Alasmar Group technology

25/03/2026

تحية خاصة لأحدث المتابعين لي! يسرني انضمامك! Issam Kh, Razini Abd Jalil, ابوعثمان ابوعثمان, اسلام حامد

24/03/2026

ChatGPT helps you get answers, find inspiration, and be more productive.

24/03/2026

البيانات المنظمة مقابل البيانات غير المنظمة:

البيانات المنظمة: منظمة وسهلة البحث
تخيل أنني أدخل قاعة محاضرات ولدي قائمة بأسماء جميع الطلاب وتخصصاتهم ومعدلاتهم التراكمية . هذه بيانات مصنفة - كل معلومة (طالب) لها تخبرني بما تمثله.

بمصطلحات التعلم الآلي:البيانات المنظمة - فهي تتبع تنسيقًا واضحًا ، مما يجعل تخزينها والبحث عنها وتحليلها أمرًا سهلاً.

خصائص البيانات المهيكلة:
يتم تخزينها في جداول أو قواعد بيانات أو جداول بيانات.
منظم في صفوف (سجلات) وأعمدة (ميزات).
يمكن البحث بسهولة باستخدام لغة الاستعلامات المهيكلة (SQL) .
شائع في تطبيقات الأعمال (مثل التمويل، وإدارة علاقات العملاء، وتقارير المبيعات).
مثال:
قاعدة بيانات جامعية حيث يمتلك كل طالب معرفًا فريدًا، ومقررات دراسية مخصصة، ودرجات مخزنة في جدول.

2. البيانات غير المصنفة: البيانات الخام وغير المهيكلة
تخيل الآن أنني أدخل قاعة محاضرات مختلفة حيث لا توجد لديّ قائمة بالطلاب، بل مجرد غرفة مليئة بالناس . لا أعرف أسماءهم، أو تخصصاتهم، أو معدلاتهم التراكمية. هذه ، فلا يوجد تصنيف أو فئة واضحة مرتبطة بها.

بمصطلحات التعلم الآلي:البيانات غير المهيكلة - ليس لها تنسيق محدد مسبقًا وتحتاج إلى الذكاء الاصطناعي أو التعلم الآلي لاستخراج رؤى مفيدة.

خصائص البيانات غير المهيكلة:
يشمل ذلك النصوص والصور والمقاطع الصوتية والفيديوهات وملفات PDF ومنشورات وسائل التواصل الاجتماعي.
لا يتناسب بشكل أنيق مع الصفوف والأعمدة.
يتطلب الأمر معالجة اللغة الطبيعية (NLP) أو رؤية الكمبيوتر للتحليل.
تشكل أكثر من 80% من بيانات العالم، ولكن إدارتها أصعب.
مثال:
طالب يكتب مراجعة عن المقرر الدراسي على موقع الجامعة الإلكتروني:

"هذا الأستاذ رائع! كانت المحاضرات شيقة، لكن الامتحانات كانت صعبة."

لا يمكن لقاعدة البيانات المنظمة تحليل ذلك بشكل مباشر، ولكن يمكن للذكاء الاصطناعي استخلاص رؤى (مثل تحليل المشاعر).

ملخص لأهم الاختلافات:
ميزة البيانات المنظمة البيانات غير المهيكلة
تعريف البيانات منظمة في جداول ذات حقول محددة مسبقًا البيانات التي تفتقر إلى تنسيق محدد مسبقًا
تخزين قواعد البيانات (SQL، جداول البيانات) بحيرات البيانات، التخزين السحابي (Google Drive، S3)
مثال سجلات الطلاب (الهوية، المعدل التراكمي، المقررات الدراسية) رسائل البريد الإلكتروني، والمحاضرات المسجلة، والصور
يعالج يمكن البحث بسهولة باستخدام SQL يتطلب التحليل استخدام الذكاء الاصطناعي/التعلم الآلي
حالة الاستخدام التقارير المالية، قواعد بيانات العملاء تحليلات وسائل التواصل الاجتماعي، والمساعدون الصوتيون
لماذا هذا مهم؟
تجمع معظم الشركات بين البيانات المنظمة وغير المنظمة لتحسين عملية اتخاذ القرارات. على سبيل المثال، قد تستخدم إحدى الجامعات البيانات المنظمة لإحصاءات التسجيل والبيانات غير المنظمة لتحليل آراء الطلاب.

