الضخمة (Text Splitters) إلى أجزاء صغيرة تتناسب مع حجم الـ LLMs
- 24الخطوة الثانية في RAG: تحويل قطع النصوص إلى Vectors وتخزينها في قاعدة البيانات
- 25الخطوة الثالثة في RAG: استرجاع المعلومات المطابقة لسؤال المستخدم (Retriever)
- 26الخطوة النهائية: دمج المعلومات المسترجعة مع الـ LLM لتوليد إجابة دقيقة وبدون هلوسة
- 27مشروع RAG مصغر: سكربت Python يتيح لك “الدردشة” مع كتاب PDF
- 28تحسين RAG: استخدام خوارزمية (MMR) لضمان تنوع ودقة المعلومات المسترجعة
- 29الدردشة مع قواعد البيانات (Text-to-SQL): جعل الذكاء الاصطناعي يكتب استعلامات SQL بنفسه
- 30بناء أداة تجيب على أسئلة المستخدمين من خلال تحليل بيانات ملف Excel/CSV مباشرة
- 31مقدمة في العملاء الأذكياء (AI Agents): الذكاء الاصطناعي الذي يتخذ القرارات
- 32تزويد الذكاء الاصطناعي بالأدوات (Tools): كيف نعلمه البحث في جوجل للتحقق من الأخبار؟
- 33دمج آلة حاسبة ومفسر Python كأدوات يستخدمها الـ Agent لحل المسائل المعقدة
- 34إطار عمل ReAct (Reasoning and Acting): كيف يفكر وينفذ الـ Agent المهام خطوة بخطوة؟
- 35بناء Agent شخصي يقرأ رسائل بريدك الإلكتروني ويقترح ردوداً ذكية
- 36التعامل مع الصور (Vision Models): كتابة سكربت يحلل الصور ويشرح محتواها
- 37أتمتة استخراج الفواتير والبيانات من الصور الممسوحة ضوئياً وتحويلها لـ JSON
- 38توليد الصور بالذكاء الاصطناعي: الاتصال بـ DALL-E أو Midjourney API برمجياً
- 39تحويل النص إلى صوت (TTS) والصوت إلى نص (Whisper): بناء مساعد صوتي متكامل
- 40مقدمة في Streamlit: أسرع طريقة لتحويل سكربتات AI الخاصة بك إلى واجهات ويب تفاعلية
- 41بناء واجهة شات (Chat UI) احترافية تشبه ChatGPT باستخدام Streamlit
- 42دمج نظام RAG الذي بنيناه سابقاً داخل واجهة Streamlit وعرضه للمستخدمين
- 43تحويل تطبيق الذكاء الاصطناعي إلى واجهة برمجة تطبيقات (API) باستخدام FastAPI
- 44حماية تطبيقات الذكاء الاصطناعي: منع المستخدمين من التلاعب بالأوامر (Prompt Injection)
- 45مراقبة أداء التطبيقات: تتبع استهلاك الرموز (Tokens) والتكلفة لكل مستخدم عبر LangSmith
- 46التقييم الآلي (Evaluation): كيف تتأكد أن إجابات الذكاء الاصطناعي دقيقة وليست خيالية؟
- 47النماذج مفتوحة المصدر: ما هو Hugging Face وكيف تستفيد منه مجاناً؟
- 48تشغيل نماذج Llama 3 أو Mistral على جهازك المحلي بدون إنترنت باستخدام أداة Ollama
- 49ربط LangChain مع Ollama لبناء تطبيقات AI مجانية بالكامل ومحمية الخصوصية
- 50ما هو الضبط الدقيق (Fine-Tuning)؟ ومتى نلجأ إليه بدلاً من نظام RAG؟
- 51تجهيز مجموعة بيانات (Dataset) لتدريب نموذج مخصص لخدمة عملاء شركتك
- 52استخدام LoRA و QLoRA لتخفيف استهلاك كرت الشاشة أثناء تدريب النماذج
- 53النشر السحابي (Deployment): رفع تطبيق الـ AI الخاص بك على منصات مثل Render أو AWS
- 54استخدام Docker لتغليف تطبيق الذكاء الاصطناعي وضمان عمله على أي سيرفر
- 55مشروع التخرج (1): بناء نظام “مستشار قانوني ذكي” يجيب من نصوص القوانين فقط
- 56مشروع التخرج (2): بناء أداة تحليل السيرة الذاتية (CV Parser) ومقارنتها بمتطلبات الوظيفة
- 57مشروع التخرج (3): أتمتة الـ SEO بالكامل – Agent يدرس المنافسين ويكتب المقالات وينشرها
- 58تحسين جودة الردود باستخدام تقنيات (Few-Shot Prompting) داخل LangChain
- 59إنشاء واجهات متقدمة للذكاء الاصطناعي باستخدام Chainlit كبديل متخصص لـ Streamlit
- 60الاتصال بواجهات Graph Databases (مثل Neo4j) لاكتشاف العلاقات المعقدة في البيانات
- 61تحويل الأكواد البرمجية: بناء أداة تحول كود JavaScript إلى Python باستخدام AI
- 62أتمتة المهام اليومية (RPA) بدمج الذكاء الاصطناعي التوليدي مع سكربتات Selenium
- 63كيفية بناء أدوات (Custom Tools) خاصة للـ LangChain Agents تناسب عملك
- 64إنشاء Agent متعدد (Multi-Agent Systems) يتعاونون لحل مشكلة باستخدام CrewAI
- 65الاتجاهات المستقبلية: ما بعد الـ LLMs، وكيف تبقى مطلوباً في سوق العمل كمهندس AI؟