https://www.facebook.com/522128761215486/

بالعربي Ai Magazine, Tunis (2025)

15/06/2025

في زمن بقى فيه كل التركيز على العميل، فكرة إن الـForecasting يكون مجرد أرقام وـExcel Sheets بقت قديمة. دلوقتي، ما ينفعش نسأل "هنبيع قد إيه؟"، لكن السؤال الصح بقى "مين اللي هيشتري؟ وهيشتري إمتى؟ وليه؟".

الشركات النهاردة بتتجه لنموذج اسمه Customer-Centric Forecasting، واللي معناه إن كل خطوة في التنبؤ بالمبيعات لازم تبقى مبنية على فهم حقيقي لسلوك العميل، مش بس على تاريخه في الشراء.

واحدة من أهم الركائز اللي بتخلي النموذج ده قابل للتطبيق هي وجود Historical Data قوية وكافية. لأن من غير سجل واضح لتصرفات العملاء ومعاملاتهم وسلوكهم عبر الزمن، التوقعات بتكون أضعف وأقل دقة.

من خلال استخدام Machine Learning Algorithms، الشركات بقت تقدر تقسم العملاء حسب تصرفاتهم الشرائية: زي العملاء اللي بيشتروا بانتظام، أو اللي دايمًا مستنين خصومات، أو اللي سلوكهم بيشير إنهم ممكن يتوقفوا عن التعامل قريب. النوع ده من التحليل بيساعد في فهم أعمق لطريقة تفكير العميل.

الأدوات المتطورة بقت بتركز على توقع الـ Next Purchase Date، وتقدير Customer Lifetime Value (CLV)، وتحديد احتمالية الـ Churn، وكمان فرص الـ Upsell وCross-sell. كلها مش مجرد أرقام، دي رؤى بتساعد الشركات تاخد قرارات دقيقة ومبنية على فهم حقيقي للسوق.

كمان، التحليل مش بيعتمد بس على الأرقام، لكن على صوت العميل كمان، من مصادر زي الـ CRM Systems، وتحليلات المواقع والتطبيقات، ومحادثات خدمة العملاء، وحتى من تعليقات المستخدمين على الشات. استخدام تقنيات زي NLP وSentiment Analysis بيساعد الشركات تفهم مشاعر العميل، مش بس كلامه.

النتيجة؟ تحسين ملحوظ في دقة التنبؤات، وزيادة في الـConversion Rates، وانخفاض في تكلفة اكتساب العملاء (CAC).

بس علشان النموذج ده يشتغل بكفاءة، لازم يكون فيه بنية تحتية قوية للبيانات، زي CDP وData Lake، وكمان لازم يتم التعامل بوعي مع تحديات زي الـ AI Bias، والالتزام بقوانين الخصوصية زي GDPR، حفاظًا على ثقة العملاء.

التحول من "هنبيع إيه؟" لـ "مين هيشتري؟ وليه؟ وإمتى؟" هو اللي بيخلي التنبؤ بالمبيعات أداة استراتيجية حقيقية في أي بزنس بيشتغل بذكاء واهتمام بالعميل.

28/01/2025

تراجع صادم لقيمة نفيديا في السوق!
في ظل نجاح DeepSeek التي أصبحت تنافس شركات الذكاء الاصطناعي الكبرى مثل OpenAI و Anthropic، من الجدير بالذكر أن هذه الشركة الصينية قامت بتدريب نموذجها باستخدام حوالي 2000 شريحة ضعيفة الكفاءة، مقارنةً بـ 16,000 شريحة متطورة من NVIDIA عادةً ما تتطلبها النماذج الأمريكية!
هذه التطورات أثارت تحولاً في الأسواق المالية، حيث شهدت أسهم NVIDIA انخفاضاً مُفجعاً بنسبة 12%، وذلك يعكس مخاوف السوق بشأن تراجع عوائد الشركة إن تحول توجه الشركات المنشئة لبرمجيات الذكاء الاصطناعي إلى رفع الكفاءة وتقليل التكاليف

