تواصل معنا

الذكاء الاصطناعي

AI, التعلم العميق, الذكاء الاصطناعي, تعلم الالة

الذكاء المعزز في التحول الرقمي

/

ما هو الذكاء المعزز؟ يعتبر الذكاء المعزز جزء من الذكاء الاصطناعي ويعتمد بتنفيذ العمليات على التعاون بين الذكاء البشري و ذكاء الالة. يستهدف الذكاء المعزز تحسين و تمكين مخرجات الأشخاص بدون الاستغناء عنهم. و ذلك باستخدام تقنيات و خوارزميات تعلم الالة و التعلم العميق لتدعم عملية اتخاذ القرارات وتساهم في مخرجاتها. يلعب الذكاء المعزز دور مهم في عملية التحول الرقمي من خلال تحسين المخرجات و أتمتة العمليات ودعم عمليات اتخاذ القرار. من مميزات الذكاء المعزز: التكيف: مثلما يتعلم الإنسان من تجاربه ويعدل سلوكه من خلال تجاربه, كذلك الأنظمة والآلات تتعلم من البيانات الجديدة او تفضيلات المستخدمين. مع مرور الوقت و المدخلات الجديدة، تتكيف هذه الأنظمة بشكل افضل لتلبية احتياجات المستخدمين وتقديم حلول أكثر دقة. زيادة الإنتاجية: الذكاء الاصطناعي ليس بديلا عن الإنسان، بل هو أداة تساعد في اتخاذ قرارات مدروسة و فعالة من خلال عملية تحليل البيانات و إيجاد الأنماط المخفية و استخراج الرؤى التي تمكن الالة من فهم ودراسة الحالة بشكل أعمق مما يساهم في دعم القرارات التي نتخذها في حياتنا اليومية أو في مجال الأعمال. التعاون: الذكاء الاصطناعي لا يحل محل البشر، بل يعزز قدرتهم على الابتكار واتخاذ القرارات. التعاون بين الإنسان والذكاء الاصطناعي يشبه العمل الجماعي, حيث تقدم الالة القوة الحسابية والسرعة، و يقدم الإنسان الإبداع والرحمة والحكمة و  بالتعاون  يمكن تحقيق نتائج فعالية للكثير من المجالات. حالات استخدام الذكاء المعزز التوأم الرقمي لنظام حركة المرور استخدام للذكاء المعزز لإنشاء توائم رقمية لنظام حركة المرور و محاكاة الظروف الواقعية مثل إغلاق الطرق ومراقبة اوقات الازدحام. تتم هذه العملية من خلال دمج البيانات في الوقت الفعلي من أجهزة الاستشعار والكاميرات و التنبؤ بسير حركة المرور من خلال استخدام النماذج المدعومة بالذكاء الاصطناعي. يمكن للنظام بتقديم طرق مقترحه بديلة لتقليل الازدحام  و المساعدة في تحسين البنية التحتية وإدارة حركة المرور بسلاسة التوأم الرقمي لصحة المريض بناء نموذج افتراضي محاكي لجسم المرضى ليساعد الذكاء المعزز في تحليل هذه البيانات للتنبؤ بالمشاكل الصحية و المساعدة في التشخيص وتقديم الرعاية الطبية المناسبة.. يتيح التوأم الرقمي لمقدمي الرعاية الصحية اتخاذ قرارات متخصصة بناء على المعطيات و المؤشرات خاصة لكل حالة مريض مما يساهم في تحسين ورفع جودة الرعاية الصحية والكشف المبكر عن الأمراض أنظمة التوصية يعزز الذكاء المعزز أنظمة التوصية من خلال دمج خوارزميات الذكاء الاصطناعي مع التغذية الراجعة لاختيارات الاشخاص و يسمح لإنشاء اقتراحات متخصصة لكل فرد بدقة عالية. تستخدم أنظمة التوصية في التطبيقات التجارية و منصات المحتوى وغيرها من المجالات التي تعتمد على تفضيلات المستخدم و تحليلها من ثم التنبؤ باختياراته. و تمتاز هذه الانظمة بتحسين تجربة المستخدم و زيادة التفاعل مع هذا التعاون بين الذكاء الاصطناعي والتغذية الراجعة البشرية يؤدي إلى تحسين تجربة المستخدم وزيادة التفاعل مع المحتوى و الوصول للمنتجات المناسبة للعميل 

