انتقل إلى المحتوى الرئيسي

EAU OPEN LEARNING · EOL-AIA-001

تقني متقدم · تدريب عملي مجاني

الذكاء الاصطناعي التطبيقي المتقدم: هندسة النماذج اللغوية وRAG والأتمتة الذكية

طوّر مشروع Atlas من هندسة البيانات وخطوط ML الأساسية إلى المخرجات المنظمة وRAG والتقييم وسير عمل يعتمد الموافقة البشرية، مع ربط كل ادعاء باختبار أو قيد موثّق.

مدى البرنامج

ابنِ نظام AI قابلًا للاختبار، لا مجرد عرض ناجح.

12 أسبوعًا · 24 ساعة مباشرة · نحو 24 ساعة تطبيق موجه. التقدير عبء تعلم وليس ساعات أكاديمية.

لمن البرنامج؟

  • ممارسو Python
  • متخصصو البيانات أو ML
  • المهندسون الراغبون في بناء أنظمة AI قابلة للاختبار

الاستعداد المطلوب

  • خبرة عملية في Python وبيئات Notebook
  • أساس سابق في ML الخاضع للإشراف والتقييم
  • القدرة على قراءة التوثيق التقني الإنجليزي
المشروع المتدرج من الأسبوع الثاني

Atlas

Atlas نموذج خدمة ثنائي اللغة يستخدم تذاكر اصطناعية للتصنيف واسترجاع المعرفة وصياغة ردود مسندة، مع موافقة بشرية إلزامية قبل أي إجراء.

ثلاث مراحل مترابطة

كل شهر يرفع مستوى القرار والتسليم.

الشهر الأول

الأساس

الأسابيع 1–4: تأسيس شخصي وبداية المشروع وضبط خط الأساس.

الشهر الثاني

البناء والاختبار

الأسابيع 5–8: تطبيق أعمق وقرارات موثقة واختبارات مرحلية.

الشهر الثالث

الدمج والتسليم

الأسابيع 9–12: دمج الأدلة، اختبار نقل المهارة والتسليم النهائي.

المنهج العام الكامل

اثنا عشر أسبوعًا، وتسليم واضح كل أسبوع.

اضغط على أي أسبوع لمراجعة الموضوع والتطبيق والتسليم. الحالات والبيانات التفصيلية الداخلية غير منشورة.

W01

صياغة المشكلة وبنية النظام

الموضوع: صياغة مشكلة خدمة فعلية، وتحديد خط أساس ومؤشرات نجاح وحدود المخاطر، ورسم بنية الحل.

التطبيق: Problem Canvas، اختبار خط أساس على 20 حالة اصطناعية، وبطاقة مخاطر AI.

التسليم: `W01_Problem_and_Evaluation_Card.pdf`.

W02

هندسة البيانات وبدء مشروع Atlas

الموضوع: فحص مجموعة تذاكر عربية/إنجليزية اصطناعية، وتوثيق عقد البيانات ومنع تسرب الحالات المتشابهة بين التقسيمات.

التطبيق: نطاق العميل، فحص schema والتكرار، قاموس البيانات، تقسيم group-aware وبطاقة البيانات.

التسليم: `W02_Data_Pipeline.ipynb + Data_Contract.md`.

W03

نموذج تصنيف أساسي وتحليل الأخطاء

الموضوع: بناء نموذج تصنيف نصي وتفسير Macro-F1 وRecall للفئات ومصفوفة الالتباس.

التطبيق: TF-IDF وتصنيف خطي، اختبار مجمّد، تصنيف أسباب الخطأ، مقارنة بخط أساس بسيط.

التسليم: `W03_ML_Baseline.ipynb + Model_Evaluation.pdf`.

W04

الذكاء الاصطناعي المسؤول وبوابة المرحلة الأولى

الموضوع: مراجعة الخصوصية وأداء العربية/الإنجليزية ومصدر البيانات والاستخدامات المستبعدة قبل قبول الخط الأساس.

التطبيق: بطاقة النموذج ومراجعة الشرائح وسجل المخاطر وقرار GO/CORRECT/HOLD.

التسليم: `W04_Model_Card.pdf + Risk_Decision_Log.xlsx`.

W05

النماذج التأسيسية والمخرجات المنظمة

الموضوع: تصميم عقد مخرجات النموذج اللغوي والتحقق من Schema والمعنى والتعامل مع الفشل والامتناع.

التطبيق: إصدار Prompt، مخطط JSON محدد، واختبارات فشل المخرجات والتعارض مع السياسة.

التسليم: `W05_Structured_Output.ipynb + Validation_Results.csv`.

W06

إعادة التنفيذ وMLOps والتتبع

الموضوع: تحويل Notebook إلى Pipeline قابل للتكرار، مع اختبارات وإصدارات إعدادات وسجلات تراعي الخصوصية.