25/01/2025

الAI Agents: ثورة جديدة في تعاملنا مع الذكاء الاصطناعي و التكنولوجيا

ال (Agents IA) نسمعو بيهم عندنا مدة و مازلنا باش نسمعو عليهم أكثر في المستقبل. Des agents باش يغيرو في طريقة تعاملنا مع التكنولوجيا والخدمات الرقمية. بخلاف الأنظمة التقليدية اللي تقتصر على إجابات مبرمجة أو مهام محددة، الagents هاذم يجمعو بين الفهم الطبيعي للغة، الMachine Learning، و ما يسمى بالContextual Thinking باش تكون فما تجربة fluide و efficient. بعبارة أخرى دور الAI Agens ما يقتصرش على الإجابة أكهو، بل تتوقع، تحلل، وتنظم عمليات معقدة في وسط connected environments.

الAI Agents باش تلعب دور كبير في برشة مجالات. في الخدمة، تنجم تحلل بيانات معقدة وتنظم مشاريع. للمستعمل العادي، تسهّل استخدام التكنولوجيا كيما الSmartphone أو Smart Galsses وتجعلها أكثر سهولة. تزيد في الproductivity وتوفر تجربة شخصية على القياس الي يحب عليه كل مستعمل.

اليوم مش صدفة انه زوز شركات يعلنو على الAgents متاعهم. قوة الزوز شركات هاذم تورينا انه الحكاية حكاية وقت قبل ما يوليو الAI Agents في قلب الخدمة متاع برشا شركات. زوز AI Agents اكتشفناهم اليوم: Operator من OpenAI وPerplexity Assistant من عند Perplexity، وكل واحد فيهم عنده رؤية مختلفة ومتكاملة لمستقبل المساعدات الذكية (AI Agents للles intimes).

🔴 نبداو مع Operator من OpenAI:

لانصاته OpenAI مبدئيا في أمريكيا و يخدم فقط عند الناس الي عندهم Chat GPT Pro ب 200 دولار في الشهر.
يخدم ك interface متطورة بين المستخدم والتكنولوجيا اللي يستعملها. الدور الأساسي متاعه هو الintegration و التنظيم متاع مختلف الأدوات والخدمات في نظام رقمي. Operator ما يقتصرش على الإجابة على أسئلة بسيطة، نجمو نقولو يخدم كـ"مدير ذكي" ينجم ينظم عمليات معقدة.

يعتمد على GPT ماهكا يخليه يفهم أوامر معقدة، يربط الcontexte، ويعطي إجابات دقيقة و personnalisées. مثلا Operator ينجم يحلل des databases، يعمل reports في وقت قياسي، ينظم مواعيد الاجتماعات حسب وقت الأشخاص. ومع خاصية ال continuous learning، يتأقلم مع les préférences متاع كل مستعمل ويعطيه تجربة على قياسه. هذا بالطبيعة إضافة إلى استعمالات أخرى تتأقلم أكثر حسب استعمال الشخص.

🔴 أما بالنسبة لPerplexity Assistant اللي طورته شركة Perplexity، هوني نحكيو على تجربة مغاير للAgent هذا الي أعلنت عليه بربلكسيتي اليوم. الAgent هذا يركز على تسهيل الوصول للمعلومة. هذاكا علاش هو designed باش يعطي إجابات سريعة ودقيقة، ويعتمد على مصادر موثوقة ومتحقق منها. بخلاف المساعدات الأخرى اللي تعطي إجابات عامة، Perplexity Assistant يهتم بتقديم مراجع واضحة، وهذا يعزز الثقة بينه وبين المستخدم. نفس التمشي الي يخدم بيه الmoteur de recherche.

واحدة من نقاط القوة متاع Perplexity Assistant هي قدرته على البحث في temps réel على الإنترنت أو في databases معينة. مثلا، ينجم يحلل وثائق تقنية، يجاوب على أسئلة دقيقة، أو يفسر مواضيع معقدة مع تقديم المصادر اللي اعتمد عليها. هذا يجعله مفيد للمهنيين، الباحثين، وحتى الصحفيين اللي يلزمهم معلومات دقيقة في وقت قصير.

