Dr. Osamah Taher

هواي ناس يعتقدون أن استراتيجية الذكاء الاصطناعي (AI Strategy) مجرد اختيار كم حالة استخدام (Use Cases) وتطبيقها داخل المؤسسة.

بس بالحقيقة الموضوع أعمق من هيچ بكثير.

النجاح مو بس تعرف شنو تريد تبني، وإنما تعرف إذا البنية الحالية للمؤسسة أصلاً مهيأة حتى تدعم هذي التطبيقات لو تحتاج تطوير أولاً.

قبل لا أي مشروع AI يشتغل بشكل حقيقي داخل بيئة العمل، غالباً يحتاج:

✅ تقارير ولوحات معلومات موثوقة
✅ تعريفات موحدة للبيانات بين الأقسام
✅ بيانات دقيقة ومحدثة باستمرار
✅ تتبع كامل لمصدر البيانات وتحولاتها (Lineage)
✅ صلاحيات ووصول مضبوط للمستخدمين
✅ تكامل مع الأنظمة التشغيلية الفعلية للقراءة والكتابة

وهنا يبدأ الذكاء الاصطناعي المؤسسي الحقيقي.

وأحد أكثر المفاهيم الخاطئة انتشاراً هو أن "البيانات الجاهزة للذكاء الاصطناعي" تعني فقط بيانات نظيفة.

بينما الواقع يقول غير ذلك.

البيانات الجاهزة للـ AI لازم تتوفر بيها:

📌 السياق (Context)
📌 الصلاحيات (Permissions)
📌 التعاريف الموحدة (Definitions)
📌 حداثة البيانات (Freshness)
📌 إمكانية التتبع والمراجعة (Traceability)

لأن الذكاء الاصطناعي إذا دخل بسير العمل الحقيقي للمؤسسة، كل هاي العناصر تصبح أساسية لنجاحه.

باختصار:

🚀 نجاح مشاريع الـ AI ما يبدأ من اختيار الموديل...
بل يبدأ من جاهزية البيانات والحوكمة والبنية المؤسسية اللي راح يعتمد عليها.














#تقنية
#تكنولوجيا

أكثر 5 أسئلة تنسأل عن ال RAG،

1️⃣ شنو هو RAG ومتى نستخدمه؟
الجواب: RAG (Retrieval-Augmented Generation) يعتمد على جلب المعلومات من مصادر خارجية وقت السؤال، ثم يضيفها للـ LLM حتى يجاوب بدقة أكبر.
✅ نستخدمه إذا عدنا:
بيانات خاصة بالشركة
معلومات حديثة
مستندات تخصصية مو موجودة ببيانات تدريب المودل
أما إذا تريد تغيّر أسلوب أو سلوك المودل نفسه، فهنا نستخدم Fine-Tuning.
2️⃣ شنو الفرق بين RAG و Fine-Tuning؟
الجواب:
RAG: يخلي المودل يعرف معلومات جديدة ومتغيرة باستمرار.
Fine-Tuning: يخلي المودل يتصرف أو يكتب بطريقة معينة.
✅ بمعظم المشاريع الحقيقية: RAG أسرع، أرخص، وأسهل بالتحديث.
3️⃣ شنو هو Chunking وليش مهم؟
الجواب: هو تقسيم المستندات إلى أجزاء صغيرة قبل تحويلها إلى Embeddings.
إذا الـ Chunk كبير: ❌ يجيب معلومات غير مرتبطة.
إذا صغير هواي: ❌ يفقد المعنى والسياق.
✅ لذلك دائماً نستخدم Overlap بين الـ Chunks حتى نحافظ على الترابط.
4️⃣ شلون تقيّم أداء RAG؟
الجواب: لا تركز فقط على الجواب النهائي.
لازم تقيّم:
🔹 Retrieval Quality هل النظام جاب الـ Chunks الصحيحة؟
🔹 Faithfulness هل الجواب مبني فعلاً على المعلومات المسترجعة؟
🔹 Relevance هل الجواب جاوب على السؤال بشكل صحيح؟
✅ أدوات مثل RAGAS و DeepEval تساعدك بهالعملية.
5️⃣ شنو أشهر مشاكل RAG؟
الجواب:
❌ استرجاع Chunks غير مرتبطة بالسؤال.
❌ Hallucination حتى لو الاسترجاع جيد.
❌ Chunk Size غير مناسب.
❌ عدم وجود Evaluation مستمر للنظام.
❌ ضعف الـ Chunking أو عدم استخدام Overlap.
💡 الخلاصة:
إذا سألوك عن RAG بالمقابلة، لا تركز فقط على الـ LLM.
المهندس القوي يعرف أن نجاح الـ RAG يعتمد على:
✅ Chunking
✅ Embeddings
✅ Retrieval
✅ Re-ranking
✅ Evaluation
✅ Monitoring
لأن أقوى مودل بالعالم ما يفيد إذا ما وصلته المعلومة الصح من البداية. 🤖🔥
#مبرمجين #تقنية

🚀 عندك نظام RAG يرجع أفضل 5 Chunks، بس الجواب الصح موجود بـ Chunk رقم 12؟

هنا يبان الفرق بين اللي مجرب مشروع حقيقي واللي مجرد مسوي Demo.