التطبيق: تشغيل من بيئة نظيفة، توثيق dependencies، Timeout/Retry، بديل mock وسجل خالٍ من الأسرار.

التسليم: `W06_Reproducible_Pipeline.zip + Run_Manifest.json`.

W07

هندسة RAG والإسناد إلى المصادر

الموضوع: بناء مساعد يسترجع المعرفة المعتمدة، وينتج مسودة ذات مصادر ونسخ صحيحة أو يمتنع عند غياب السند.

التطبيق: تقسيم الوثائق، خط استرجاع أساسي، معرفات المصدر، قابلية الإجابة وRecall@k.

التسليم: `W07_RAG_System.ipynb + Retrieval_Evaluation.csv`.

W08

مدخلات متعددة الوسائط وتقييم النسخة الأولى

الموضوع: معالجة حالة واحدة محددة لمستند ممسوح وتقييم عدم اليقين في الاستخراج والأخطاء المتسلسلة.

التطبيق: مسح اصطناعي، استخراج/OCR مع بديل نصي، تعليق الحالات غير الموثوقة، وتقييم V1.

التسليم: `W08_Multimodal_Review.pdf + System_V1_Scorecard.xlsx`.

W09

تنسيق سير العمل والموافقة البشرية

الموضوع: ربط التصنيف والاسترجاع والتوليد في Workflow ذي حالات واضحة وموافقة بشرية ملزمة.

التطبيق: آلة حالات، قائمة أدوات مسموحة، تحويل الحالات الحساسة، معالجة آمنة للفشل ومنع الإرسال التلقائي.

التسليم: `W09_Atlas_Workflow.zip + Routing_Test_Results.csv`.

W10

تقييم الجودة والتجارب واقتصاديات المنتج

الموضوع: مقارنة خط الأساس بالنظام الجديد على اختبار ثابت يشمل الدقة والإسناد والامتناع والكمون والتكلفة المقاسة.

التطبيق: لوحة نتائج، أخطاء الشرائح، خطة مقارنة A/B، والفصل بين تكلفة مقاسة وتقديرية.

التسليم: `W10_Evaluation_Report.pdf + Frozen_Scorecard.csv`.

W11

الصلابة والأمان وتجهيز تسليم العميل

الموضوع: اختبار حقن التعليمات والأسئلة غير المدعومة والمصادر المنتهية والقرارات الحساسة، وتجهيز نسخة تدريبية قابلة لإعادة التشغيل.

التطبيق: حالات أمان وسجل حدود ومخاطر وREADME وخطوات تشغيل وتسليم عميل.

التسليم: `W11_Release_Candidate.zip + Safety_Results.csv`.

W12

اختبار نقل المهارة وتسليم المشروع النهائي

الموضوع: حل حالة فردية جديدة، ثم مناقشة Prototype الجماعي ونتائج الاختبارات وحدود الاستخدام.

التطبيق: حالة جديدة مغلقة، قرار مدعوم بمصدر، تصعيد، عرض مشروع وحزمة استلام العميل.

التسليم: `W12_Individual_Transfer_Test + Final_Atlas_Pack`.

ملفك التطبيقي

ما الذي ستوثقه خلال المسار؟

الأدوات: Python وNotebooks وأدوات ML مفتوحة المصدر مع بديل mock/provider معتمد؛ لا اشتراك API أو GPU مدفوع إلزامي.

الحدود المهنية: نموذج اختباري مضبوط، وليس نشرًا إنتاجيًا غير مراقب أو تدريب نموذج من الصفر أو ضمانًا للجاهزية التجارية.

  • نموذج Sandbox قابل للتشغيل مع README
  • عقد بيانات وبطاقة نموذج
  • لوحة تقييم وتحليل فشل
  • سجلات إسناد وامتناع RAG
  • سير مراجعة بشرية وأمان

أسئلة مهمة

اعرف الحدود قبل أن تختار.

هل يناسب المبتدئ تمامًا؟

لا؛ يفترض خبرة عملية في Python وأساسًا في ML حتى يركز الوقت المباشر على الهندسة والتقييم.

هل يرسل النظام رسائل تلقائيًا؟

لا؛ يفرض التصميم التعليمي موافقة بشرية صريحة ويستخدم مواد اصطناعية أو مصرحًا بها.

EAU OPEN LEARNING

راجع التفاصيل، ثم ابدأ طلبك المجاني.

هذا تدريب مجاني غير مانح لدرجة أو ساعات أكاديمية. لا يُنشئ رقمًا جامعيًا ولا يتطلب دفعًا، ويظل تجهيز Moodle يدويًا بعد قبول طلب التدريب.