سؤال لك: هل يمكنك التفكير في مثال آخر حيث تعمل البيانات المنظمة وغير المنظمة معًا؟

24/03/2026

البيانات المصنفة مقابل البيانات غير المصنفة:

1. البيانات المصنفة: مُعلّمة ومنظمة بشكل واضح
تخيل أنني أدخل قاعة محاضرات ولدي قائمة بأسماء جميع الطلاب وتخصصاتهم ومعدلاتهم التراكمية . هذه بيانات مصنفة - كل معلومة (طالب) لها علامة واضحة تخبرني بما تمثله.

بمصطلحات التعلم الآلي:

تتكون البيانات المصنفة من أزواج المدخلات والمخرجات (على سبيل المثال، صورة لقطة مع تصنيف "قطة").
يُستخدم هذا الأسلوب في التعلم الخاضع للإشراف ، حيث يتعلم النموذج من الأمثلة التي تحتوي بالفعل على إجابات صحيحة.
مثال:
إذا قمنا بتدريب نظام ذكاء اصطناعي على التعرف على الأرقام المكتوبة بخط اليد، فإننا نزوده بآلاف الصور حيث يكون كل رقم مصنفًا مسبقًا (0، 1، 2، إلخ). ويتعلم الذكاء الاصطناعي من خلال مقارنة تخميناته بالتصنيفات الصحيحة.

2. البيانات غير المصنفة: البيانات الخام وغير المهيكلة
تخيل الآن أنني أدخل قاعة محاضرات مختلفة حيث لا توجد لديّ قائمة بالطلاب، بل مجرد غرفة مليئة بالناس . لا أعرف أسماءهم، أو تخصصاتهم، أو معدلاتهم التراكمية. هذه بيانات غير مصنفة ، فلا يوجد تصنيف أو فئة واضحة مرتبطة بها.

بمصطلحات التعلم الآلي:

تتكون البيانات غير المصنفة من المدخلات الخام فقط (على سبيل المثال، صورة بدون أي وصف).
يتم استخدامه في التعلم غير الخاضع للإشراف ، حيث يبحث الذكاء الاصطناعي عن الأنماط ويجمع نقاط البيانات المتشابهة معًا دون تصنيفات محددة مسبقًا.

مثال:

قد تستخدم شركة مثل نتفليكس بيانات غير مصنفة لاكتشاف مجموعات من المستخدمين ذوي عادات مشاهدة متشابهة، حتى لو لم تكن تعرف بالضبط ما تفضله كل مجموعة.
ملخص لأهم الاختلافات:
ميزة البيانات المصنفة بيانات غير مصنفة
تعريف بيانات ذات تصنيفات أو فئات واضحة بيانات بدون تصنيفات محددة مسبقًا

مثال مجموعة بيانات من صور القطط مع تصنيف "قطة" مجموعة من الصور العشوائية بدون أي تصنيفات
حالة الاستخدام التعلم الخاضع للإشراف (التصنيف، الانحدار) التعلم غير الخاضع للإشراف (التجميع، اكتشاف الشذوذ)
عملية التدريب يتعلم النموذج من خلال مقارنة الإجابات بالتصنيفات. يكتشف النموذج أنماطًا خفية في البيانات
التشبيه فصل دراسي بأسماء الطلاب وتخصصاتهم فصل دراسي لا أملك فيه أي معلومات عن الطلاب
لماذا هذا مهم؟
معظم البيانات الواقعية غير مصنفة ، وتصنيفها عملية تستغرق وقتًا طويلاً ومكلفة. لهذا السبب، صُممت تقنيات الذكاء الاصطناعي الحديثة، مثل التعلم شبه الموجه والتعلم الذاتي الموجه ، لتحقيق أقصى استفادة من كلا النوعين من البيانات

24/03/2026

ملخص للمفاهيم الأساسية التي تناولناها

8 مفهوم أهم النقاط

1 ما هو الذكاء الاصطناعي؟

تُمكّن تقنيات الذكاء الاصطناعي أجهزة الكمبيوتر من تعلّم الأنماط واتخاذ القرارات بدلاً من اتباع قواعد مكتوبة يدوياً. ويمكن تصوّر ذلك ببساطة عن طريق تزويد الجهاز بالعديد من الأمثلة، وتركه يتعلّم الأنماط المتكررة، ثم مراقبته وهو يطبّق هذه المعرفة على مواقف جديدة.