أغلب الناس أول فكرة تجي ببالها: "خل أزيد النتائج من Top-5 إلى Top-20"

بس المشكلة؟ 🤔 راح تكبر الـ Context Window وتزيد التكاليف وقد يضيع الموديل بين المعلومات.

الحل مو تزيد النتائج وبس، الحل تخلي البحث على مرحلتين:

✅ أولاً: اسحب عدد كبير من النتائج (مثلاً 50 Chunk) ✅ بعدها استخدم Reranker حتى يرتبها من جديد ويطلع أهم النتائج بالأعلى ✅ وأرسل أفضل 3 إلى 5 نتائج فقط للـ LLM

بهالطريقة تحصل: 📈 Recall عالي 💰 تكلفة أقل ⚡ أداء أسرع

مو بس هذا...

🔹 استخدم Hybrid Search يعني تجمع بين Semantic Search و Keyword Search. لأن أحياناً أسماء المنتجات أو Error Codes أو IDs ما تنفهم صح بالـ Embeddings وحدها.

🔹 حسن طريقة تقسيم الملفات (Chunking) إذا الـ Chunks كبيرة أو مقسومة بنص الفكرة، احتمال الجواب المهم يضيع بالترتيب.

🔹 استخدم Context Compression بدل ما ترسل Chunk كامل، استخرج فقط الجمل المهمة اللي بيها الجواب.

🔹 جرّب Query Expansion خلي النظام يعيد صياغة السؤال بأكثر من طريقة حتى يزيد فرصة العثور على المعلومة الصحيحة.

💡 القاعدة الذهبية:

البحث (Retrieval) رخيص، أما الـ Context داخل الـ LLM غالي.

لهذا اسحب معلومات أكثر بالبداية، وبعدين صفّي ورتّب واضغط المعلومات قبل لا توصل للموديل.

هاي الطريقة اللي تفرق بين RAG يشتغل بالديمو وRAG يشتغل بالإنتاج الحقيقي. 🔥

🧠💡 شنو يعني Quantization و LoRA في الذكاء الاصطناعي؟
إذا تشتغل أو مهتم بنماذج الذكاء الاصطناعي (مثل ChatGPT أو Qwen أو LLaMA)، فهذني مصطلحين مهمين لازم تعرفهم 👇
⚡ أولاً: Quantization (التكميم)
هو طريقة لتصغير حجم نموذج الذكاء الاصطناعي عن طريق تقليل دقة الأرقام داخله.
📌 ببساطة: بدل ما النموذج يستخدم أرقام دقيقة جدًا 👇
@0.123456789
نخليها أقل دقة مثل 👇
0.123 أو حتى أقل
🎯 النتيجة:
يقل حجم النموذج 💾
يشتغل أسرع ⚡
يستهلك VRAM أقل 🎮
تگدر تشغله على كرت شاشة أضعف
⚠️ بس بالمقابل ممكن تقل الدقة شوي
🧩 ثانياً: LoRA (Low-Rank Adaptation)
هي طريقة لتدريب النموذج بدون ما نعيد تدريبه بالكامل.
📌 الفكرة: بدل ما نغير كل النموذج (وهذا مكلف جدًا 😵‍💫)،
نضيف طبقات صغيرة تتعلم التعديل فقط
🎯 النتيجة:
تدريب أسرع 🚀
VRAM أقل 🎮
تكلفة أقل 💰
تگدر تخصص النموذج حسب احتياجك

🚀 RunPod – أقوى وأرخص GPU Cloud حالياً؟

إذا أنت تشتغل في الذكاء الاصطناعي (AI)، تدريب نماذج، Stable Diffusion أو LLMs، فأكيد تحتاج GPU قوي بدون ما تدفع آلاف الدولارات على جهازك.

هنا يجي دور RunPod 👇

⚡ شنو هو RunPod؟

RunPod يوفر لك سيرفرات GPU قوية تشتغل من السحابة مثل:

🖥️ RTX 4090
⚡ A100
🔥 H100

وتقدر تستخدمها مباشرة بدون أي إعدادات معقدة.