الي يعجب زادة هو انه Perplexity Assistant سهل الاستخدام. متوفر حاليا في Android و بلاش، ويعمل كأداة مساعدة سريعة وموثوقة من غير ما يلزم إعدادات معقدة.

التجربة مع Operator وPerplexity Assistant مختلفين و لكن يوريو شنوه انجمو نعيشو مع الAI Agents في المستقبل وقتها يكثرو و يتطورو أكثر. Operator يركز على التنسيق والتسيير في environnement complexe، بينما Perplexity Assistant مختص في الوصول السريع والدقيق للمعلومة. مع بعضهم، يوريوا كيفاش الAI Agents ينجموا يخدمو مع احتياجات مختلفة، سواء لتسهيل الحياة اليومية، اتخاذ قرارات صعبة، أو توفير معرفة معمقة.

14/01/2025

# دليل الممارسات المثلى لأنظمة استرجاع المعلومات (RAG)

تعد أنظمة استرجاع المعلومات (RAG) ضرورية لإدارة واستخراج المعلومات ذات الصلة من كميات كبيرة من البيانات. إليك نظرة عامة على الممارسات المثلى، مع أمثلة لتسهيل الفهم.

# # 1. Chunking

# # # ما هو؟
الـ *chunking* هو عملية تقسيم الوثائق إلى أجزاء أصغر لتسهيل معالجتها.

# # # مثال
لنأخذ وثيقة تحتوي على 1000 كلمة. بدلاً من معالجة الوثيقة بالكامل، يمكنك تقسيمها إلى مقاطع من 200 كلمة. هذا يساعد في إدارة المعلومات بشكل أفضل وتحسين دقة النتائج.

# # 2. Embeddings

# # # ما هو؟
الـ *embeddings* هي تمثيلات عددية للكلمات أو العبارات التي تلتقط معناها في السياق.

# # # مثال
استخدم نموذج مثل Word2Vec لتحويل كلمة "كلب" إلى متجه يقع بالقرب من متجه "حيوان" في الفضاء العددي، مما يشير إلى علاقة دلالية.

# # 3. Vector Store

# # # ما هو؟
الـ *vector store* هو قاعدة بيانات تخزن هذه الـ embeddings للبحث السريع والفعال.

# # # مثال
يمكن استخدام قاعدة بيانات مثل FAISS لفهرسة والبحث عن الـ embeddings بسرعة، مما يسمح بإجراء استفسارات فعالة على كميات كبيرة من البيانات.

# # 4. Query Processing

# # # ما هو؟
معالجة الاستفسارات تتضمن تحليل وتحويل استفسارات المستخدمين إلى تنسيق يمكن للنظام فهمه.

# # # مثال
تحويل الاستفسار "أفضل مطعم إيطالي" إلى سلسلة من الكلمات الرئيسية ذات الصلة للبحث في قاعدة البيانات.

# # 5. Reranking

# # # ما هو؟
الـ *reranking* هو عملية إعادة تقييم نتائج البحث لتحسين الصلة.

# # # مثال
بعد الحصول على النتائج الأولية، استخدم نموذج لغة لإعادة ترتيب النتائج بناءً على الصلة بالنسبة للاستفسار الأصلي.

