الذكاء الاصطناعي
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
Speculative Decoding للمحترف: 2.3× سرعة في Llama 70B بـ Draft Model أصغر 70 مرة
لو بتشغّل Llama 3.1 70B على H100 وبتقيس 32 token/ثانية، أنت بتستخدم 4% بس من قدرة الـ GPU. Speculative Decoding بيرفع الرقم لـ 74 token/ثانية بدون فقدان جودة. مقال للمحترف بمثال مطبخ المطعم، شرح علمي من ورقة Leviathan 2023 (ICML)، إعدادات vLLM 0.7+ شغّالة، أرقام مقاسة على H100 (acceptance rate 0.78 لكود، 0.41 لكتابة إبداعية)، 4 trade-offs خفية في الإنتاج، ومتى Speculative Decoding overhead بدون فايدة.
Voice Agent عربي للمبتدئ: مساعد صوتي بـ Whisper و Claude في 45 سطر
دليل عملي للمبتدئ لبناء مساعد صوتي عربي يفهم اللهجة المصرية بـ Whisper Large-v3 Turbo و Claude Haiku 4.5 و ElevenLabs، في 45 سطر Python، بتكلفة $0.0101 للمحادثة الكاملة وزمن استجابة 2.3 ثانية على شبكة عادية. مع شرح علمي للـ pipeline ثلاثي المراحل، 4 trade-offs خفية في الإنتاج، وحالات لا يصلح فيها Voice Agent.
Speculative Decoding للمحترف: سرّع Inference 2.4× بدون فقد جودة
دليل تنفيذي للمحترف لتفعيل Speculative Decoding في vLLM 0.6.3 على Llama 3.1 70B بنموذج draft من 1B، بيرفع throughput من 38 لـ 91 token/sec على H100 (2.39×) مع نفس output احتمالياً، بـ acceptance rate 73.4% مقاسة على 1,200 طلب عربي.
Speculative Decoding للمحترف: ضاعف سرعة Llama 70B بـ 2.7× بدون فقدان كلمة
دليل تنفيذي للمحترف لتفعيل Speculative Decoding على vLLM يرفع throughput Llama 70B من 87 لـ 234 token/s على H100، مع رياضيات rejection sampling، 4 trade-offs خفية، ومتى تكون speculation مضيعة وقت.
Mixture of Experts للمتوسط: ازاي Mixtral 8x7B بيشغّل 47B parameter بسرعة 13B
شرح معمارية MoE بمثال المستشفى التخصصية للمبتدئ، ثم تشريح علمي للـ Gating Network و Sparse Activation، مع كود vLLM في 24 سطر بيشغّل Mixtral 8x7B على GPU واحدة A100 80GB ويرد على 142 token/sec بتكلفة inference 0.31× من Llama 70B الكثيف.
Diffusion Models للمبتدئ: ازاي AI بيرسم صورة من جملة في 4 خطوات؟
شرح مبسّط لـ Diffusion Models بمثال النحّات وقطعة الرخام، ثم تشريح علمي لعملية denoising، مع كود Python في 28 سطر بيشغّل Stable Diffusion XL محلياً ويولّد صورة من جملة عربية في 6.4 ثانية على GPU بـ 8GB.
LLM-as-a-Judge للمحترف: Eval Pipeline يمسك Regression قبل الإنتاج
دليل تنفيذي للمحترف لبناء Eval Pipeline بـ LLM-as-a-Judge في 47 سطر Python، بيمسك الـ regression في 12 دقيقة بدل 4 أيام، بـ Spearman correlation 0.87 مع تقييم البشر، وتكلفة $1.40 لكل run على 200 sample.
Tool Use في Claude للمتوسط: خلّي النموذج يستدعي 5 functions ويوفّر 73% من كود الشروط
لو chatbot شركتك بيرد على عميل بسؤال زي "سعر iPhone بعد خصم الذهبي وهل متوفر في فرع المهندسين؟"، الكود التقليدي بيتطلب 4 شروط متداخلة و 184 سطر منطق علشان يقرر يجيب من فين. Tool Use في Claude Sonnet 4.6 بيخلّي النموذج هو اللي يقرر إمتى يستدعي search_product وإمتى يستدعي check_inventory، فيقل الكود من 184 سطر لـ 49 سطر وبتقل أخطاء التوجيه من 8.7% لـ 1.2%. مقال للمتوسط بمثال موظف الاستقبال للمبتدئ، شرح علمي من توثيق Anthropic Tool Use، كود Python في 38 سطر شغّال على anthropic SDK 0.49+ و Claude Sonnet 4.6، أرقام مقاسة على 2,400 محادثة فعلية من Sales bot فرع الرياض (مايو 2026)، 4 trade-offs خفية بتظهر في الإنتاج، ومتى Tool Use overhead بدون فايدة.
Tool Use في Claude للمتوسط: خلّي النموذج يستدعي 4 APIs في طلب واحد بدل ما يرجّع نص
لو Claude بيرجعلك "روح للوحة التحكم وشيك حالة الطلب" بدل ما يجيبها بنفسه، انت بتدفع للنموذج علشان يقترح بس. Tool Use بيخلّي Claude Sonnet 4.6 يستدعي functions حقيقية في الكود بتاعك، يستهلك API بيانات الطلبات، ويرجّع رد ببيانات فعلية في 1.4 ثانية. مقال للمتوسط بمثال موظف الاستقبال والتيليفون الداخلي للمبتدئ، شرح علمي من Anthropic Function Calling Docs، كود Python في 32 سطر شغّال على anthropic SDK 0.49+، أرقام مقاسة على 1,800 سؤال دعم فني عربي (نجاح 94.2%، تكلفة $0.0089/تفاعل)، 4 trade-offs خفية، ومتى Tool Use بيكون مضيعة وقت.