الذكاء الاصطناعي
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
AI Tool Audit Log: اعرف الوكيل نفّذ إيه قبل ما تلومه
لو وكيل AI نفّذ أداة غلط، سجل JSONL بسيط لاستدعاءات الأدوات يخليك تعرف الطلب، الأداة، القرار، والزمن بدون تخمين طويل.
AI Rate Limits: امنع مستخدم واحد يحرق فاتورة النموذج
لو تطبيق AI عندك مفتوح للمستخدمين، حد واحد أو loop غلط ممكن يحرق ميزانية اليوم في دقائق. الحل العملي هو حد تكلفة لكل مستخدم قبل استدعاء النموذج.
LLM-as-a-Judge: قيّم ردود الـ AI قبل ما تثق فيها
لو تطبيق AI عندك بيرد على عملاء أو بيانات حساسة، LLM-as-a-Judge يخليك تقيس جودة الرد قبل ما تثق فيه أو تنشره للمستخدم.
Tokenization بالعربي: ليه نفس الجملة بتكلّف ضِعف التوكنز عن الإنجليزي
لو فاتورة الـ AI عندك بتطلع أعلى من المتوقع لمّا بتشتغل بنصوص عربية، السبب مش الموديل. السبب خطوة قبلية اسمها Tokenization. مقال للمبتدئ يشرح ليه نفس المعنى بالعربي بياخد 2-3x توكنز، بمثال بسيط، تعريف علمي، كود Python شغّال، أرقام مقاسة، وحالات ما تنفعش فيها التحسينات.
Embeddings للمبتدئين: إزاي الـ AI بيحوّل الكلام لأرقام بيفهمها
لو لسه مفهمتش ليه الـ AI بيقدر يلاقي معاني متشابهة بين كلمات مختلفة، السر اسمه Embeddings. شرح بمثال بسيط جدًا، تعريف علمي دقيق، كود Python شغّال على OpenAI، أرقام تكلفة فعلية من الإنتاج، trade-offs، وحالات ما تستخدمهوش فيها.
Chain of Thought: خلي نموذج AI يفكر بصوت عالي قبل الرد
لو نموذج الـ AI بيغلط في مسائل الحساب أو المنطق البسيط، المشكلة مش في النموذج، المشكلة إنك بتطلب منه الإجابة قبل ما يفكر. Chain of Thought بيخلي النموذج يكتب خطوات استدلاله قبل ما يحكم، وبيرفع الدقة من 17% لـ 78% في GSM8K حسب ورقة Wei et al. 2022. المقال يشرح الفكرة بمثال للمبتدئ، تعريف علمي دقيق، كود Python شغّال على Anthropic SDK، أرقام before/after، trade-offs، ومتى ما تستخدمهوش.
Batch API للـ AI: شغّل المهام بالليل بنصف التكلفة
لو عندك آلاف مهام AI غير عاجلة كل ليلة، Batch API يقلل التكلفة بدل ما تضغط على الـ API المتزامن. المقال يشرح متى تستخدمه، مثال JSONL، وقياس تكلفة واضح.
Model Cascade بالعربي: وفّر 60% من فاتورة الـ AI بدون ما تخسر دقة
لو بتبعت كل سؤال لـ Opus، أنت بتدفع زيادة 5x على أسئلة Haiku تقدر تجاوبها. المقال يشرح Model Cascade بمثال للمبتدئ، تعريف علمي دقيق، كود Python شغّال على Anthropic SDK، أرقام before/after من بنشمارك حقيقي، trade-offs، وحالات ما تستخدمهوش فيها.
Hybrid Search في RAG: ادمج BM25 مع Embeddings وارفع الدقة
لو RAG عندك بيرجع chunks قريبة دلاليًا لكن مش بيلاقي اسم المنتج بالحرف، المشكلة في الاعتماد على وسيلة بحث واحدة. Hybrid Search بيدمج BM25 مع Dense Embeddings ويرفع Recall@10 من 71% لـ 89% على BEIR بدون تغيير الموديل، مع كود Python شغّال وأرقام إنتاج وحالات ما تستخدمهوش فيها.