AI, NLP, الذكاء الاصطناعي, نماذج اللغات الكبيرة LLM

ثورة جديدة في عالم الذكاء الاصطناعي DeepSeek R1

/

نقلة نوعية في مجال نماذج الذكاء الاصطناعي اللغوية LLM أطلقت الشركة الصينية نموذج DeepSeek R1 مفتوح المصدر الذي ينافس نماذج كبيرة مثل ChatGPT من حيث دقة الاستجابة وتقليل التكاليف. ما هو DeepSeek R1؟ يعد DeepSeek R1 نموذج لغوي ضخم LLM تم تطويره باستخدام تقنية التعلم المعزز Reinforcement Learning – RL، التي تعزز بتقديم إجابات دقيقة مقارنة بالنماذج التقليدية التي تعتمد في تدريبها على كميات هائلة من البيانات.  لا يزال النموذج في مراحله الأولى ويتميز بفاعليته في الدقة والكفاءة. ماذا يميز النموذج؟ انخفاض التكلفة: حيث صمم ليقدم أداء مماثل لنماذج مثل ChatGPT ولكن  يتميز بتكلفة تشغيل أقل. التعلم المعزز RL: تم استخدام تقنية التعليم المعزز التي تعزز قدرة النموذج على تحسين الإجابات تلقائيا من خلال التفاعل. مفتوح المصدر: هذه الميزة تتيح للمطورين والباحثين الاطلاع على هيكل النموذج وتطويره وفق احتياجاتهم. رغم امكانية النموذج الواعدة الا انه لا يزال في بداية الطريق وحوله تساؤلات في معايير الخصوصية والأمان للبيانات المستخدمة. ايضا يحتاج إلى مزيد من الاختبارات للتأكد من فعاليته في مجالات مختلفة. كيفية تجربة النموذج والاستفادة منه الاستخدام المباشرة: استخدام النموذج عبر المنصة هنا الكود المصدري: الاطلاع على تفاصيل النموذج وتعديله عبر GitHub دورة تعليمية: لدراسة هيكلة النموذج وتطبيقاته العملية، الاطلاع على الكورس التعليمي على YouTube توافر النموذج على المنصات السحابية أعلنت مايكروسوفت عن دعمها للنموذج من خلال توافره على منصة Azure AI Foundry و GitHub  لتمكين الشركات من استخدامه في تطبيقات الذكاء الاصطناعي و للمطورين الراغبين في دمج النموذج في مشاريعهم. ايضا نشرت AWS دعمها للنموذج و توفره على المنصة AWS لنشر النموذج على Google Cloud باتباع الخطوات الموضحة في هذه المقالة  يعد اطلاق DeepSeek R1 خطوة ممكنة نحو جعل تقنيات الذكاء الاصطناعي أكثر فعالية و معززة للابتكار بفضل ميزة المصدر المفتوح مع خفض التكاليف. و يبقى التحدي الأكبر هو كسب ثقة المستخدمين عبر تعزيز الشفافية وضمان أمان البيانات. 

