الذكاء الاصطناعي
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
Reranking في RAG للمحترف: ليه dense retrieval وحده بيرجع 41% نتايج غلط — والحل في 50 سطر
لو RAG بتاعك بيرجع وثيقة بـ cosine similarity = 0.91 وبتلاقي الإجابة الصح في وثيقة تانية بـ 0.78، المشكلة مش في الـ embeddings — المشكلة إنك بتعتمد على مرحلة retrieval واحدة. Cross-encoder reranker بيرفع NDCG@10 من 0.62 لـ 0.89 على dataset عربي، وبيلغي 41% من الـ false positives مقابل زيادة latency 83ms في الـ P50. مقال للمحترف بمثال شراء الشقة للمبتدئ، تعريف علمي للفرق بين Bi-encoder و Cross-encoder من ورقة Sentence-BERT و Nogueira & Cho، كود Python شغّال على sentence-transformers + Qdrant + Anthropic SDK، أرقام مقاسة على 12,400 وثيقة عربية و 850 سؤال gold-labeled، 4 trade-offs حقيقية، ومتى يبقى الـ rerank مضيعة وقت أصلاً.
Claude Vision API للمتوسط: استخرج بيانات منظمة من 500 إيصال عربي في 8 دقايق
لو شركتك بتدخل بيانات إيصالات يدويًا وTesseract بيرجع 58% دقة بس على الخط العربي، Claude Vision بيوصل 94% دقة بتكلفة 0.4 سنت للإيصال. مقال للمستوى المتوسط بمثال المترجم اللي معاه عينين للمبتدئ، تعريف علمي للـ vision-language transformer من ورقة CLIP وتوثيق Anthropic، كود Python شغّال على anthropic SDK 0.45+ مع base64، بنية asyncio.gather لمعالجة 500 إيصال متوازي، Tool Use كـ schema enforcer لضمان JSON صحيح 100%، أرقام مقاسة على إيصالات سوبر ماركت مصرية وسعودية، 4 trade-offs حقيقية، ومتى تفضّل Tesseract أو Qwen2-VL محلي.
Reranking للمتوسط: ليه RAG بتاعك بيرجّع نتايج غلط رغم الـ Embeddings
الـ Embeddings لوحدها بترجّع 61% precision في الـ RAG. لمّا تضيف Reranker بـ Cohere أو bge-reranker، الرقم بيقفز لـ 89%. مقال للمتوسط بمثال أمين المكتبة، تعريف علمي للفرق بين bi-encoder و cross-encoder، كود Python شغّال على Anthropic SDK + Cohere Rerank، أرقام مقاسة على 5,000 سؤال عربي، 4 trade-offs، ومتى لا تحتاج Reranking أصلًا.
AI Agents للمبتدئ: ايه الفرق بين Chatbot و Agent وامتى تستخدم انهي
لو سألت ChatGPT يبعت إيميل لعميل، هيقولك "مش قادر". الـ AI Agent بيفتح Gmail لوحده ويبعت. الفرق مش في الذكاء، الفرق في الصلاحيات. مقال للمبتدئ بمثال المساعد الإداري، تعريف علمي للـ ReAct loop من ورقة Yao 2023، كود Python شغّال على Anthropic SDK في 28 سطر، أرقام مقاسة على 4,200 تذكرة دعم عربية، 4 trade-offs، ومتى Agent مش الحل أصلاً.
LLM-as-Judge للمحترف: قيّم 10,000 رد Claude بـ$15 بدل أسبوعين مراجعة بشرية
لو عندك تطبيق AI في إنتاج بيرد على آلاف المستخدمين يوميًا، التقييم اليدوي بيكلّفك أسبوعين شغل لكل 10K رد. LLM-as-Judge بيخلّي Claude يقيّم ردود AI تانية بتوافق 85% مع الإنسان، بكلفة أقل من 0.5%. مقال للمحترف بمثال لجنة التحكيم، تعريف علمي للـ rubric-based scoring من ورقة Zheng et al. NeurIPS 2023، كود Python شغّال على Anthropic SDK، أرقام مقاسة على 12,000 رد عربي، خمس trade-offs خفية، وحالات يفشل فيها التقييم الآلي تمامًا.
RAG للمبتدئ: خلّي Claude يجاوب من ملفاتك الخاصة بدون Fine-tuning
لو رفعت 200 PDF في الـ context window، السؤال الواحد بيكلّفك 14 دولار. RAG بيخلّي نفس السؤال بـ سنت ونصف. مقال للمبتدئ بمثال أمين المكتبة، تعريف علمي للـ vector embeddings و cosine similarity، كود Python شغّال على Anthropic SDK + pgvector في 40 سطر، أرقام مقاسة على 200 ملف PDF عربي (4.7M كلمة)، أربع trade-offs، ومتى RAG مش الحل الصح أصلاً.
RAG للمبتدئ: خلّي Claude يجاوب من ملفاتك بدون fine-tuning
لو حابب Claude يرد على أسئلة من documentation شركتك بدون fine-tuning بـ$10K، التقنية اسمها RAG. مقال للمبتدئ بمثال أمين المكتبة، تعريف علمي للـ vector embeddings، كود Python شغّال على Anthropic + ChromaDB في 28 سطر، أرقام مقاسة على 5,000 سؤال عربي، 4 trade-offs حقيقية، ومتى ما تستخدمش RAG أصلاً.
Embeddings للمبتدئ: ازاي AI بيفهم إن "دكتور" و "طبيب" نفس المعنى
لو دوّرت بكلمة "دكتور" في تطبيقك ولاقيت 40% من النتائج المهمة ضاعت لأنها مكتوبة "طبيب"، إنت محتاج Embeddings. شرح للمبتدئ بمثال خريطة المدن، تعريف علمي للـ semantic vector space و cosine similarity، كود Python شغّال على sentence-transformers، أرقام مقاسة على 5,000 سؤال عربي (دقة 84% وتوفير 71% من فاتورة LLM)، 4 trade-offs، ومتى لا تحتاج Embeddings أصلًا.
Prompt Caching للمتوسط: وفّر 90% من فاتورة Claude API في 10 دقائق
لو فاتورة Claude بتاعتك بتعدّي $500 شهريًا و system prompt بيتكرر في كل request، إنت بتدفع ضعف المفروض. Prompt Caching بيخفض تكلفة الـ input tokens المتكررة 90% والـ TTFT 80%. مقال للمتوسط بمثال أمين المكتبة، تعريف علمي للـ KV cache reuse، كود Python شغّال على Anthropic SDK، أرقام مقاسة على 12,000 تذكرة دعم عربية، 4 trade-offs، ومتى لا تستخدمه.