مصطلحات

باختصار الـ Synthetic Data بيانات تولّدها نماذج AI بدل جمعها من العالم الحقيقي — حل ذكي لشُح البيانات وحماية الخصوصية. بالتفصيل تدريب نماذج AI محتاج ملايين أو مليارات نقطة بيانات. المشكلة: البيانات الحقيقية أحياناً شحيحة أو حساسة أو مكلفة التجميع. Synthetic Data الحل: تستخدم نموذج AI (أو محاكاة) لتوليد بيانات اصطناعية تشبه البيانات الحقيقية في خصائصها. مستشفى عنده 1000 حالة …

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 …

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 …

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 …

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 …

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 …

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 …

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 …

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 …

باختصار الـ Decision Tree هو نموذج تعلم آلي بياخد قرارات عن طريق سلسلة أسئلة متفرعة زي الشجرة. كل سؤال بيوديك لفرع معين، ولحد ما توصل للنتيجة النهائية — زي لعبة “٢٠ سؤال” بالظبط. بالتفصيل تخيل إنك بتلعب لعبة مع صاحبك وهو مخبي حاجة وإنت بتسأله أسئلة عشان تعرفها. “هي حاجة حية؟” لو أه، “هي حيوان؟” لو أه، “بتمشي على أربعة؟” …