البيانات, الذكاء الاصطناعي, تعلم الالة

التصوير البياني في تعلم الالة Data Visualization in ML

/

البيانات هي الركيزة الأساسية التي يعتمد عليها نجاح النماذج model وزيادة دقتها, وعند التعامل مع البيانات الكبيرة من الصعب التعرف على البيانات و التعرف على العلاقة بين المتغيرات. و من هنا تكمن أهمية فهم البيانات و اكتشاف الأنماط  لاستخدامها سواء في بناء نماذج تنبؤية أو في دعم عملية اتخاذ القرارات. و تظهر أهمية تصور البيانات Data Visualization في مرحلة دراسة و اكتشاف البيانات و قبل البدء في تدريب النموذج. يساعد تصور البيانات في عملية تنظيف البيانات باكتشاف إذا كانت البيانات غير متوازنة ايضاً يساعد في عملية هندسة الميزات Feature Engineering حيث يساعد في اختيار خصائص معينة في البيانات أو حذفها. تصور البيانات هو عملية تحويل البيانات الخام إلى صور بيانية تساعد في فهم البيانات و علاقة المتغيرات ببعضها مما يساهم في استخراج رؤي مهمة و نتائج تساعد في اتخاذ القرارات. و هناك أنواع من البيانات إما عددية أو وصفية. تحليل المتغير الواحد Univariate Analysisتحليل كل خاصية بشكل مستقل مثل نطاق البيانات و التنبه الى وجود أي قيم خارج النطاق في البيانات  outliers. من أكثر الرسوم البيانية المستخدمة في هذا التحليل هو المخطط الصندوقي box plots المخطط التوزيعي distribution plots. تحليل ثنائي المتغير Bivariate Analysisيتم مقارنة البيانات بين خاصيتين و يساعد التحليل في اكتشاف العلاقة بين الخصائص. بعض الرسوم البيانية المستخدمة تشمل الرسم البياني الخطي line plots، الأعمدة البيانية bar plots، و مخطط الانتشار scatterplots.   أشهر أنواع التصوير البياني للبيانات: المدرج التكراري Histogram يستخدم لتحليل توزيع البيانات واكتشاف الأنماط  في البيانات أو توزيعها في فترات زمنية معينة. مثل, اسعار العقار في جدة خلال الفترة من ٢٠١٤ الى ٢٠٢٤. الرسم البياني الخطي line chart تستخدم لتفسير العلاقة بين المتغيرات العددية  في فترات زمنية و الهدف منها لتتبع اتجاهات البيانات واكتشاف نمط البيانات و توجهاته خلال الفترة المحددة مما يساعد في اتخاذ القرارات. مثال زيادة عدد السكان و اسعار شراء العقار في مدينة جدة خلال الخمس السنوات الماضية. المخطط الصندوق Box plots يستخدم لعرض الانتشار في البيانات spread والمساعدة في رؤية القيم الدنيا والعليا والقيم المتطرفة outliers. مثال مقارنة درجات الطلاب في الترم الأول و الترم الثاني. مخطط الانتشار Scatter plots يستخدم لتحليل العلاقة بين متغيرين عددين حيث يساعد في اكتشاف العلاقة بين المتغيرات و يساعد في تحديد نمط و اتجاهات البيانات. مثال مقارنة العلاقة بين الدرجات النهائية للطلاب الفردية ومدة التحضير للاختبار. المخطط الحراري Heatmap يستخدم  لتحديد العلاقة بين متغيرين عبر شبكة مما يسهل اكتشاف الأنماط والاتجاهات في البيانات. مخطط الكثافة Density plots تستخدم لإظهار الكثافة الاحتمالية في البيانات العدديه تساعد في عرض توزيع البيانات بسلاسة مثال عرض كثافة الأعمار بين زوار منطقة معينة. الأعمدة البيانية Bar charts تستخدم لإظهار توزيع البيانات عبر المجموعات المختلفة من خلال تمثيل البيانات في فئات أو مجموعات حيث يمثل كل عمود عدد أو تكرار لفئة معينة. مثال عدد الطلاب في تخصص الرياضيات و الهندسة في جامعة معينة. رسم البياني الدائري Pie charts يستخدم لتمثيل النسب المئوية أو عدد الحصص في مجموعة البيانات حيث يساهم في فهم التوزيع و النسب بين الفئات المختلفة. مثال توزيع عدد الطلاب المشاركين في المسابقة حسب التخصص مثلا 40% من تخصص الهندسة  30% من تخصص الرياضيات  مخطط عمودي مكدس Stacked bar charts تساعد في توضيح التوزيع داخل المجموعات عن طريق تقسيم كل عمود إلى مجموعات فرعية ضمن الفئة الأساسية. مثال تمثيل موديلات السيارات التي تم بيعها خلال فترات زمنية مختلفة. رسم بياني نقطي Dot plots إذا كانت الفئات لها عدد محدود يمكن استخدام المخطط لعرض عدد الفئات في البيانات باستخدام النقاط.  مثال نتائج استبيان, عدد العملاء الذين يفضلون أنواع مختلفة من المنتجات.    