2 استعارة البيانات والحوسبة والتخزين

- البيانات هي الوقود : أهم من أي خوارزمية. - الحوسبة هي المحرك : وحدات معالجة الرسومات، ووحدات معالجة الموتر، وTrainium، وما إلى ذلك تقوم بالحسابات المعقدة. - التخزين هو الخزان : مجموعات البيانات موجودة في تخزين قابل للتوسع حتى لا يعاني المحرك من نقص الموارد.

3 أساسيات تعلم الآلة -

التعلم الخاضع للإشراف : تؤدي البيانات المصنفة إلى نماذج التصنيف والانحدار. - التعلم غير الخاضع للإشراف : يتم تجميع البيانات غير المصنفة أو اختزالها للكشف عن البنية الخفية. - التعلم المعزز : يتعلم العامل من خلال المكافآت والعقوبات أثناء تفاعله مع البيئة. - الحلقة الرئيسية: البيانات ← النموذج ← التدريب ← التنبؤ.

4 الشبكات العصبية والتعلم العميق -

تتكون الشبكات من طبقات إدخال وطبقات مخفية وطبقات إخراج متصلة بحواف موزونة. - تعمل خوارزمية الانتشار العكسي على ضبط الأوزان لتقليل الخطأ. - تتفوق الشبكات العصبية الالتفافية في التعامل مع الشبكات المرئية؛ وتتعامل الشبكات العصبية المتكررة مع التسلسلات؛ وتدير الشبكات المحولة السياق بعيد المدى. - يسمح العمق (الطبقات المخفية المتعددة) باستخراج الميزات تلقائيًا مباشرة من البيانات الأولية.

5 الذكاء الاصطناعي التوليدي لا تقتصر وظيفة النماذج على التصنيف أو التنبؤ فحسب، بل تقوم أيضاً بإنشاء نصوص وصور وملفات صوتية أو أكواد جديدة. تشمل المحركات الرئيسية شبكات GAN (المولد مقابل المميز) وشبكات Transformers التي تُكمل أو تُوسع التسلسل.

6 نماذج المؤسسة تستوعب الشبكات الكبيرة المدربة مسبقًا معرفة واسعة، ثم تُضبط بدقة لمهام محددة. ومن الأمثلة على ذلك: GPT للنصوص، وDALL·E للصور، وWhisper للكلام، وCodex للبرمجيات. تُسرّع هذه الشبكات من تطوير الذكاء الاصطناعي، لكنها تُثير مخاوف بشأن التحيز، وتكلفة الحوسبة، والشفافية.

7 هندسة المحولات
تستخدم هذه التقنية آلية الانتباه لتقييم العلاقات بين جميع الرموز في التسلسل. وتتمثل أجزاؤها الرئيسية في المشفرات (معالجة المدخلات) والمفككات (توليد المخرجات). وتساهم المعالجة المتوازية في تسريع عملية التدريب، مما يُمكّن من استخدام نماذج اللغات الكبيرة مثل GPT وBERT وLLaMA.

8 نماذج الانتشار ابدأ بضوضاء عشوائية وقم بإزالتها تدريجيًا للكشف عن صورة أو مقطع صوتي أو حتى جزيء. تُشغّل هذه التقنية أدوات مثل Stable Diffusion و MidJourney، وتُبشّر بنتائج واعدة في اكتشاف الأدوية من خلال توليد مركبات جديدة.

9 النماذج متعددة الوسائط يستطيع نظام واحد ربط النصوص والصور والصوت والفيديو من خلال دمج كل وسيلة في فضاء دلالي مشترك. وهذا يتيح تفاعلات أكثر ثراءً ووعياً بالسياق، على سبيل المثال وصف صورة بلغة طبيعية أو إنشاء صورة من تعليمات صوتية

Grasping the basics of AI, machine learning, and deep learning is crucial for your AI Practitioner exam. In this...