# # 6. Fine Tuning

# # # ما هو؟
الـ *fine tuning* هو عملية ضبط نموذج مدرب مسبقًا على مجموعة بيانات معينة لتحسين أدائه.

# # # مثال
خذ نموذج لغة عام وقم بتعديله على مجموعة من مراجعات الأفلام لفهم المصطلحات الخاصة بهذا المجال بشكل أفضل.

# # 7. Summarization

# # # ما هو؟
الـ *summarization* هو عملية تكثيف مستند إلى النقاط الرئيسية فيه.

# # # مثال
استخدم نموذج مثل BART لتلخيص مقال بحثي في بضع جمل، مع الاحتفاظ بالأفكار الرئيسية.

# # 8. Evaluation

# # # ما هو؟
التقييم يتضمن قياس أداء النظام باستخدام مقاييس محددة.

# # # مثال
استخدم مقاييس مثل الدقة، الاسترجاع، وF1-score لتقييم صلة النتائج المقدمة من النظام.

# # 9. LLM Integration

# # # ما هو؟
دمج نماذج اللغة (LLM) يساعد في تحسين الفهم وتوليد النصوص في النظام.

# # # مثال
قم بدمج GPT-4 لتوليد ردود أكثر طبيعية وذات صلة على استفسارات المستخدمين.

# # 10. Query Classification

# # # ما هو؟
تصنيف الاستفسارات يتضمن تصنيف الاستفسارات بناءً على نوعها أو نيتها.

# # # مثال
يمكن تصنيف استفسار مثل "أفضل المطاعم" تحت فئة "التوصيات"، بينما يمكن تصنيف "مواعيد العمل" تحت "المعلومات العملية".

# # 11. Repacking

# # # ما هو؟
الـ *repacking* يشير إلى إعادة تنظيم الـ chunks لتحسين كفاءة الاستفسارات.

# # # مثال
إذا كانت هناك عدة chunks تحتوي على معلومات حول نفس الموضوع، قم بتجميعها لتقليل وقت البحث.

# # 12. Hybrid Search

# # # ما هو؟
البحث الهجين يجمع بين الأساليب المعتمدة على الكلمات الرئيسية والـ embeddings لتحسين دقة النتائج.

# # # مثال
استخدم الكلمات الرئيسية لإجراء بحث أولي، ثم طبق الـ embeddings لتحسين النتائج بناءً على التشابه الدلالي.

# # الخاتمة

من خلال تطبيق هذه الممارسات المثلى، يمكنك بناء نظام استرجاع معلومات فعال ودقيق. تساهم كل من هذه التقنيات في تحسين جودة النتائج وتوفير تجربة مستخدم أفضل.

25/12/2024

قابلية التفسير (Explicability) في الذكاء الاصطناعي: التحديات والآفاق
في عالم الذكاء الاصطناعي (Artificial Intelligence - AI)، تبرز قابلية التفسير (Explicability) كأحد أهم المحاور التي تُناقش في الأوساط التقنية والأكاديمية. هذا المصطلح يشير إلى قدرة النظام الذكي على شرح وتوضيح الأسس التي استند إليها لاتخاذ قرار معين أو تقديم توصية ما. مع التطور السريع لتقنيات الذكاء الاصطناعي، أصبحت هذه السمة ضرورية لضمان الشفافية، الثقة، والامتثال للأطر القانونية.

ما هي قابلية التفسير (Explicability)؟
تعرف قابلية التفسير (Explicability) بأنها القدرة على فهم وتوضيح طريقة عمل النموذج أو النظام الذكي، بما يشمل العمليات الداخلية والخوارزميات المستخدمة لاتخاذ القرارات. تُعتبر هذه الخاصية محورية في الأنظمة المعتمدة على التعلم العميق (Deep Learning) والتعلم الآلي (Machine Learning)، حيث تتميز تلك الأنظمة بتعقيدها وصعوبة فك شيفرة كيفية الوصول إلى نتائج معينة.

أهمية قابلية التفسير (Explicability)
الشفافية (Transparency): تمنح قابلية التفسير المستخدمين القدرة على رؤية كيف تعمل الأنظمة، مما يضمن الوضوح والشفافية في العمليات.
الثقة (Trustworthiness): تعتبر الثقة في الأنظمة الذكية عاملاً حاسمًا في اعتمادها على نطاق واسع. عندما يفهم المستخدم أو المطور كيفية اتخاذ القرارات، تزداد الثقة بالنظام.
الامتثال (Compliance): تتطلب العديد من التشريعات مثل اللائحة العامة لحماية البيانات (GDPR) أن تكون قرارات الأنظمة قابلة للتفسير، خصوصًا عندما تؤثر على الأفراد.
الكشف عن الانحيازات (Bias Detection): تساعد قابلية التفسير على الكشف عن الانحيازات الموجودة في البيانات أو الخوارزميات، وبالتالي تحسين العدالة (Fairness).
التحديات التقنية لقابلية التفسير (Explicability)
على الرغم من أهميتها، تواجه قابلية التفسير عقبات تقنية تتطلب حلولًا متقدمة:

تعقيد النماذج (Model Complexity): الأنظمة مثل الشبكات العصبية العميقة (Deep Neural Networks) يصعب تفسيرها نظرًا لتعقيدها العالي وعدد الطبقات الهائل.
التضحية بالأداء (Performance Trade-off): غالبًا ما تتطلب النماذج القابلة للتفسير تبسيطًا قد يقلل من دقتها مقارنة بالنماذج الأكثر تعقيدًا.
تفاوت احتياجات المستخدمين (User Needs): تختلف مستويات التفسير المطلوبة بين المستخدمين، مثل المطورين، صناع القرار، والمستخدمين النهائيين.
طرق تحسين قابلية التفسير (Explicability)
تسعى الأبحاث التقنية إلى تعزيز قابلية التفسير باستخدام أساليب متعددة، منها:

النماذج القابلة للتفسير بطبيعتها (Interpretable Models): مثل الأشجار القرار (Decision Trees) والنماذج الخطية (Linear Models).
الشروح المحلية (Local Explanations): مثل تقنيات LIME وSHAP التي تتيح تفسير القرارات على مستوى عينات محددة.
التصورات البيانية (Visualizations): أدوات لعرض عمليات النموذج ونتائجه بشكل مبسط وواضح.
التفسيرات بالاعتماد على السمات (Feature Attribution): التي تُبرز دور كل متغير في القرار النهائي للنظام.
مستقبل قابلية التفسير (Explicability)
مع زيادة الاعتماد على الأنظمة الذكية في مجالات حيوية مثل الرعاية الصحية، التمويل، والقانون، ستظل قابلية التفسير (Explicability) محورًا أساسيًا لتطوير الثقة والاعتمادية. الابتكارات مثل الذكاء الاصطناعي القابل للتفسير (Explainable AI - XAI) تسعى إلى سد الفجوة بين التعقيد التقني والاحتياجات البشرية لفهم القرارات.

14/12/2024

أسباب نهاية نماذج اللغة الكبيرة (LLM): تحديات وواقع جديد
شهدت نماذج اللغة الكبيرة (LLMs) مثل GPT وBERT تطورات مذهلة في السنوات الأخيرة، مما جعلها أدوات أساسية في العديد من التطبيقات، من الذكاء الاصطناعي التوليدي إلى تحليل البيانات والتفاعل مع اللغة البشرية. ومع ذلك، هناك إجماع متزايد بين خبراء الذكاء الاصطناعي على أن هذه النماذج قد بلغت حدودها التوسعية. تصريحات مثل تلك التي أدلى بها إيليا سوتسكيفر (Ilya Sutskever)، المؤسس المشارك لـ OpenAI، وألكسندر وانغ (Alexandr Wang) من Scale AI، تشير إلى وجود عقبات جوهرية تهدد استمرار تقدم هذه النماذج بالوتيرة التي عهدناها.