5-Day Generative AI Intensive Course
الذكاء الاصطناعي, نماذج اللغات الكبيرة LLM

دورة مكثفة في الذكاء الاصطناعي التوليدي Generative AI Intensive Course

/

نشرت Kaggle بالتعاون مع Google دليل للتعليم الذاتي في مجال الذكاء الاصطناعي التوليدي.  “Five day Generative AI Intensive Course”، حيث يغطي موضوعات متقدمة ومهمة في هذا المجال. مواضيع الدورة: اليوم الأول: النماذج التأسيسية وهندسة الأوامر “Foundational Models & Prompt Engineering” التعرف بشكل أعمق على تطور النماذج اللغوية الكبيرة LLMs من تقنيات المحولات “Transformers” إلى الضبط الدقيق “Fine-Tuning” وتسريع الاستدلال “Inference Acceleration”. البودكاست , المقالة هندسة الأوامر لتحسين تفاعل النماذج اللغوية البودكاست , المقالة , اكواد برمجية اليوم الثاني: التضمينات وقواعد بيانات المتجهات “Embeddings and Vector Stores/Databases” المبادئ الأساسية للتضمينات وقواعد بيانات المتجهات و تعلم طرق التضمين وخوارزميات البحث عن المتجهات مع أمثلة عملية باستخدام LLMs البودكاست , مقالة  كود بناء نظام إجابة على الأسئلة باستخدام RAG (استرجاع-توليد) على مستندات مخصصة كود اكتشاف تشابه النصوص باستخدام التضمينات كود بناء شبكة تصنيف عصبية باستخدام Keras باستخدام التضمينات   اليوم الثالث: وكلاء الذكاء الاصطناعي التوليدي “Generative AI Agents” التعرف على كيفية بناء وكلاء ذكاء اصطناعي متقدمة من خلال فهم المكونات الأساسية بودكاست , المقالة  كود التحدث إلى قاعدة بيانات باستخدام استدعاء الدوال كود بناء نظام طلبات وكيل في LangGraph كود بناء شبكة تصنيف عصبية باستخدام Keras باستخدام التضمينات   اليوم الرابع: النماذج اللغوية المتخصصة “Domain-Specific LLMs” التعمق في معرفة إنشاء وتطبيق النماذج اللغوية المتخصصة مثل SecLM وMed-PaLM، مع التطرق لرؤى الباحثين الذين قاموا بتطويره هذه النماذج بودكاست , مقالة كود استخدام بيانات بحث جوجل في عملية توليد النصوص كود تعديل نموذج Gemini لمهمة مخصصة اليوم الخامس: عمليات تعلم الآلة للذكاء الاصطناعي التوليدي “MLOps for Generative AI” كيفية تكييف التعامل و استخدام MLOps لتطبيقات الذكاء الاصطناعي التوليدي باستخدام أدوات مثل Vertex AI الهدف منها تطوير التطبيقات بشكل متكامل البودكاست , المقالة End-to-End Gen AI App Starter Pack   للاطلاع على تفاصيل الدورة: هنا هذه فرصة لتطوير مهارات واستكشاف اخر تقنيات الذكاء الاصطناعي التوليدي و التعرف عليها بشكل عملي  

Prompt Engineering
NLP, البرمجة اللغوية NLP, الذكاء الاصطناعي, نماذج اللغات الكبيرة LLM

هندسة الأوامر Prompt Engineering

/