23/03/2026

ما هي "النماذج متعددة الوسائط"؟

تستطيع النماذج متعددة الوسائط الاستماع والمشاهدة والقراءة في آنٍ واحد، ثم الإجابة بالشكل الأنسب. على سبيل المثال، قد تستقبل شبكة واحدة صورةً لجهاز معطل، وسؤالًا صوتيًا عنه، ونصًا يطلب خطوات الإصلاح، ثم تُجيب بتعليمات مكتوبة وصورة مُعلّقة. ولتحقيق ذلك، يجب على النموذج ربط أنواع مختلفة من البيانات - من وحدات البكسل إلى الموجات الصوتية والكلمات - بنفس المعنى الأساسي.

كيف ينسقون الأساليب

مساحة المعنى المشترك

تُمرر كل مدخلة، سواء كانت جملة أو صورة، عبر مُشفِّر يحولها إلى متجه. تُدرَّب المُشفِّرات بحيث تتقارب المتجهات ذات المحتوى الدلالي المتشابه. فعلى سبيل المثال، يشير تعليق "كلب جولدن ريتريفر" وصورة لكلب جولدن ريتريفر إلى الاتجاه نفسه تقريبًا.

الاهتمام عبر الأنواع

بمجرد أن يصبح كل شيء في مكان واحد، يمكن للنموذج تطبيق آليات الانتباه نفسها التي تستخدمها المحولات. فهو يتعلم أي أجزاء من الجملة ترتبط بأي مناطق من الصورة أو أي لحظات في مقطع صوتي، مما يسمح له بالاستدلال عبر الوسائط المتعددة.

فك تشفير مرن

يمكن لمفكك النصوص تحويل المتجه المشترك إلى كلمات. أما مفكك الصور، والذي غالبًا ما يكون نموذج انتشار، فيمكنه تحويل المتجه إلى وحدات بكسل. وتجمع أنظمة مثل واجهة ChatGPT بين عدة متخصصين: تحويل الكلام إلى نص لصوت المستخدم، ونموذج خطي منطقي للاستدلال، ونموذج انتشار للصور، وتحويل النص إلى كلام إذا رغب المستخدم في رد مسموع.

لماذا هذا مهم؟

إجابات أكثر تفصيلاً: يمكن للنموذج أن يربط النص بالصور، أو ينتج مخططات عند الطلب، أو يشرح صورة بلغة طبيعية.
تقليل الحواجز: نموذج أساسي واحد، يتم ضبطه بدقة مرة واحدة، يمكنه تشغيل أدوات البحث والتعليق والترجمة والتصميم.
واجهات جديدة: يمكن للمستخدمين رسم واجهة المستخدم، وتصويرها، واستلام HTML جاهز للإنتاج أو طلب من مولد الألحان تأليف موسيقى تصويرية لفيديو صامت.
أمثلة حالية

نموذج أو خط أنابيب أنواع الإدخال أنواع المخرجات الاستخدام النموذجي
GPT-4 نص، صوت بالإضافة إلى صور نص صف الصور، أو صنفها، أو حللها منطقياً
DALL·E 3 في ChatGPT نص، كلام (عبر تطبيق Whisper) صور، نص، كلام إنشاء صور حوارية
CLIP + مكدس الانتشار نص، صور صور التحرير والتركيب الموجه بالنص
لا يزال الذكاء الاصطناعي متعدد الوسائط في مراحله الأولى، وقد يؤدي دمج عدة نماذج معًا إلى عدم تطابق أو تعليمات غامضة. ومع ذلك، فإن القدرة على التنقل بسلاسة بين الكلمات والصور والأصوات أصبحت بسرعة المهارة المميزة لأحدث جيل من أنظمة الذكاء الاصطناعي

Multimodality is the ability of an AI model to work with different types (or "modalities") of data, like text, audio, and images. Multimodality is what allow...

21/03/2026

ما هي "نماذج الانتشار"؟

المحوّل هو بنية تعلّم عميق مصممة للتعامل مع تسلسلات مثل الجمل والفقرات وبيانات السلاسل الزمنية. ظهر لأول مرة عام ٢٠١٧ وسرعان ما حلّ محل الشبكات المتكررة القديمة لقدرته على التدريب على العديد من الرموز في آن واحد، وليس واحدًا تلو الآخر. هذه الخاصية المتوازية، بالإضافة إلى ذكية ، تُمكّن النموذج من تحديد الكلمات الأكثر أهمية في الجملة، بغض النظر عن موقعها. للنموذج تحديد الكلمات الأكثر أهمية في الجملة بالنسبة لبعضها البعض، بغض النظر عن موقعها.

