الذكاء الاصطناعي
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
RAG: خلّي النموذج يجاوب من مصادرك مش من خياله
لو النموذج بيرد بثقة بمعلومة مخترعة عن منتجك أو سياستك، المشكلة إنه مشافش بياناتك أصلاً. RAG بيحقن مصادرك في البرومبت قبل التوليد. شرح للمتوسط بمثال الامتحان مفتوح الكتاب، ثم علميًا، مع كود Python شغّال، أرقام حقيقية، الـ trade-offs، ومتى لا تستخدمه، مع مصادر رسمية.
نماذج الانتشار Diffusion: إزاي الذكاء الاصطناعي بيرسم صورة من ضوضاء عشوائية
أي صورة يولّدها Midjourney أو Stable Diffusion بتبدأ من "ثلج" عشوائي على الشاشة. المقال يشرح نماذج الانتشار للمستوى المتوسط بمثال بسيط ثم علميًا، مع كود Python شغّال للانتشار الأمامي والعكسي، أرقام حقيقية (1000 خطوة مقابل 50 مع DDIM، وفضاء أصغر 48 مرة في Stable Diffusion)، trade-offs، ومتى لا تستخدمها، مع مصادر رسمية.
خليط الخبراء MoE: ليه نموذج بـ671 مليار باراميتر أسرع من نموذج بـ70 مليار
خليط الخبراء (MoE) يمنحك سعة نموذج عملاق بتكلفة حساب نموذج صغير، لأنه يشغّل جزءًا بسيطًا من الشبكة لكل توكن. شرح مبسّط بمثال ثم علميًا، مع كود شغّال وأرقام Mixtral وDeepSeek-V3 والـ trade-offs، ومتى لا تستخدمه، بمصادر.
الوكلاء الأذكياء وحلقة ReAct: خلّي النموذج ينفّذ مش يوصف بس
الفرق بين شات بوت بيتكلم ووكيل بينفّذ هو حلقة واحدة: تفكير ثم فعل ثم ملاحظة. شرح ReAct بمثال واضح ثم علميًا، مع كود Python شغّال، أرقام من الورقة الأصلية، الـ trade-offs، ومتى لا تستخدمه، مع مصادر.
خوارزمية HNSW: ليه بحث المتجهات في مليون سطر بياخد مللي ثانية
لو بتبني بحثًا دلاليًا أو RAG على ملايين المتجهات، المقارنة بالكل بتاخد مئات المللي ثانية لكل استعلام. HNSW بينزّلها لأقل من مللي ثانية مقابل دقة 97% وذاكرة زيادة بسيطة. شرح للمتوسط بمثال السايق، ثم علميًا بالطبقات والبحث الجشع، كود hnswlib شغّال، أرقام مقاسة، trade-offs، ومتى لا تستخدمه، مع مصادر رسمية.
حقن الأوامر Prompt Injection: كيف تُختطف تطبيقات الذكاء الاصطناعي وكيف تحميها
حقن الأوامر هو الثغرة رقم 1 في تطبيقات الـ LLM. النموذج لا يفرّق بين تعليماتك ونص المستخدم، فسطر واحد مخبّأ في بريد يكفي لاختطافه. شرح المفهوم بمثال واضح، ثم علميًا، مع كود دفاعي شغّال، حوادث 2025 حقيقية بأرقام، ومتى لا تكفي الحماية.
LLM Evals للمتوسط: إزاي تعرف إن تطبيق الذكاء الاصطناعي بتاعك بيتحسّن ولا بيسوء
لو بتغيّر البرومبت أو الموديل وبتحكم بإحساسك إنه بقى أحسن، انت بتقامر. الـ Evals بيحوّل السؤال ده لرقم واحد بيتقاس كل build. مقال للمتوسط بمثال المدرّس، شرح المكوّنات الأربعة، كود Python شغّال، LLM-as-judge بأرقام، trade-offs، ومتى متتعبش نفسك، مع مصادر.
MCP للمتوسط: اربط الذكاء الاصطناعي بأدواتك عبر معيار واحد
لو بتبني تكامل منفصل لكل أداة عشان الـ LLM يوصل لبياناتك، انت بتضاعف الشغل بلا داعي. بروتوكول MCP بيوحّد الربط في معيار واحد فتنزّل التكاملات من M×N لـ M+N. مقال للمتوسط بمثال كابل USB-C، شرح المكوّنات الثلاثة، كود MCP Server شغّال، أرقام تبنّي حقيقية، وtrade-offs الأمان، مع مصادر.
التكميم Quantization: صغّر نموذج الذكاء الاصطناعي 4 مرات بأقل خسارة
نموذج بـ 70 مليار باراميتر يحتاج 140 جيجابايت ذاكرة بدقة FP16. التكميم بينزّله لـ 35 جيجابايت بتحويل كل رقم من 16 بت لـ 4 بت. مقال للمتوسط بمثال تقريب الأسعار، شرح علمي، كود bitsandbytes شغّال، أرقام QLoRA وGPTQ الحقيقية، ومتى لا تستخدمه، مع مصادر.