هندسة تطبيقات الذكاء الاصطناعي التوليدي (Generative AI & LLMs Engineering)
بناء أداة تجيب على أسئلة المستخدمين من خلال تحليل بيانات ملف Excel/CSV مباشرة هذا النوع من التطبيقات يُعد من أكثر أنماط الذكاء التوليدي فائدة داخل الشركات، لأنه يربط النموذج اللغوي الكبير LLM ببيانات تشغيلية حقيقية موجودة داخل ملفات جدولة مثل .xlsx و.csv. بدلاً من مطالبة المستخدم بقراءة الصفوف يدوياً أو كتابة تقارير مرهقة، يمكننا بناء…
ما هو Text-to-SQL ولماذا يُعد طبقة حاسمة في التطبيقات الذكية؟ فكرة Text-to-SQL تقوم على تحويل سؤال بشري عادي مثل: “ما أكثر 5 منتجات مبيعاً هذا الشهر؟” إلى استعلام SQL صحيح وقابل للتنفيذ. هذا يعني أن نموذج اللغة الكبير LLM لا يجيب بالنص فقط، بل يعمل كطبقة ترجمة دلالية بين اللغة الطبيعية وبنية قاعدة البيانات. تقنياً،…
لماذا نحتاج إلى MMR داخل أنظمة RAG؟ في البنية التقليدية لأنظمة Retrieval-Augmented Generation، يقوم Retriever بإرجاع أعلى المقاطع تشابهاً مع سؤال المستخدم وفق مسافة متجهية مثل cosine similarity. المشكلة الهندسية هنا أن أعلى النتائج غالباً تكون متقاربة جداً في المعنى، بل أحياناً مكررة جزئياً لأنها خرجت من نفس الفقرة أو من صفحات تصف الفكرة نفسها…
مشروع RAG مصغر: كيف تجعل سكربت Python “يتحدث” مع كتاب PDF فكرة التطبيق بسيطة ظاهرياً لكنها قوية هندسياً: بدلاً من إرسال كتاب كامل إلى النموذج اللغوي في كل سؤال، نبني خط معالجة ذكي يستخرج النص من الملف، يجزّئه إلى مقاطع صغيرة، يحول هذه المقاطع إلى متجهات رقمية، ثم يسترجع الأجزاء الأقرب لسؤال المستخدم قبل تمريرها…
لماذا تُعد هذه الخطوة هي الأهم في بنية RAG؟ بعد أن أنشأت خط الاسترجاع، وخزّنت المقاطع النصية في قاعدة متجهية، ثم فعّلت Retriever لإحضار الأجزاء الأقرب لسؤال المستخدم، تصل الآن إلى أخطر مرحلة هندسياً: كيف تدمج هذه المعلومات مع النموذج اللغوي بحيث يُنتج إجابة دقيقة، قابلة للتتبع، ومنخفضة الهلوسة؟ هنا يتحول النظام من مجرد بحث…