يكمن سرّ هذه القدرة الإبداعية في . وهي عبارة عن شبكات تعلّم عميق ضخمة تقضي أسابيع أو شهورًا في استيعاب المعلومات من الإنترنت العام، والأوراق العلمية، ومستودعات الشيفرة المصدرية، وغيرها. وبفضل اتساع نطاق بيانات التدريب، يستطيع نموذج أساسي واحد إنجاز العديد من المهام التي كانت حكرًا على أنظمة منفصلة ذات تدريب محدود.لا تقتصر الفكرة نفسها على الصور فقط، بل يطبقها الباحثون بالفعل على الصوت والفيديو وحتى تصميم الجزيئات. في مجال اكتشاف الأدوية، تُمثل "الضوضاء" الخام سحابة من الذرات. ويتعلم النموذج كيفية توجيه هذه السحابة حتى يظهر جزيء قابل للاستخدام، مما يفتح آفاقًا مختصرة للوصول إلى مواد كيميائية كان سيستغرق اكتشافها في المختبر سنوات.

النقاط الرئيسية:

الآلية الأساسية : تعلم إضافة الضوضاء وإزالتها بزيادات صغيرة.
عملية التوليد : ابدأ بالضوضاء النقية، ثم قم بإزالتها خطوة بخطوة، وقم بتوجيه المسار باستخدام موجه إذا لزم الأمر.
التطبيقات : الفن عالي الدقة، توليف الصوت الواقعي، المرشحون التجريبيون للأدوية، المواد الجديدة.
تتطلب نماذج الانتشار مجموعات بيانات ضخمة وقدرة حاسوبية هائلة، وقد ترث مخرجاتها تحيزات من الصور التي تدرسها، لكن العائد مجزٍ للغاية. فمن خلال إتقان فن تحسين العشوائية، تمنح هذه النماذج الذكاء الاصطناعي مساحة جديدة لسرد القصص المرئية وأداة مبتكرة للاكتشاف العلمي.

Curious about how AI-generated images are made and how that is connected to the creation of new materials? In this video, we explain diffusion models—the te...

21/03/2026

ما هي "المتحولون"؟

المحوّل هو بنية تعلّم عميق مصممة للتعامل مع تسلسلات مثل الجمل والفقرات وبيانات السلاسل الزمنية. ظهر لأول مرة عام ٢٠١٧ وسرعان ما حلّ محل الشبكات المتكررة القديمة لقدرته على التدريب على العديد من الرموز في آن واحد، وليس واحدًا تلو الآخر. هذه الخاصية المتوازية، بالإضافة إلى آلية انتباه ذكية ، تُمكّن النموذج من تحديد الكلمات الأكثر أهمية في الجملة، بغض النظر عن موقعها.

كيف يتم تنظيم المحول القياسي

المُشفِّر : يقرأ تسلسل الإدخال ويبني متجهات غنية ومدركة للسياق تسمى التشفيرات.
وحدة فك التشفير : تأخذ تلك الترميزات وتولد التسلسل المستهدف، وتتنبأ برمز واحد في كل مرة مع الانتباه إلى كل ما تم إنتاجه حتى الآن.
طبقات الانتباه : تُقيّم مدى قوة تركيز كل رمز على كل رمز آخر. تعمل رؤوس الانتباه المتعددة بالتوازي، مما يسمح للنموذج بتتبع عدة علاقات في آن واحد.
التضمينات الموضعية : تضيف معلومات حول ترتيب الكلمات، لأن الشبكة تعالج التسلسل بأكمله بالتوازي.
سير عمل التدريب

التدريب المسبق : يقوم النموذج بمعالجة مجموعة ضخمة من النصوص غير المصنفة (صفحات الويب والكتب والرموز البرمجية) ويتعلم التنبؤ بالرموز المقنعة أو الرموز التالية.
الضبط الدقيق : مجموعة بيانات أصغر ومصنفة تدفع النموذج نحو هدف محدد مثل الأسئلة والأجوبة الطبية أو التلخيص القانوني.
الجيل : عند إعطاء النموذج موجهًا، فإنه يواصل التسلسل، فيترجم النص، أو يكتب بريدًا إلكترونيًا، أو يصوغ نكتة.
حيث تتفوق المحولات