💰 الأسعار (ميزة RunPod القوية)
RTX 4090: حوالي $0.69/ساعة
A100: تقريباً $1.3 – $2.7/ساعة
H100: حوالي $2.8 – $3.3/ساعة

📌 الدفع حسب الاستخدام فقط (تشغل وتوقف وقت ما تريد)

📊 مقارنة سريعة: RunPod vs Hyperbolic AI
🔵 Hyperbolic AI
مناسب أكثر للـ API inference
خيارات GPUs أقل
أحياناً أغلى بالسعر حسب الاستخدام
🟣 RunPod

✔ أرخص في أغلب الحالات (حتى 1.3x – 2x أقل)
✔ يدعم عدد أكبر من GPUs
✔ مناسب لـ:

Training
Fine-tuning
Stable Diffusion
LLMs

✔ مرونة عالية جداً (Pods + Serverless)

🧠 الخلاصة

إذا تريد:

💰 سعر أقل
⚡ قوة GPU أعلى
🧩 حرية كاملة بالمشاريع

👉 RunPod هو الخيار الأفضل حالياً لمعظم مطوري AI

أما إذا تريد API جاهز وسهل بدون إعدادات:
👉 Hyperbolic AI ممكن يناسبك

🔥 النتيجة النهائية:
RunPod = مرونة + قوة + تكلفة أقل
Hyperbolic = سهولة فقط

💡 باختصار:
RunPod مو بس خيار… صار “standard” لكثير من مطوري الـ AI اليوم.

🚀 تحتاج منصات تأجير الـ GPUs قوة حوسبة هائلة للذكاء الاصطناعي؟
منصات تأجير الـ GPUs مثل Hyperbolic أصبحت توفر وصولاً فورياً إلى بطاقات معالجة الرسومات عالية الأداء عند الطلب، مما يمنح المطورين والباحثين والشركات القدرة على:

✅ تدريب نماذج الذكاء الاصطناعي بسرعة أكبر
✅ تشغيل نماذج الاستدلال (Inference) بكفاءة عالية
✅ التوسع من GPU واحد إلى مئات أو آلاف الـ GPUs حسب الحاجة
✅ دفع التكاليف حسب الاستخدام الفعلي فقط
✅ الوصول إلى بنية تحتية جاهزة خلال دقائق

مع النمو المتسارع للذكاء الاصطناعي، أصبحت المرونة وسرعة الوصول إلى الموارد الحاسوبية عاملاً أساسياً في نجاح المشاريع التقنية.

المستقبل لم يعد لمن يمتلك أكبر مركز بيانات، بل لمن يستطيع الوصول إلى أقوى الموارد في الوقت المناسب.

🚀 Google تطلق تحسينات جديدة على Gemma 4 باستخدام Quantization-Aware Training (QAT)

أعلنت Google عن تحديث مهم لعائلة نماذج Gemma 4 يركز على تحسين كفاءة التشغيل عبر تقنية Quantization-Aware Training (QAT)، والتي تهدف إلى تشغيل النماذج بكفاءة أعلى على الأجهزة المحدودة الموارد.

⚙️ ما الجديد؟

تقليل استهلاك الذاكرة بشكل كبير عبر QAT

دعم تشغيل النماذج بصيغة GGUF وبيئات مثل llama.cpp وOllama

تحسينات في الأداء لتشغيل النماذج على أجهزة محلية بموارد أقل

دعم تقنيات تسريع مثل Multi-Token Prediction (MTP) و speculative decoding

⚡ الأداء

بعض التحسينات في السرعة قد تصل إلى تقريباً 1.4x – 2x في حالات معينة، لكن الأداء الفعلي يعتمد بشكل كبير على:

نوع الجهاز (CPU / GPU)

حجم النموذج

إعدادات التشغيل

💡 ملاحظة مهمة

لا يعني ذلك أن النماذج الكبيرة مثل 12B أو 31B يمكن تشغيلها بسهولة على أجهزة ضعيفة (مثل 6GB RAM)

الأرقام تختلف حسب البيئة وليست ثابتة لكل المستخدمين

🧠 الخلاصة

هذه التحديثات تمثل خطوة مهمة نحو تشغيل نماذج الذكاء الاصطناعي بكفاءة أعلى محلياً، لكنها ليست “قفزة سحرية” بل تحسينات تدريجية في الأداء وتقليل استهلاك الموارد.

