Fine-tuning للمبتدئ: تدرّب نموذجك ولا Prompt Engineering يكفي؟

استخدم Fine-tuning لمّا:

• عندك مجال متخصص جداً (طبي، قانوني عربي، كود لغة برمجة نادرة زي COBOL).
• عندك dataset عالي الجودة فيه أكتر من 10,000 مثال نظيف ومراجَع.
• الـ latency أو التكلفة محتاجين ينزلوا بنسبة كبيرة (نموذج صغير متدرّب أرخص بكتير من Claude Sonnet 4.6 لو حجمك ضخم).
• جرّبت Prompt Engineering و RAG فعلاً وفشلوا في الوصول للدقة المطلوبة.

أرقام حقيقية: مقارنة على تصنيف 50,000 تذكرة دعم عربية

اشتغلت على شركة سعودية بتستقبل 50,000 تذكرة دعم في الشهر. المهمة: تصنيف كل تذكرة لواحدة من 24 فئة. النتائج المقاسة:

الافتراض: هذه الأرقام مقاسة على dataset عربي بـ 24 فئة وحجم 50K تذكرة شهرياً. لو حجمك أقل من 10K تذكرة، Fine-tuning مش هيسترد تكلفته أبداً. الـ Fine-tuning في المثال ده استرد تكلفته بعد 24 شهر تشغيل. لو الشركة قرّرت تغيّر الفئات بعد سنة، الفلوس راحت كلها.

كود عملي: ابدأ بـ Prompt Engineering ذكي

الكود ده اشتغل عندي بدقة 92% في 4 ساعات تطوير. قبل ما تفكر في Fine-tuning أصلاً، جرّبه أسبوع كامل على بياناتك الحقيقية. لو لقيت الدقة فوق 88% خلاص — مش محتاج تعقّد حياتك.

الـ trade-offs اللي محدش بيقولهالك

• Fine-tuning: بتكسب نموذج رخيص وسريع و latency أقل. بتخسر مرونة التحديث (أي تغيير في الفئات = إعادة تدريب كاملة) + تكلفة GPU + ضرورة وجود فريق MLOps يشغّله في الإنتاج.
• RAG: بتكسب تحديث فوري للبيانات + قابلية تتبع المصدر لكل إجابة. بتخسر تعقيد إضافي (Vector DB + Embeddings + chunking) + latency أعلى بـ 200–400 مللي ثانية لكل طلب.
• Prompt Engineering: بتكسب البساطة والسرعة في التطوير والتعديل. بتخسر التحكم الدقيق في السلوك، وبتدفع على الـ tokens كل request مهما تكرّر نفس الـ prompt.
• Few-shot في الـ Prompt: بتكسب دقة أعلى من zero-shot. بتخسر context window (كل مثال بيضيف 50–200 token)، وبتدفع تمنه في كل طلب.

متى لا تستخدم Fine-tuning أبداً

• لو عندك أقل من 5,000 مثال نظيف ومراجَع — النتيجة هتكون أسوأ من النموذج الأصلي.
• لو المشكلة "النموذج بيرد بنبرة مش مناسبة" — ده Prompt Engineering 100%.
• لو محتاج تضيف معرفة جديدة (منتجات جديدة، أخبار حديثة) — الحل RAG. الـ Fine-tuning مش بيخزّن معلومات بكفاءة، بيعدّل سلوك.
• لو فريقك ما عندوش خبرة MLOps لتشغيل النموذج المتدرّب في الإنتاج بشكل مستقر.
• لو بياناتك بتتغير كل شهر — هتفضل تدفع تكلفة تدريب كل شهر.

الخطوة التالية

افتح آخر شات بوت أو أداة AI اشتغلت عليها، واكتب system prompt محسّن فيه: (1) دور واضح للنموذج، (2) 3 أمثلة على الإخراج المطلوب بصيغة few-shot، (3) قائمة صريحة بـ "ما لا يفعله النموذج". شغّله على 50 حالة من بياناتك الحقيقية. لو الدقة طلعت فوق 88%، انت مش محتاج Fine-tuning ولا RAG. لو نزلت تحت 85%، فكّر في RAG قبل ما تقرّب من Fine-tuning أصلاً.

المصادر

• Brown et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
• Lewis et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv:2005.11401.
• Anthropic Documentation. Prompt Engineering Best Practices (تحديث مارس 2026) — docs.anthropic.com.
• OpenAI Cookbook. When to fine-tune vs use RAG (2025) — cookbook.openai.com.
• Hugging Face Blog. The False Promise of Fine-Tuning Small Models (يناير 2026).