الذكاء الاصطناعي
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
Temperature وTop-p للمبتدئ: إزاي تتحكم في إبداع الذكاء الاصطناعي بدل ما تسيبه للحظ
لو نفس السؤال بيرجّعلك إجابة مختلفة كل مرة من ChatGPT، ده مش عطل، ده إعداد اسمه Temperature. مقال للمبتدئ يشرح إزاي النموذج بيختار الكلمة التالية بمثال الشيف والنرد، ثم علميًا، مع كود Python وأرقام حقيقية وtrade-offs، مع مصادر.
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.
RAG للمبتدئين: خلّي الذكاء الاصطناعي يجاوب من مستنداتك بدل ما يهلوس
لو الذكاء الاصطناعي بيرد على أسئلة شركتك بأرقام مخترعة، المشكلة مش في النموذج. RAG بيخلّيه يقرا من مستنداتك لحظة السؤال ويجاوب من مصدر حقيقي. شرح للمبتدئ بمثال الامتحان المفتوح، ثم علميًا، مع كود بايثون شغّال، أرقام، متى لا تستخدمه، ومصادر.
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.
LoRA: درّب نموذج 7B على كارت شاشة واحد بذاكرة 10 جيجا بدل 80
ضبط نموذج 7B كامل يحتاج نحو 80 جيجا ذاكرة GPU. LoRA بيجمّد أوزان النموذج ويدرّب مصفوفتين صغيرتين بس، فيوصّل الذاكرة لأقل من 10 جيجا والمخرج أقل من 20 ميجابايت. مقال للمتوسط بمثال الورقة اللاصقة، شرح علمي، كود PEFT شغّال، أرقام، trade-offs، ومتى متستخدموش، مع مصادر.
الـ Embeddings للمبتدئين: كيف يفهم الحاسوب معنى الكلمات؟
الحاسوب لا يفهم "قطة" و"كلب"، لكنه يعرف أنهما متقاربتان. السر هو الـ Embeddings: تحويل كل كلمة إلى قائمة أرقام قريبة في المعنى. شرح للمبتدئ بمثال أحياء المدينة، ثم علميًا، مع كود بايثون شغّال يقيس التشابه، أرقام، متى لا تستخدمه، ومصادر.
تقطير المعرفة: درّب نموذجًا صغيرًا يرث ذكاء نموذج كبير
استضافة نموذج 70B غالية وبطيئة. تقطير المعرفة بينقل ذكاء المعلّم الكبير لنموذج طالب أصغر بكثير عبر soft labels ودرجة الحرارة، فتحافظ على معظم الدقة بجزء بسيط من التكلفة. مقال للمتوسط بمثال المعلّم والطالب، شرح علمي لخسارة KL، كود PyTorch شغّال، أرقام DistilBERT الحقيقية، trade-offs، ومتى لا تستخدمه، مع مصادر.
الـ Reranking في RAG: ليه بحثك بيرجّع مستندات غلط وإزاي تصلحه
بحث المتجهات بيرجّع أول 50 نتيجة بسرعة، بس ترتيبها بيبقى مغلوط فبتوصل للنموذج مستندات مش دقيقة. الحل خطوة تانية اسمها reranking بـ cross-encoder بترفع Recall@5 من 0.61 لـ 0.89. مقال للمتوسط بمثال أمين المكتبة والخبير، شرح علمي للفرق بين bi-encoder و cross-encoder، كود Python شغّال، أرقام مقاسة، تكلفة الزمن، ومتى متستخدموش، مع مصادر.