هندسة تطبيقات الذكاء الاصطناعي التوليدي (Generative AI & LLMs Engineering)
مشروع التخرج (1): بناء نظام “مستشار قانوني ذكي” يجيب من نصوص القوانين فقط هذا المشروع يمثل تطبيقاً عملياً متقدماً لفكرة نظام RAG في بيئة حساسة للغاية: المجال القانوني. الهدف ليس بناء روبوت يتكلم كثيراً، بل بناء نظام منضبط يجيب فقط عندما يجد سنداً نصياً واضحاً داخل corpus قانوني موثوق. هذه الفلسفة مهمة جداً لأن استخدام…
لماذا يصبح Docker خطوة حاسمة في مشاريع الذكاء الاصطناعي؟ عندما تطوّر تطبيق ذكاء اصطناعي محلياً، فإن نجاحه على جهازك لا يعني بالضرورة نجاحه على السيرفر. السبب ليس في منطق التطبيق فقط، بل في اختلاف البيئة التشغيلية: إصدار Python، المكتبات، تعريفات النظام، المنافذ، ومسارات الملفات. هنا يأتي دور Docker بوصفه طبقة تغليف تشغّل التطبيق داخل حاوية…
لماذا تُعد مرحلة Deployment نقطة التحول الحقيقية في مشاريع الذكاء الاصطناعي؟ بناء نموذج أولي يعمل محلياً هو إنجاز ممتاز، لكن القيمة التجارية والهندسية الحقيقية تبدأ عندما تنقل التطبيق إلى بيئة سحابية مستقرة يمكن للمستخدمين الوصول إليها عبر الإنترنت. في تطبيقات الذكاء الاصطناعي، لا يعني Deployment مجرد رفع ملفات إلى خادم، بل يشمل هندسة تشغيل متكاملة…
استخدام LoRA و QLoRA لتخفيف استهلاك كرت الشاشة أثناء تدريب النماذج عند الوصول إلى مرحلة الضبط الدقيق للنماذج اللغوية الكبيرة، تظهر المشكلة الهندسية الأهم: استهلاك ذاكرة كرت الشاشة VRAM. فالتدريب الكامل Full Fine-Tuning يعني تحديث جميع أوزان النموذج، وهذا يرفع تكلفة الذاكرة بسبب تحميل المعاملات الأصلية، وتخزين التدرجات Gradients، وحالات المحسن Optimizer States. هنا ظهرت…
تجهيز Dataset لتدريب نموذج مخصص لخدمة عملاء شركتك نجاح أي نموذج مخصص لخدمة العملاء لا يبدأ من اختيار LLM قوي، بل من جودة البيانات التي سيتعلم منها. في البيئات المؤسسية، المشكلة الأساسية ليست نقص النماذج، وإنما فوضى مصادر المعرفة: تذاكر دعم قديمة، محادثات بريد إلكتروني، نصوص CRM، ملفات FAQ، وسياسات داخلية مكتوبة بأساليب متفاوتة. لذلك…