هندسة الأوامر من أهم التقنيات في الذكاء الاصطناعي والتي تلعب دورا كبيرا في كيفية التواصل مع النماذج اللغوية الكبيرة وتحقيق الاستفادة المرجوة.  وهي تتم من خلال إعطاء أوامر أو صياغة تعليمات مخصصة للنموذج و توجيهه لاعتماد طريقة معينة للإجابة وعرض مخرجات دقيقة وذات صلة. أهمية هندسة الأوامر: عندما نوجه النموذج بطريقة واضحة ومدروسة فهذا يزيد من احتمالية الحصول على أفضل النتائج و بدقة عالية.  تحسين دقة الإجابات: عند توجيه الأوامر للنموذج فهذا يساعد على الحصول على اجابات دقيقة ذات علاقة بالموضوع مما يقلل من الأخطاء  توفير الوقت: توفير الجهد و الوقت من خلال الحصول على الإجابة في أقل عدد من المحاولات  التوجيه لمجالات معينة: باستخدام هندسة الأوامر يمكن توجيه النموذج في مجالات عديدة تخدم قطاعات مختلفة، مثل في قطاع الاعمال خدمة العملاء, في التعليم حل المسائل التعليمية بخطوات  التحكم في إجابة النموذج: عند صياغة الأوامر و اعطاء تعليمات محددة تمكننا من التحكم في طريقة عرض الاجابات مثل طول الاجابة او مختصره, اعطاء تحليل مفصل و توضيح الخطوات, أو شرح مادة علمية لفئة معينة مثل الأطفال.   معلمات في هندسة الأوامر:  Temperature: اذا كانت درجة عالية: تجعل النموذج غير قابل للتنبؤ، وذلك يؤدي إلى تنوع أكبر في الإجابات درجة منخفضة: تجعل النموذج لديه قابلية للتنبؤ، وبالتالي تكون الإجابات دقيقة  Top-K: يحدد النموذج مجموعة محدودة من الكلمات التي من الممكن أن تظهر في الجملة التالية، مما يزيد من دقة الإجابة. Top-p:يحدد النموذج مجموعة من الكلمات تكون احتمالاتها عالية للوصول إلى الإجابة الأكثر دقة و ذات علاقة بالموضوع   تقنيات هندسة الأوامر Zero-shot:  يطلب من النموذج  مهمة لم يتدرب عليها مسبقا، ويعتمد على معرفته العامة للإجابة. مثل شرح درس عن النباتات الاطفال.  Few-shot: و هو شرح و تعليم النموذج كيفية طريقة استجابته وهيكل الإجابة. مثل عند طلب المستخدم تلخيص كتاب يكون التلخيص في خمسة جمل مختصرة عن محتوى الكتاب, و يتم تقديم عدة أمثلة مشابهة لهذا الأمر حتى يتعلم منها في طريقة إجابته تقنيات متقدمة في هندسة الأوامر System Prompt: وهي تحديد السياق العام للنموذج مما يجعل مخرجات النموذج بصيغة تم تحديدها مسبقا و ذلك لرفع دقة الإجابات و تقليل تكرارهاRole Prompt: إعطاء النموذج دورًا محاكاته مثل مرشد سياحي وتحديد الأسلوب الذي يتبعه، مثل إعطاءه سيناريوهات تحتاج إلى تفاصيلContextual Prompts: تقديم معلومات و خلفية عن موضوع معين للنموذج حول محادثة أو مهمة ما.  و الهدف منها الحصول على إجابات دقيقةStep Back Prompting: تشجيع النموذج على التفكير في الأسئلة بشكل أكبر قبل بدء الإجابة. مثل أخذ خطوة للخلف لرؤية الصورة الكبيرة للموضوع قبل تقديم الإجابةChain of Thoughts Prompting: توجيه النموذج لشرح الأسباب و التفكير المنطقي خطوة بخطوة كما يفعل الأشخاص عند حل المهام. مثل إظهار تفاصيل وخطوات الحل بدلاً من تقديم الإجابة النهائية مباشرة، مثل حل مسائل الرياضيات. و الهدف منها تحقيق دقة عالية للنموذجSelf-consistency: مبني على Chain of Thoughts، حيث يتم توليد عدة إجابات ثم اختيار الإجابة المناسبة وأكثر دقة. إذا كانت الإجابات تتكرر باستمرار، فهذا يعني أنه لا يوجد تحيز في النموذج  دورات في هندسة الأوامر   what is prompt engineering ChatGPT Prompt Engineering for Developers Prompt Engineering for ChatGPT    