إذا تحب، :

أو

أو 👍

🧠 شنو اللي يصير داخل GPT قبل ما يجاوب على سؤالك؟

إذا كتبت:

"What is 2+2?"

فأنت تشوفها مجرد جملة قصيرة، لكن داخل النموذج تمر بعدة مراحل معقدة قبل ما تحصل على الإجابة.

🔹 المرحلة الأولى: تحويل المحادثة إلى صيغة منظمة

النموذج ما يستلم النص بشكل مباشر، وإنما يتم تغليف كل رسالة بعلامات خاصة تحدد:

* بداية الرسالة
* نهاية الرسالة
* هل المرسل User أو Assistant

مثال:

```text
user
What is 2+2?


assistant
2+2 = 4

```

هذا يساعد النموذج على فهم سياق المحادثة ومعرفة من الذي قال كل رسالة.

🔹 المرحلة الثانية: Tokenization

بعدها يتم تقسيم النص إلى أجزاء صغيرة تسمى Tokens.

الكثير يعتقد أن كل كلمة = Token واحد، لكن هذا ليس صحيحاً دائماً.

مثلاً:

"What is 2+2?"

قد تُقسم إلى:

* What
* is
* 2
* *
* 2
* ?

وكل جزء منها يعتبر Token مستقل.

حتى المسافات والرموز وعلامات الترقيم قد تؤثر على عدد الـ Tokens.

🔹 المرحلة الثالثة: تحويل Tokens إلى أرقام

النموذج لا يفهم الكلمات بشكل مباشر، بل يحول كل Token إلى رقم فريد داخل قاموسه.

مثال مبسط:

```text
What → 4827
is → 382
2 → 17
+ → 10
? → 30
```

فتصبح الجملة بالنسبة للنموذج:

```text
4827, 382, 17, 10, 17, 30
```

أي أن النموذج يتعامل مع أرقام فقط.

🔹 المرحلة الرابعة: المعالجة داخل الشبكة العصبية

تدخل هذه الأرقام إلى مليارات المعاملات (Parameters) داخل النموذج.

يقوم النموذج بتحليل:

* معنى الكلمات
* ترتيبها
* سياق المحادثة
* الرسائل السابقة

ثم يحسب احتمالية الكلمة التالية.

مثلاً بعد:

"The capital of France is"

سيعطي احتمالاً عالياً لكلمة:

"Paris"

🔹 المرحلة الخامسة: توليد الإجابة

بدلاً من كتابة الإجابة دفعة واحدة، يقوم النموذج بتوليد Token واحد في كل مرة:

Token ➜ Token ➜ Token ➜ Token

حتى تتكون الجملة الكاملة التي تراها على الشاشة.

💡 ملاحظة مهمة:

كل ما ترسله للنموذج يُحسب Tokens، وكذلك كل ما يولده النموذج يُحسب Tokens.

ولهذا تعتمد:

* سرعة النموذج
* تكلفة الـ API
* حجم الذاكرة (Context Window)

على عدد الـ Tokens المستخدمة.

📌 الخلاصة:

النص ➜ Chat Format ➜ Tokens ➜ أرقام ➜ شبكة عصبية ➜ Tokens جديدة ➜ إجابة مفهومة للمستخدم.

وهذه هي العملية التي تحدث خلال أجزاء من الثانية كل مرة تتحدث فيها مع ChatGPT أو أي نموذج LLM حديث.

#برمجة #تقنية

🚀 شنو الفرق بين Base Model و Instruct Model؟

🔹 Base Model

هو النموذج الخام بعد التدريب الأساسي على مليارات الكلمات. يعرف اللغة ويكدر يكمل النصوص ويولد محتوى، لكنه مو دائماً يستجيب للتعليمات بشكل دقيق أو منظم.

🔹 Instruct Model

هو نفس الـ Base Model بعد ما يخضع لتدريب إضافي حتى يفهم أوامر المستخدم ويتبع التعليمات بشكل أفضل ويقدم إجابات أكثر دقة وتنظيماً.

📌 مثال:

إذا طلبت منه:
"اكتب رسالة رسمية لمدير الشركة"

✅ Instruct Model راح يكتب الرسالة مباشرة بصيغة احترافية.

⚠️ Base Model ممكن يتعامل ويا الطلب كتكملة نص أو يعطي نتيجة أقل توافقاً مع المطلوب.

💡 الخلاصة:

Base Model = يعرف اللغة.

Instruct Model = يعرف اللغة + يفهم التعليمات ويتبعها بشكل أفضل.

شنو برأيك أهم صفة بالنموذج: قوة المعرفة لو جودة اتباع التعليمات؟ 🤔

#تقنية #برمجة