المدونة
مقالات ودروس مجانية تساعدك في رحلتك التعليمية — من أساسيات البرمجة إلى أحدث التقنيات.
Quantization للمتوسط: شغّل Llama 3 70B على لابتوب 16GB RAM
Llama 3 70B بصيغته الأصلية يحتاج 140GB ذاكرة وسيرفر بـ$30,000. الـ Quantization بيضغط أوزان الموديل من FP16 لـ INT4 ويخلّيه يشتغل على لابتوب 16-32GB RAM مع خسارة دقة 3-5% فقط. مقال للمتوسط بمثال ضغط الصور للمبتدئ، تعريف علمي للـ scale و zero-point، كود llama.cpp شغّال، أرقام مقاسة من ورقة GPTQ، 4 trade-offs حقيقية، وحالات ما تستخدمش الـ quantization فيها.
Tool Use في Claude: ابني Agent يستدعي API و DB بدون LangChain
لو فريق الدعم بيرد على نفس 6 أسئلة كل يوم، Tool Use في Claude بيخلّي الموديل يستدعي الـ DB والـ API ويرد لوحده على 78% منها بدون orchestration framework. مقال للمستوى المتوسط بمثال السكرتير والمكتبة للمبتدئ، تعريف علمي دقيق للـ tool_use و tool_result، كود Python شغّال على anthropic 0.40+ في 90 سطر، أرقام مقاسة على 1200 تذكرة عربية ($0.011/تذكرة، 3.8s متوسط الرد)، 4 trade-offs، الفخ الأكبر في tool_choice، وحالات لا تستخدم Tool Use فيها أصلاً.
Mixture of Experts للمتوسط: ليه DeepSeek-V3 أرخص 37x من GPT-4
لو شفت سعر DeepSeek-V3 ($0.27/1M) ومقارنته بـ GPT-4 Turbo ($10/1M)، الفرق 37x والسبب مش هامش ربح. السبب تقنية اسمها Mixture of Experts بتفصل بين total params و active params. مقال للمتوسط بمثال المستشفى للمبتدئ، تعريف علمي للـ Gating Network و top-k routing، كود PyTorch شغّال من الصفر، أرقام من ورقة DeepSeek-V3 الفنية، 4 trade-offs، ومتى الـ MoE يضرّك مش ينفعك.
Reranking للمحترف: ليه RAG بترجع نتيجة غلط رغم Embeddings ممتازة
لو الـ RAG بتاعك Recall@10 عنده 92% بس الإجابة الأولى غلط نص الوقت، المشكلة مش في الـ Embeddings. المشكلة إنك بتعتمد على bi-encoder لوحده وفايتك خط دفاع تاني اسمه Cross-encoder Reranking. مقال للمحترف بمثال لجنة التحكيم للمبتدئ، تعريف علمي للـ cross-attention، كود BGE-reranker شغّال، أرقام مقاسة من BEIR (NDCG@10 من 0.61 لـ 0.78)، 4 trade-offs، ومتى الـ reranker بيضرّك مش بينفعك.
Embeddings للمبتدئ: ازاي الكمبيوتر يفهم إن "كلب" أقرب لـ "قطة" من "سيارة"
مقال للمبتدئ يشرح فكرة الـ Embeddings بمثال المكتبة، تعريف علمي للـ Cosine Similarity من ورقة Word2Vec، كود Python شغّال على sentence-transformers، أرقام مقاسة من BEIR Benchmark (62% → 84%)، 4 trade-offs حقيقية، وحالات لا تستخدم فيها الـ Embeddings.
Embeddings للمبتدئ: ابني Semantic Search عربي بـ 30 سطر Python
لو كتبت "حاسوب" والمقال فيه "كمبيوتر"، البحث الكلاسيكي بيرجّع صفر. Embeddings بتحوّل الكلام لمتجهات أرقام بتعكس المعنى مش الحروف. مقال للمبتدئ بمثال خريطة المدينة، تعريف علمي للـ cosine similarity، كود Python شغّال على sentence-transformers + multilingual-e5، أرقام مقاسة (71% vs 38% على BM25)، 4 trade-offs حقيقية، ومتى البحث الكلاسيكي يكفيك.
LLM-as-a-Judge للمحترف: قيّم 10,000 إجابة AI بـ $30 بدل $5,000
لو فريق الـ QA بيراجع 200 إجابة LLM في الأسبوع وعندك 10,000 إجابة يومياً، الـ coverage بتاعك 1.4% وأنت في الإنتاج بدون شبكة أمان. LLM-as-a-Judge بيقيّم العشرة آلاف كاملة في 3 ساعات بـ $30 والاتفاق مع المراجع البشري بيوصل 83%. مقال للمحترف بمثال مدرّس الإنشاء للمبتدئ، التعريف العلمي من ورقة Zheng et al. (NeurIPS 2023)، كود Python شغّال على Anthropic SDK مع pairwise مقاوم للـ position bias، أرقام مقاسة من 12,400 تذكرة دعم عربية، 4 trade-offs حقيقية، وحالات لا تستخدم فيها التقنية أصلاً.
Embeddings للمبتدئ: ازاي الموديل بيفهم إن "كلب" أقرب لـ "قطة" من "سيارة"
لو سألت Claude أو ChatGPT عن "أفضل أكل للقطط" والموديل رجّعلك نتيجة فيها "هريرة" أو "قطة صغيرة" رغم إن السؤال ما فيهوش الكلمتين، ده شغل تقنية اسمها Embeddings. مقال للمبتدئ بمثال خريطة المدينة، تعريف علمي للـ vector space و cosine similarity، كود Python شغّال على sentence-transformers، أرقام مقاسة من إنتاج (recall@10 من 78% لـ 96%)، 4 trade-offs حقيقية، وحالات لا تستخدم فيها embeddings أصلاً.
Diffusion Models للمبتدئ: ازاي Stable Diffusion بيرسم صورة من 5 كلمات
لو فتحت Stable Diffusion وكتبت "قطة فضائية"، النتيجة بتطلع في 4 ثواني. ده مش سحر، ده Diffusion Models. شرح للمبتدئ بمثال فصل الصوت في غرفة مزعجة، تعريف علمي للـ noise prediction، كود Python شغّال على diffusers 0.27+، أرقام مقاسة من LAION-5B، 3 trade-offs، وحالات لا تستخدم فيها التقنية أصلًا.