الترجمة الآلية والدردشة متعددة اللغات
توليد النصوص الطويلة، والتلخيص، والإجابة على الأسئلة
إكمال التعليمات البرمجية وإصلاح الأخطاء
إضافة تعليقات توضيحية للصور وتوليد الفن القائم على الانتشار
حتى المهام غير النصية مثل لعب الشطرنج وطي البروتين
لقد أرست نماذج المحولات معايير جديدة لقدرتها على تعلم السياق العالمي، والتوسع بسلاسة على الأجهزة الحديثة، وإمكانية تكييفها مع مجالات لا حصر لها بتدريب إضافي بسيط. تكمن تكلفتها الرئيسية في الجانب الحسابي؛ فكلما كبر حجم النموذج، ارتفعت تكلفة الطاقة، وفي الجانب الأخلاقي، إذ قد تظهر تحيزات في بيانات التدريب المسبق في المخرجات. ومع ذلك، وبفضل الضبط الدقيق والإشراف المسؤول، تظل نماذج المحولات التقنية الأساسية التي تقود التطورات الحالية في مجال الذكاء الاصطناعي التوليدي.

Learn more about Transformers → http://ibm.biz/ML-TransformersLearn more about AI → http://ibm.biz/more-about-aiCheck out IBM Watson → http://ibm.biz/more-ab...

21/03/2026

ما هي "نماذج الأساس"؟

الذكاء الاصطناعي التوليدي هو الفرع الإبداعي للذكاء الاصطناعي. فبدلاً من تصنيف الصور أو التنبؤ بالمبيعات، يتعلم من مجموعات ضخمة من النصوص والصور والتسجيلات الصوتية والبرمجيات، وينتج محتوى جديدًا يبدو وكأنه من صنع الإنسان. ويمكن لملاحظة واحدة أن تُنتج قصة قصيرة، أو صورة واقعية، أو لحنًا موسيقيًا، أو حتى برنامجًا يعمل بكفاءة.

يكمن سرّ هذه القدرة الإبداعية في النماذج الأساسية . وهي عبارة عن شبكات تعلّم عميق ضخمة تقضي أسابيع أو شهورًا في استيعاب المعلومات من الإنترنت العام، والأوراق العلمية، ومستودعات الشيفرة المصدرية، وغيرها. وبفضل اتساع نطاق بيانات التدريب، يستطيع نموذج أساسي واحد إنجاز العديد من المهام التي كانت حكرًا على أنظمة منفصلة ذات تدريب محدود.

ما هو نموذج المؤسسة؟
يبدأ النموذج الأساسي حياته كمتعلم عام. خلال مرحلة التدريب الأولي ، يدرس بيانات غير منظمة ويلتقط أنماطًا إحصائية: كيف تتتابع الكلمات، وكيف تتحد الأشكال لتكوين أجسام، أو كيف تشكل النوتات الموسيقية عبارات موسيقية. تعتمد هذه المرحلة على التعلم الذاتي، لذا يُعلّم النموذج نفسه دون أمثلة مصنفة. بعد التدريب الأولي، يمكن ضبط الشبكة نفسها بدقة على مجموعة بيانات أصغر خاصة بمهمة محددة - نص قانوني، أو صور طبية، أو شفرة مصدرية - بحيث تتحدث لغة مهنية أو تتبع قواعد مجال محددة بدقة.

كيف تدعم نماذج الأساس الذكاء الاصطناعي التوليدي
التدريب المسبق - يتم تدريب نموذج أساسي على كميات هائلة من البيانات غير المهيكلة (نصوص، صور، صوت، إلخ)، ويتعلم الأنماط والعلاقات الأساسية.
الضبط الدقيق – يمكن تخصيص النموذج لتطبيقات محددة عن طريق تدريبه على مجموعات بيانات أصغر خاصة بالمهام.
التوليد - بمجرد تدريب النموذج، يمكنه توليد محتوى جديد بناءً على المطالبات أو المدخلات.
أمثلة على نماذج التأسيس في الذكاء الاصطناعي التوليدي
GPT (المحول التوليدي المدرب مسبقًا) – يدعم الذكاء الاصطناعي القائم على النصوص، مثل ChatGPT، من خلال توليد ردود تشبه ردود الإنسان.
DALL·E & Stable Diffusion – توليد صور من أوصاف نصية.
Whisper – يحول الكلام إلى نص بدقة عالية.
Codex – يساعد في توليد التعليمات البرمجية المدعومة بالذكاء الاصطناعي.
لماذا تعتبر نماذج المؤسسات مهمة؟
تُساهم هذه التقنيات في جعل الذكاء الاصطناعي أكثر قابلية للتوسع ، وكفاءة ، وتعدد استخدامات ، مما يُتيح تكييف نموذج واحد عبر تطبيقات متعددة. ومع ذلك، فإنها تُثير أيضًا تحديات مثل التحيز، والمخاوف الأخلاقية، والتكاليف الحسابية العالية.