الذكاء الاصطناعي, تعلم الالة

ML Pipeline سير عمل التعلم الآلي

/

تكمن أهمية ML Pipeline  بأنها أحد المراحل المهمة في تطوير نظام التعلم الآلي. حيث أنها تساعد علماء البيانات و المهندسين في التحكم بالمشروع بجميع المراحل و ستساعد من بناء نماذج ذات دقة عالية و تسمح بالتوسع بالمستقبل. جمع البيانات Data Collection بعد تحديد الغرض من بناء نموذج أو مشروع تعلم الالة سواء كان لحل مشكلة أو لتحسين هدف تجاري ف تكون أول مرحلة يركز عليها المطور هو جمع البيانات وهي الركيزة الأولى التي يجب ان تأخذ الوقت الكافي من المشروع و ذلك لزيادة دقة النموذج بعد تدريبه. ضرورة التركيز بنوعية البيانات التي يتم جمعها أن تقوم بحل الهدف من النموذج و أن تكون صيغة البيانات مناسبة.هناك العديد من المصادر التي تساعد في عملية جمع الببيانات:١- مجموعة البيانات الجاهزه مثل kaggle و Roboflow٢- تصفح الويب (Web Crawling): استخدام برامج لجمع البيانات من مواقع الويب المختلفة٣- تجريف البيانات (Data Scraping): استخراج المعلومات من صفحات الويب بطريقة منظمة٤- بناء مجموعة بيانات يدويا (Building a Dataset): تجميع البيانات في مجموعة بيانات موحدة من خلال البحث عن مصادر البيانات من خلال المواقع و حفظها٥- استخدام واجهات برمجة التطبيقات (APIs): الحصول على البيانات من خدمات أو تطبيقات خارجية عبر API٦- البيانات الناتجة عن عمليات الشركة أو الأنشطة: مثل جمع آراء العملاء عبر مراكز الاتصال  معالجة البيانات Data Processing عند الانتهاء من جمع البيانات يأتي دور معالجتها و تنظيفها من أجل تجهيزها في تدريب النموذج model.  وهي عملية لضمان جاهزية البيانات و تؤثر في دقة النموذج.١-  تنظيف البيانات Data Cleaning من خلال إزالة القيم المفقودة أو استبدالها بأخذ متوسط القيم, تصحيح صيغ البيانات, حذف السجلات المكررة٢- معالجة القيم المتباينة Handling Outliers خلال تحليل البيانات قد تواجهك  قيم متطرفة (outliers) مثل متوسط المبيعات خلال اليوم ١٠٠٠ إلى ٢٠٠٠ ووجدت قيم ١٠ أو ١٠٠٠٠٠٣- تحويل البيانات Data Transformation تحويل صيغة أو هيكلة البيانات إلى الصيغة المناسبة لاستخدامها في النموذج.  هناك أنواع لتحويل البيانات منها Data Normalization تطبيع البيانات, Format Conversion تحويل الصيغ و الترميز الأحادي One-Hot Encoding  هندسة الميزات Feature Engineering  هندسة الميزات هي عملية تعديل أو حذف أو جمع بيانات بهدف إنشاء بيانات جديدة تساعد في تحسين و دقة النموذج و تقليل تحيز النتائج.    تقسيم البيانات Data Splitting بعد الانتهاء من تجهيز البيانات و معالجتها يأتي الآن دور تقسيمها بنسب معينة من أجل استخدامها في تدريب النموذج و اختباره.- مجموعة التدريب Training Set: الهدف منها لتدريب النموذج وتشكل نسبتها 70-80% من البيانات.- مجموعة التحقق Validation Set :  تستخدم لتقييم أداء النموذج خلال التدريب من خلال ضبط وتحسين الخوارزمية و نسبتها  10-15% من البيانات.- مجموعة الاختبار Test Set:  توفر تقييم غير متحيز لأداء النموذج من خلال استخدام بيانات جديدة  و هذه يضمن قدرة النوذج على التوسع والتعميم, و نسبتها  10-15% من البيانات.   اختيار النموذج Model Selection اختيار النموذج المناسب يعتمد على هدف المشروع و صيغة البيانات التي تم تجهيزها, و بالبداية نوضح أنواع  تعلم الآلة هي Supervised Learning  التعلم تحت المراقبة ,  Unsupervised Learning التعلم غير المراقب, Semi-Supervised Learning التعلم شبه المراقب و Reinforcement Learning التعلم التعزيزي.سيتم شرح كل نوع منها مستقبلا بإذن الله  و سنذكر بعض الخوارزميات في هذه المقالة.  مهمة التصنيف Classification Tasks : وهي تستخدم تقنيات مختلفة لتحليل البيانات وتحديد الفئات  وبعض الخوارزميات المشهورة في مهمة التصنيف – Support Vector Machines (SVM)- Logistic Regression- Decision Trees مهمة الانحدار Regression Tasks: تستخدم بتقدير القيم العددية بدلاً من التصنيف الفئات, بعض الخوارزميات الشائعة:- Linear Regression- Random Forest- Polynomial Regression  مهمة التجميع Clustering Tasks: الهدف هو تقسيم مجموعة البيانات إلى مجموعات clusters على أن تكون العناصر داخل كل مجموعة متشابهة قدر الإمكان مثل: – K-Means – Hierarchical Clustering   تدريب النموذج و تكييفه  Model Training and Fitting  هي عملية يتم فيها تغذية خوارزميات تعلم الآلة  بالبيانات التي تم تجهيزها بهدف تعليم النموذج على البيانات و اكتشاف الأنماط  والاتجاهات. يتم تعديل وزن النموذج model weights  بناءً على الأخطاء التي تظهر أثناء التعلم، مما يمكنه من تحسين دقته مع مرور الوقت.الهدف هو تعليم النموذج كيفية التنبؤ بالنتائج بناءً على البيانات المدخلة و تعديل parameters المعلمات لتقليل نسبة الخطأ ين توقعاته والنتائج الفعلية. تقييم النموذج Model Evaluation تقييم أداء النموذج من خلال استخدام بيانات الاختبار و التحقق باستخدام بعض المقاييس منها accuracy, Recall  and F1 score  نشر النموذج و مراقبته Deployment and Monitoring رفع النموذج في بيئة الإنتاج الفعلية حيث يمكنه التعامل مع بيانات جديدة و تقديم النتائج و التوقعات. و تكمن أهميه متابعة وقياس أداء النموذج بعد نشره للتأكد من أنه يعمل كما هو متوقع و يتم تحسسينه  بناء على النتائج، قد يحتاج النموذج إلى إعادة التدريب  باستخدام بيانات جديدة لضمان استمرارية دقة الأداء.