الأسباب الرئيسية لنهاية تطور نماذج LLM
1. نقص البيانات عالية الجودة
ندرة البيانات الموثوقة: يعتمد تدريب نماذج LLM على كميات ضخمة من البيانات النصية عالية الجودة. ومع توسع النماذج، أصبحت مصادر البيانات الجيدة تنضب، مما يعني أن النماذج تعتمد بشكل متزايد على بيانات منخفضة الجودة أو مكررة.
محدودية البيانات الاصطناعية: بينما كان يُنظر إلى البيانات الاصطناعية كحل مستقبلي، فإنها لم تفِ بوعودها بعد. غالبًا ما تكون هذه البيانات منحازة أو تفتقر إلى التعقيد اللازم لتطوير نماذج أذكى.
2. تحديات الحوسبة وزيادة التكاليف
القدرات الحاسوبية لا تواكب: مع تضاعف أحجام النماذج، أصبح تدريبها أكثر تكلفة من الناحية الحاسوبية. حتى مع التطورات في المعالجات المخصصة مثل GPU وTPU، فإن التكاليف تتجاوز العائد الفعلي.
البصمة البيئية: يتزايد القلق بشأن الأثر البيئي للطاقة المطلوبة لتدريب النماذج الضخمة، مما يحد من استدامة هذا النهج على المدى الطويل.
3. قيود البنية الحالية للنماذج
اعتماد مفرط على Transformers: على الرغم من نجاح بنية Transformer، إلا أن اعتمادها كنموذج أساسي أدى إلى تشبع الابتكار. تحتاج الصناعة إلى اكتشاف بنى جديدة تتجاوز قيود التصميم الحالي.
محدودية التعميم: نماذج LLM تواجه صعوبة في التعميم عند مواجهة سياقات جديدة أو بيانات خارج نطاق التدريب.
4. تراجع الابتكار في تقنيات التدريب
نهاية قوانين التوسع: تشير تصريحات إيليا سوتسكيفر إلى أن زيادة حجم النماذج (المعروفة بقانون التوسع) لم تعد تحقق نفس المكاسب التي حققتها سابقًا.
نقص التحسينات الثورية: الأساليب التقليدية لتحسين أداء النماذج، مثل التكرار على نفس البنية مع المزيد من البيانات، لم تعد فعالة.
5. عدم استيعاب الأسواق
عدم فهم التطبيقات العملية: على الرغم من قوتها، لم تستطع الأسواق استيعاب الإمكانيات الكاملة لهذه النماذج بعد، مما يعيق تبنيها في التطبيقات اليومية.
التحديات الأخلاقية والقانونية: مخاوف مثل الخصوصية، التحيز، وسوء الاستخدام تُعقّد تبني النماذج على نطاق واسع.
ما هو المستقبل؟
1. التركيز على الاستفادة من النماذج الحالية
بدلاً من السعي المستمر لتطوير نماذج أكبر، ستعمل الشركات على تحقيق الفوائد الحقيقية من النماذج الحالية من خلال:

تحسين التكامل مع الأنظمة القائمة.
التركيز على التطبيقات المخصصة التي تضيف قيمة حقيقية.
2. البحث عن بنيات جديدة
من المتوقع أن تركز الأبحاث المستقبلية على تطوير بنيات جديدة تتجاوز قيود Transformer، مع التركيز على:

نماذج صغيرة وأكثر كفاءة.
الاعتماد على الذاكرة الطويلة وتحسين فهم السياقات.
3. استكشاف أساليب تدريب مبتكرة
تدريب متعدد الوسائط: الجمع بين البيانات النصية، الصور، الفيديوهات، وغيرها لتحسين الأداء.
نماذج ذكاء اصطناعي هجينة: دمج القدرات الرمزية والتعلم العميق لتجاوز قيود النماذج الحالية.
4. حل مشكلات البيانات
استثمار أكبر في تقنيات توليد البيانات الاصطناعية عالية الجودة.
التركيز على تنسيق وتنظيف البيانات الموجودة.
5. تطوير أطر عمل مستدامة
تطوير أطر عمل تأخذ في الاعتبار التكلفة والبيئة، مما يساعد في تقليل الأثر السلبي لاستخدام النماذج الضخمة.

نماذج LLM ليست "نهاية الطريق" للذكاء الاصطناعي، لكنها تواجه حاليًا تحديات تتطلب إعادة تقييم شاملة للاتجاهات السائدة. الابتكار في البنى، تحسين تقنيات التدريب، والتوجه نحو الاستخدامات العملية سيحدد مستقبل هذه النماذج. الذكاء الاصطناعي ليس على وشك الانتهاء، بل يقف على أعتاب مرحلة جديدة من النضج والتحول.

12/12/2024

جيميني Gemini 2 : النموذج الجديد للذكاء الاصطناعي من جوجل
أعلنت جوجل عن إطلاق نموذج Gemini 2، الذي يمثل الجيل الجديد من تقنيات الذكاء الاصطناعي. يجمع هذا النموذج بين قدرات Large Language Models (LLMs) وإمكانيات Multimodal Integration، مما يسمح له بمعالجة النصوص والصور والفيديوهات بشكل متزامن.