باختصار، تُعد النماذج الأساسية المحرك وراء الذكاء الاصطناعي التوليدي، مما يُغير طريقة إنشاء الآلات وتفاعلها مع البشر.

At the heard of every generative AI chatbot you've used -- ChatGPT, Bard, YouChat -- there's a foundation model responsible for its abilities. Watch to learn...

21/03/2026

ما هو"الذكاء الاصطناعي التوليدي"؟

الذكاء الاصطناعي التوليدي هو الفرع الإبداعي للذكاء الاصطناعي. بينما تقوم الأنظمة التقليدية بالتصنيف أو التنبؤ، تتعلم النماذج التوليدية من مجموعات ضخمة من النصوص والصور والتسجيلات الصوتية أو التعليمات البرمجية، ثم تُنتج مواد جديدة تمامًا تُحاكي المواد الأصلية. وقد تكون النتيجة فقرة نثرية، أو صورة واقعية، أو لحنًا موسيقيًا، أو جزءًا من التعليمات البرمجية.

يكمن جوهر طفرة التعلم التوليدي الحالية في شبكات التعلم العميق الضخمة المعروفة باسم النماذج الأساسية. ومن أكثرها شيوعًا نماذج المحولات، وهي بنية ظهرت عام ٢٠١٧ وتتميز بقدرتها الفائقة على اكتشاف الأنماط طويلة المدى في البيانات. فبعد تدريب مسبق مكثف على مصادر متنوعة، يستطيع نموذج محول واحد ترجمة وصفة طعام، وكتابة نسخة نباتية منها، واقتراح مكونات بديلة، كل ذلك بناءً على مدخلات مختلفة. وتقدم الشبكات التوليدية التنافسية (GANs) نهجًا آخر. إذ تجمع هذه الشبكات بين شبكتين: مولد يُنشئ عينات، ومميز يُقيّم مدى واقعيتها. وعلى مدار جولات عديدة، يتحسن أداء المولد حتى يصعب تمييز إبداعاته عن البيانات الحقيقية.

تشمل الاستخدامات الشائعة ما يلي:

توليد النصوص لبرامج الدردشة الآلية والمساعدين الافتراضيين ورواية القصص
توليف الصور والفيديو للأعمال الفنية، وتحرير الصور، وإنتاج التزييف العميق
تأليف الموسيقى والخطابات لكتابة الأغاني والتعليق الصوتي ذي الصوت الطبيعي
إكمال التعليمات البرمجية وتصحيح الأخطاء لتطوير البرامج بشكل أسرع
تأتي قوة الذكاء الاصطناعي التوليدي مصحوبة ببعض التحديات. فالتدريب يتطلب كميات هائلة من البيانات وأجهزة باهظة الثمن، وقد ترث المخرجات التحيزات أو تزيدها، كما يصعب تفسير النماذج المعقدة. ومع ذلك، فإن هذه التقنية تتطور بسرعة، وهي تُعيد تشكيل مجالات عديدة، من التعليم والترفيه إلى اكتشاف الأدوية وأبحاث المناخ.

هذا اختياري تمامًا، ولكن إذا كنت ترغب في رؤية شرح أوسع حول GenAI، فلا تتردد في مشاهدة أول 20 دقيقة من الفيديو التالي.

AWS GenAI Developer Day, San Francisco GenAI Loft, December 15th 2024Speaker: Mike Chambers, Senior Developer Advocate, AWSIntroduction to generative AI, its...