google cloud
البيانات, الذكاء الاصطناعي, تعلم الالة

من البيانات إلى النماذج باستخدام Google Cloud

/

في رحلة بناء حلول و مشاريع الذكاء الاصطناعي تعتبر البيانات هي الأساس الذي يتم من خلاله تطوير النموذج سواء في مرحلة التدريب أو بعدها. تبدأ من خلال جمع بيانات كبيرة و معالجتها ثم تحليلها و تجهيزها بصيغ معينة تناسب النموذج المراد استخدامه. Google Cloud توفر بيئة متكاملة تتضمن العديد من الخدمات و المنتجات التي تساعد في تطوير حلول و مشاريع ذكاء الاصطناعي. حيث تدعم عملية تحليل البيانات وتدريب النماذج بشكل متكامل بكفاءة وتسهل متابعة و مراقبة النماذج بعد نشرها. مراحل تطوير النموذج باستخدام Google Cloud استيعاب البيانات Data Ingestion: وهي عملية جمع البيانات من مصادر متعددة لهدف إنشاء قاعدة بيانات جاهزة لتحليلها أو لتدريب نماذج الذكاء الاصطناعي.  تتم هذه العملية في Google Could باستخدام المنتجات Pub/Sub , Dataflow , Dataproc , Cloud Data Fusion تخزين البيانات Data Storage: بعد جمع البيانات يتم حفظها في أنظمة و قواعد بيانات وتختلف تقنيات التخزين بحسب تصنيف البيانات و حجمها و احتياج استخدامها لاحقا مثل بيانات تستخدم يوميا أو أرشفة. من المنتجات في ارشفة المنتجات Cloud Storage, Bigtable, Cloud SQL, Spanner, Filestore, BigQuery. تحليل المنتجات Analytics Product وهي عملية تحليل البيانات و دراستها و استخراج رؤى لحل مشكلة او دعم اتخاذ قرار. Google Cloud توفر هذه المنتجات BigQuery, Looker منتجات الذكاء الاصطناعي وتعلم الآلة AI/ML Products توفر العديد من المنتجات و الخدمات التي تساعد لانشاء منتجات الذكاء الاصطناعي و تعلم الالة و من أشهرها Vertex AI.  توفر Google Could حلول خاصة بتدريب النماذج أو منتجات للشركات باستخدام الذكاء الاصطناعي. تطوير نماذج الذكاء الاصطناعي AI Development: وهي ادوات تساعد المطورين من تطوير مختلف النماذج و تدريبها و اختبار دقتها من خلال استخدام المنتجات ومنها Cloud AutoML, AI Workbench, Colab Enterprise  ,Vertex AI Studio Model Garden حلول الذكاء الاصطناعي AI Solutions: تقدم Google Cloud حلول جاهزة لأتمتة العمليات   منها Document AI , Contact Center AI , Vertex AI Search for retail , Healthcare Data Engine تقدم Google Cloud مجموعة متكاملة من منتجات الذكاء الاصطناعي التي تمكن المطورين والشركات من استغلال قوة التعلم الآلي والذكاء الاصطناعي لتحسين عملياتها وزيادة كفاءتها. سواء كان الهدف هو تطوير نماذج مخصصة باستخدام AI Platform أو الاستفادة من حلول الذكاء الاصطناعي الجاهزة

الذكاء الاصطناعي, دورات

برودكاست في الذكاء الاصطناعي

/

في عالم الذكاء الاصطناعي المتسارع، تبقى المعرفة المفتاح لفهم وتطوير التقنيات الحديثة. إذا كنت مهتمًا بمواكبة آخر التطورات والتوجهات في هذا المجال، هنا مجموعة بودكاسات تغطي مختلف جوانب الذكاء الاصطناعي.  AI today Machine Learning Street Talk Artificial Intelligence Podcast This Day in AI Podcast The TWIML AI Podcast with Sam Charrington People of AI Podcast Everyday AI

