هندسة تطبيقات الذكاء الاصطناعي التوليدي (Generative AI & LLMs Engineering)
الاتصال بقواعد البيانات المتجهة السحابية: إعداد واستخدام Pinecone عند بناء نظام LLM يعتمد على المعرفة الخاصة بالشركة أو الوثائق الداخلية، فإن تخزين النصوص في قاعدة تقليدية لا يكفي لتحقيق استرجاع دلالي فعّال. هنا تظهر أهمية قواعد البيانات المتجهة السحابية، وعلى رأسها Pinecone، التي صُممت لفهرسة وتمييز المتجهات عالية الأبعاد وتنفيذ البحث المتقارب بسرعة كبيرة. هذا…
ما الذي يعنيه إدخال البيانات في ChromaDB ولماذا نحتاجه؟ عند بناء تطبيق يعتمد على التضمينات (Embeddings)، فإننا لا نخزن النصوص فقط بصيغتها البشرية، بل نحول كل جملة أو فقرة إلى متجه عددي Vector يعبّر عن معناها الدلالي. هنا تظهر أهمية ChromaDB كقاعدة بيانات متجهة مخصصة لتخزين هذه المتجهات وربطها بالنصوص الأصلية والبيانات الوصفية metadata. الفكرة…
لماذا نحتاج إلى ChromaDB محلياً في تطبيقات الذكاء الاصطناعي؟ عند بناء تطبيقات تعتمد على LLMs، تظهر مشكلة جوهرية: النموذج اللغوي لا “يعرف” ملفاتك المحلية أو وثائقك الداخلية أو قاعدة المعرفة الخاصة بمشروعك ما لم تقم أنت بتجهيز آلية استرجاع مناسبة. هنا يأتي دور قواعد البيانات المتجهة مثل Vector Databases، وبالأخص ChromaDB عندما تريد حلاً مفتوح…
مقدمة في قواعد البيانات المتجهة Vector Databases: الخيار الأمثل للذكاء الاصطناعي عندما نبني تطبيقاً يعتمد على نماذج اللغة الكبيرة LLMs، فإن التحدي الحقيقي لا يكون في توليد النص فقط، بل في جعل النموذج يصل بسرعة إلى المعرفة الصحيحة من بين كم هائل من المستندات. هنا تظهر أهمية قواعد البيانات المتجهة Vector Databases، وهي طبقة بنيوية…
كتابة سكربت لتحويل مقال كامل إلى Embeddings وحفظه محلياً عند بناء نظام بحث دلالي، أو طبقة استرجاع لمشروع LLMs، فإن أول خطوة عملية ليست سؤال النموذج مباشرة، بل تجهيز المعرفة نفسها على هيئة متجهات رقمية. هذه المتجهات تسمى Embeddings، وهي تمثيل رياضي للنص يسمح بالمقارنة الدلالية بين الجمل والفقرات والمقالات. في هذا الدرس سنبني سكربتاً…