21/03/2026

1️⃣ المفاهيم الأساسية

AI – الذكاء الاصطناعي: الآلة تتصرف بذكاء

مثال: كاميرا تميز شخص

ML – التعلم الآلي: الجهاز يتعلم من البيانات بدل البرمجة اليدوية

مثال: نموذج يميز شخص وحيوان

DL – التعلم العميق: نوع متقدم من ML يعتمد على الشبكات العصبية

مثال: تحليل فيديوهات كاميرات

2️⃣ أنواع التعلم

Supervised Learning (خاضع للإشراف): بيانات + Labels → يتعلم

التوقعات

مثال: فيديوهات مكتوب عليها Person / Cat → النموذج يتعلم يميزهم

Unsupervised Learning (غير خاضع للإشراف): بيانات بدون Labels →

يكتشف الأنماط

مثال: تقسيم الحركات المختلفة في الفيديو بدون تصنيفات

Reinforcement Learning (المكافأة/العقاب): التعلم بالتجربة Reward / Penalty

مثال: روبوت يتعلم المشي أو تجنب العقبات

3️⃣ الشبكات العصبية Neural Networks
تحاكي الدماغ، كل عصبون = وحدة رياضية

الطبقات:

طبقة الإدخال → بيانات الفيديو / البكسل

طبقات مخفية → استخراج الميزات خطوة خطوة

طبقة الإخراج → تنبؤ نهائي (Person / Animal / Vehicle)

كيفية التعلم:

Forward Pass → تمرير البيانات

Backpropagation → تعديل الأوزان والانحياز لتقليل الخطأ

4️⃣ الفرق بين ML التقليدي وDeep Learning

ML التقليدي: يحتاج هندسة ميزات يدويًا، سهل وشفاف

Deep Learning: يتعلم الميزات تلقائيًا، معقد لكنه أقوى للصور

والفيديوهات

5️⃣ ربط بالمثال العملي

الفيديوهات = البيانات

نموذج ML / DL يتعلم يميز بين Person / Animal / Vehicle

نتائج النموذج → تنبيهات تلقائية عبر App أو AWS Lambda

رفع الفيديوهات + تخزين على S3 → تطبيق عملي على Cloud

6️⃣ المصطلحات والاختصارات اليوم

AI → الذكاء الاصطناعي → كاميرا تميز شخص

ML → التعلم الآلي → نموذج يميز شخص وحيوان

DL → التعلم العميق → تحليل فيديوهات كاميرات

Supervised → بيانات + Labels → تدريب نموذج Motion Detection

Unsupervised → بيانات بدون Labels → تجميع الحركات

Reinforcement → مكافأة/عقاب → روبوت يتعلم المشي

Neural Network → شبكة عصبية → التعرف على الحركة في الفيديو
7️⃣ أسئلة تثبيت اليوم

Supervised Learning = بيانات مع إجابات؟ ✅

Deep Learning يتعلم الميزات تلقائيًا؟ ✅

Reinforcement Learning = يعتمد على المكافأة/العقاب؟ ✅

8️⃣ ملاحظات إضافية

سجل كل فيديو طبقت عليه Motion Detection اليوم

دون أي صعوبة واجهتك أو فكرة جديدة

اربط كل مصطلح بمثال عملي → تثبيت أفضل للمعلومة

21/03/2026

محاضرات AWS / ML / CCTV

تحتها أقسام:

المفاهيم الأساسية

أنواع التعلم

الشبكات العصبية

الجانب العملي / التطبيق
أسئلة MCQ للتثبيت
ملاحظات إضافية / صعوبات
2️⃣ أضف المصطلحات والاختصارات في نفس الملاحظة
يمكنك عمل جدول صغير باستخدام النقاط أو الشرطات

مثال:

AI → الذكاء الاصطناعي → كاميرا تميز شخص

ML → التعلم الآلي → نموذج يميز شخص وحيوان

DL → التعلم العميق → تحليل فيديوهات كاميرات

3️⃣ ربط المعلومات بالأمثلة العملية

كل مصطلح → مثال عملي من شغلك على CCTV + Motion Detection + AWS

هتخلي كل مفهوم مرتبط بالعمل العملي → يثبت في دماغك بسرعة

4️⃣ إضافة مراجعات يومية

بعد الانتهاء من اليوم، أضف فقرة صغيرة:

ماذا فهمت اليوم

ماذا طبقت

أي صعوبة ظهرت

5️⃣ استمرارية المراجعة

كل يوم قبل الدراسة → افتح الملاحظة السابقة

راجع المصطلحات + الأمثلة العملية → تثبيت المعلومات