باختصار الـ Overfitting لما النموذج يحفظ بيانات التدريب عن ظهر قلب بدل ما يتعلم القواعد العامة — فبيفشل مع بيانات جديدة. بالتفصيل تخيل طالب حفظ إجابات 10 امتحانات قديمة كلها حرفاً حرفاً. لما وقف في امتحان بأسئلة مختلفة شوية، فشل — لأنه ما فهمش المادة، بس حفظ. الـ Overfitting بالظبط كده مع النماذج. النموذج بيتعلم «ضوضاء» التدريب وتفاصيل غير مهمة …
أكمل القراءة »
باختصار الـ Knowledge Distillation طريقة لتحويل نموذج ضخم وغالي التشغيل لنموذج أصغر وأسرع مع الاحتفاظ بمعظم ذكائه. بالتفصيل Knowledge Distillation أو «تقطير المعرفة» هو عملية بيكون فيها «نموذج مُعلّم» كبير يدرّب «نموذج طالب» أصغر. الفكرة مش بس إن الطالب يتقلّد إجابات المعلم الصح/غلط، لكن يتعلم كيفية تفكير المعلم — احتمالات كل إجابة وليس مجرد الإجابة النهائية. ده بيعطي الطالب معرفة …
أكمل القراءة »
باختصار الـ RLHF طريقة تدريب بتستخدم تقييمات بشرية لتعليم النموذج يطلع إجابات أحسن وأأمن وأكثر توافقاً مع تفضيلات الإنسان. بالتفصيل RLHF اختصار لـ Reinforcement Learning from Human Feedback. الفكرة إن النموذج بيولّد ردود متعددة، وبشر حقيقيين بيختاروا الأحسن، والنموذج بيتعلم منهم. العملية لها ثلاث مراحل: أولاً السؤال والإجابة العادية، ثانياً تدريب «نموذج المكافأة» على اختيارات البشر، وأخيراً استخدام Reinforcement Learning …
أكمل القراءة »
باختصار الـ RAG تقنية بتديك قدرة ربط النموذج اللغوي ببيانات خارجية حديثة — فيقدر يجاوب بدقة على أسئلة ما اتعلمهاش في تدريبه. بالتفصيل RAG اختصار لـ Retrieval-Augmented Generation. فكرته بسيطة: قبل ما النموذج يجاوب، بيدور في مصادر خارجية (وثائق، قاعدة بيانات، الإنترنت) وبيجيب المعلومة المناسبة، وبعدين بيولّد الإجابة بناءً عليها. النماذج اللغوية عندها تاريخ انتهاء (Knowledge Cutoff) — مش بتعرف …
أكمل القراءة »
باختصار الـ Quantization تقنية بتقلل حجم النموذج وتسرّع تشغيله عن طريق تبسيط الأرقام التي يخزّنها — مع خسارة بسيطة في الدقة. بالتفصيل النماذج الضخمة بتخزّن معاملاتها بدقة عالية (32-bit أو 16-bit). Quantization بتقلل الدقة دي (لـ 8-bit أو 4-bit) — زي ما لو حوّلت صورة من TIFF لـ JPEG. الصورة أصغر وتقدر تفتحها أسرع، مع فقدان طفيف في الجودة. عند …
أكمل القراءة »
باختصار الـ LoRA طريقة ذكية للـ Fine-tuning بتعدّل جزء صغير من النموذج بدل كله — أسرع وأرخص وبنفس الجودة. بالتفصيل LoRA اختصار لـ Low-Rank Adaptation. بدل ما تعدّل كل المليارات من المعاملات في النموذج الضخم، LoRA بتضيف «طبقات صغيرة» جانبية بتعلّم الفرق المطلوب. تخيل إنك بدل ما تعيد رسم لوحة كاملة، بتضيف طبقة شفافة فوقها بتحتوي التعديلات الجديدة. النموذج الأصلي …
أكمل القراءة »
باختصار الـ Transfer Learning هو استخدام معرفة نموذج تعلّمها من مشكلة ما وتطبيقها على مشكلة مختلفة. بالتفصيل لو بتتعلم العزف على البيانو من قبل، وقررت تتعلم الأورج — مش هتبدأ من الصفر. مهاراتك في قراءة النوتة والإيقاع هتنتقل. ده بالظبط الـ Transfer Learning. في AI، النماذج بتتدرب على مهام ضخمة عامة (زي قراءة مليارات الجمل) وبعدين بيتم نقل المعرفة دي …
أكمل القراءة »
باختصار الـ Fine-tuning هو عملية تدريب نموذج AI موجود على بيانات متخصصة عشان يبقى أحسن في مجال معين. بالتفصيل تخيل إنك اشتريت طباخ محترف تعلّم كل المطابخ العالمية — ده النموذج الأساسي. الـ Fine-tuning زي ما لو درّبته إضافياً على المطبخ المصري تحديداً لمدة شهر. النتيجة: طباخ يفهم كسبانة ومحشي أحسن من أي حد تاني. تقنياً، بتاخد نموذج ضخم زي …
أكمل القراءة »
باختصار: تقارير عديدة بتقول إن AI هيهدد مئات الملايين من الوظائف — بس الحقيقة أكثر تعقيداً من الأرقام المخيفة دي. تقرير McKinsey وGoldman Sachs قالوا إن 300 مليون وظيفة ممكن يتأثر بالأتمتة. لكن نفس التقارير بتقول إن AI هيخلق وظائف جديدة — في إدارة الـ AI وتدريبه والتحقق من نتائجه. الوظائف اللي بتعتمد على مهام روتينية ومتكررة (تحليل البيانات البسيط، …
أكمل القراءة »
باختصار: Google دمجت Gemini في Gmail وDocs وSearch وYouTube — وده بيغيّر إزاي تتعامل مع منتجات Google اللي بتستخدمها يومياً. في Gmail، Gemini بيقدر يلخّص الإيميلات الطويلة ويكتب ردود بناءً على سياق المحادثة. في Google Docs، بيقدر يعدّل الأسلوب ويقترح هيكل للمستند. في Search، بيدي إجابات مباشرة مع مصادر. الخطوة دي بتحول Google من محرك بحث لـ «مساعد ذكي شامل». …
أكمل القراءة »
قرمصيص للأخبار أخبار الذكاء الاصطناعي بالعربي