الذكاء الاصطناعي
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
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.
فك التشفير التخميني: ضاعف سرعة استدلال LLM بلا خسارة في الجودة
فك التشفير التخميني بيخلّي نموذج مسوّدة صغير يقترح والنموذج الكبير يتحقق بالتوازي، فتكسب سرعة 2×–3× بنفس المخرجات بالظبط. شرح المبدأ، إعداد vLLM قابل للنسخ، معدّل القبول، والمقايضات، ومتى متستخدموش.
PagedAttention في vLLM: ليه خدمة الـ LLM بتهدر 80% من ذاكرة الـ GPU وإزاي توصل throughput أعلى 24×
معظم سيرفرات الـ LLM بتهدر 60–80% من ذاكرة الـ GPU بسبب طريقة حجز الـ KV cache. PagedAttention في vLLM بتنزّل التهدير لأقل من 4% وترفع الإنتاجية حتى 24× على نفس العتاد. شرح للمحترف بكود vLLM وأرقام مقاسة وtrade-offs ومتى متستخدمهوش، مع مصادر.
نماذج الانتشار للمبتدئ: ازاي الذكاء الاصطناعي بيرسم صورة من جملة نص
تكتب جملة، فيطلع لك صورة لم تكن موجودة. مقال للمبتدئ يشرح نماذج الانتشار (Diffusion Models) بمثال المثّال والرخام، ثم شرح علمي للضجيج وعكسه، كود diffusers شغّال، أرقام حقيقية للخطوات وزمن التوليد، ومعامل التوجيه، مع مصادر رسمية.