الذكاء الاصطناعي
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
Speculative Decoding للمحترف: ولّد توكنز LLM أسرع 3x بنفس الجودة
لو Llama 3 70B عندك بيولّد 32 توكن/ثانية على A100، الـ GPU مش مشغول حسابيًا. المشكلة memory bandwidth، والحل اسمه Speculative Decoding بيرفع المعدل لـ 91 توكن/ثانية بدون تغيير في الموديل ولا خسارة جودة. مقال للمحترف بمثال لجنة المراجعة للمبتدئ، تعريف علمي من ورقة Leviathan ICML 2023، كود vLLM 0.7+ شغّال، أرقام مقاسة من إنتاج، 4 trade-offs، وحالات لا تستخدمه فيها أصلاً.
LoRA للمتوسط: دربّ Llama 3 8B على بياناتك بـ 16GB GPU بدل 320GB
تدريب كامل لـ Llama 3 8B بيحتاج 320GB ذاكرة GPU وسيرفر بـ$60,000. LoRA بيدرّب نفس الموديل في 6 ساعات على RTX 4090 واحدة بـ 16GB، بفقد جودة 1-2% بس. مقال للمتوسط بمثال محرر الكتاب للمبتدئ، تعريف علمي للـ low-rank decomposition من ورقة Hu et al. 2021، كود PEFT + QLoRA شغّال، أرقام مقاسة على 12,000 مثال عربي، 4 trade-offs، ومتى لا تستخدم LoRA أصلاً.
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.