الذكاء الاصطناعي

خارطة الطريق لتعلم الذكاء الاصطناعي

/

إذا كنت تتطلع لتعلم الذكاء الاصطناعي وتطوير مهاراتك في هذا المجال، فإن وجود خارطة طريق سيساعد على التركيز على الجوانب الأساسية ويمكن من التمكن في تعلم AI و تطبيقاته. هذه المقالة توضح خارطة طريق شاملة تشمل جميع المهارات والمعرفة العلمية التي تحتاجها لبدء رحلة التعلم، من المعرفة البرمجبة والأساسيات الرياضية إلى التعلم العميق ومعالجة اللغة الطبيعية. المهارات البرمجية البداية لتعلم الذكاء الاصطناعي تكمن في تعلم البرمجة. يعد تعلم لغات البرمجة مثل Python أمرا أساسي، حيث تستخدم في تطوير وتطبيق الخوارزميات والنماذج المختلفة. تشمل المهارات البرمجية أيضًا فهم المكتبات مثل NumPy وPandas، التي تُستخدم بشكل واسع في تحليل البيانات وتطوير النماذج. المفاهيم الرياضية يعد فهم الرياضيات أساس قوي لتعلم الذكاء الاصطناعي. منها يجب تعلم الجبر الخطي لفهم كيفية التعامل مع البيانات الرقمية، والتفاضل والتكامل لفهم كيفية تحسين الخوارزميات. كما أن الاحتمالات والإحصاءات هما مفتاح لفهم كيفية تحليل البيانات واتخاذ القرارات بناء على النماذج.   علوم البيانات بعد اكتساب المهارات البرمجية والفهم الرياضي، يأتي دور تعلم علوم البيانات. يتضمن تعلم كيفية جمع البيانات وتنظيفها،ثم تحليلها واستخلاص الأفكار منها. يعد تعلم التحليل الاستكشافي للبيانات EDA والتصور البياني للبيانات خطوة هامة لفهم البيانات بشكل أعمق. تعلم الآلة Machine Learning تعلم الآلة هو الخطوة التالية في رحلة تعلم الذكاء الاصطناعي. يجب أن تعلم الخوارزميات الأساسية مثل الانحدار والتصنيف، بالإضافة إلى كيفية تدريب النماذج باستخدام التعلم المتقاطع وتقنيات تجنب الإفراط في التكيف. سيساعد هذه الأساسيات في بناء نماذج قوية ودقيقة.   التعلم العميق Deep Learning التعلم العميق هو فرع متقدم من تعلم الآلة يعتمد على الشبكات العصبية. يجب أن تتعلم مفاهيم مثل الانتشار العكسي وضبط المعلمات لفهم كيفية تحسين هذه الشبكات. ستتعرف أيضا على تطبيقات مثل الشبكات العصبية التلافيفية CNN والشبكات العصبية المتكررة RNN.   معالجة اللغة الطبيعية NLP يأتي دور معالجة اللغة الطبيعية NLP، وهي تقنية تعتمد على الذكاء الاصطناعي لفهم وتوليد اللغة البشرية. ستتعلم كيفية استخدام النماذج اللغوية وتحليل المشاعر والتعرف على الكيانات لتطوير تطبيقات تفاعلية ذكية. ستستخدم مكتبات مثل spaCy وNLTK لتطبيق هذه التقنيات.    

الذكاء الاصطناعي

المهارات البرمجية في الذكاء الاصطناعي

/

المهارات البرمجية المتعلقة بالذكاء الاصطناعي يجب تعلمها لممارسة تطوير تطبيقات الذكاء الاصطناعي. هناك العديد من المهارات البرمجية المهمه التي تمكنك من البدء في رحلة التعلم.    الهياكل التحكمية Control Structures الهياكل التحكمية تعتبر أول خطوة أساسية في البرمجة، مثل `if`، `for`، و `while`. هذه المفاهيم تتيح التحكم في تدفق البرنامج، سواء باتخاذ قرارات أو تكرار عمليات معينة. الهياكل البيانية Data Structures الهياكل البيانية هي طريقة لتنظيم وتخزين البيانات بشكل يسهل الوصول إليها وإدارتها. من الأمثلة على ذلك القوائم (lists) والقواميس dictionaries، والتي تساعد في ترتيب البيانات بشكل منطقي ومرتب. لغة بايثون Python لغة بايثون تعتبر من أكثر اللغات البرمجية استخداماً في مجال الذكاء الاصطناعي، نظراً لسهولتها ومرونتها. إنها لغة مثالية للمبتدئين والمحترفين على حد سواء نظام التحكم بالإصدارات Git Git هو نظام يساعدنا في إدارة ومتابعة التغييرات في الكود البرمجي، وهو مهم جداً خصوصاً عند العمل في فرق. يتيح لنا الرجوع إلى نسخ سابقة من الكود وتجنب فقدان البيانات. مكتبات بايثون Pandas و Numpy مكتبات مثل Pandas و Numpy أساسية في تحليل البيانات. Pandas مفيدة لإدارة البيانات وتحليلها، بينما توفر Numpy أدوات قوية للعمليات الحسابية. البرمجة الكائنية Object-Oriented Programming البرمجة الكائنية (OOP) تساعد في تنظيم الكود باستخدام الكائنات، مما يسهل التعامل مع التعقيدات البرمجية. هذه الطريقة تجعل الكود أكثر وضوحاً وقابلية لإعادة الاستخدام. الاختبار وتصحيح الأخطاء Testing and Debugging تعد مهارة الاختبار وتصحيح الأخطاء ضرورية لضمان أن يعمل الكود كما هو متوقع. هذه المهارات تساعد في اكتشاف وحل المشكلات البرمجية قبل أن تتفاقم. التجميع والتشغيل الآلي Scripting and Automation التشغيل الآلي باستخدام السكربتات يمكننا من تنفيذ مهام مكررة بشكل تلقائي، مما يوفر الوقت والجهد.

مشاركة المعرفة في البيانات و الذكاء الاصطناعي

روابط سريعة

المدونة

POC

المصادر

تواصل معنا

info@aidata-vision.com

جميع الحقوق محفوظة  2024© رؤية للبيانات و الذكاء الاصطناعي