الميزات التقنية لجيميني 2 Gemini :
1. الدمج متعدد الوسائط (Multimodal Integration)
القدرة على فهم وتحليل النصوص والصور والفيديوهات في وقت واحد.
تطبيقات في مجالات مثل التعليم، الطب، والتجارة الإلكترونية.
2. نماذج اللغة الكبيرة (LLMs)
معالجة النصوص بفعالية باستخدام تقنيات Natural Language Understanding (NLU).
دعم Few-shot Learning لتقليل الحاجة إلى بيانات تدريب مكثفة.
نماذج متقدمة للمحادثات (Conversation Modeling).
3. التعلم العميق (Deep Learning)
تحسين الأداء باستخدام Transformer Architectures.
تقنيات Fine-tuning لتخصيص النموذج لمهام محددة.
4. الأمان والخصوصية (Security and Privacy)
تقليل الانحياز (Bias Mitigation).
دعم حماية البيانات باستخدام تقنيات Federated Learning.

09/12/2024

هل أصبح الذكاء الاصطناعي يفكر مثل البشر؟
على الرغم من ارتفاع العديد من الأصوات التي تنادي بالتمهل في تطوير نماذج الذكاء الاصطناعي، فإن شركة أوبن أيه أي لا تزال تعمل على إصدار النماذج الجديدة بوتيرة متسارعة قد تبدو مخيفة ومثيرة للقلق وأحد ابتكاراتها الأخيرة هو إطلاق نموذج ذكاء اصطناعي جديد يُسمى (01) الذي يمكنه التفكير مثل البشر بحسب وصف الشركة.
وقد أظهرت الاختبارات أن النموذج الجديد يتفوق بشكل كبير على النموذج الحالي 4-ChatGPT في العديد من المجالات، بسبب خوارزميته الجديدة تماماً، والتي تسمح بتقديم إجابات على مستوى الخبراء ومطابقة إجابات الأشخاص الحاصلين على درجات علمية متقدمة في المجالات المتخصصة.
على سبيل المثال حتى عندما يرتكب المستخدمون أخطاء معقدة لا يتعرف عليها سوى الناطقين بها ، يشرح النموذج بوضوح أن ما كتب غير صحيح، وهو أمر لا يمكن لأي أداة موجودة الآن القيام به.
علاوة على ذلك، يمكن للنموذج أن يحل الألغاز المنطقية على مستوى البشر نفسه أو حتى أفضل، من خلال معالجة المشكلة أولاً ثم تجربة طرق مختلفة للحل ثم تقديم الحل الصحيح في النهاية.
هذا التطور الكبير في قدرات النموذج المتاح حالياً لمشتركي الخدمة المدفوعة تشات جي بي تي بلس ChatGPT Plus) وعبر واجهة برمجة التطبيقات يُعد إنجازاً كبيراً، ويفتح آفاقاً لانهاية لها في كيفية تأثير نماذج الذكاء الاصطناعي في العديد من المجالات، ويُعد خطوة كبيرة إلى الأمام في تكنولوجيا معالجة اللغة الطبيعية ووضع معايير جديدة لمدى جودة ومقدار ما يمكن الذكاء الاصطناعي القيام به.

06/12/2024

ميتا تطلق نموذجها الجديد Llama 3.3 مفتوح المصدر 🤯

✴️ يتفوق على Gpt-4o وبتكلفة أقل بـ 25X مرة.

✴️ يقارن بنماذج بقدرات أعلى مثل 405B، لكنه يستخدم عددًا أقل من المعاملات (70B) بنسبة 6 أضعاف أقل.

✴️ تحسين نتائج توليد الأكواد بنسبة تصل إلى 7.9%.

✴️ ارتفاع دقة الاستنتاج الرياضي بنسبة 9%.

✴️ أداء متميز مع تحسين دقة الترجمة والمهام متعددة اللغات بنسبة 4.2%.

متاح الآن!

🔗 قم بتنزيله من Meta:
https://lnkd.in/g8FPekyD

🔗 على Hugging Face:
https://lnkd.in/gf5KexcB
🔗 استكشف بطاقة النموذج:
https://lnkd.in/gsDKwy9j

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

05/12/2024

"أريد من الذكاء الاصطناعي أن يقوم بغسيل ملابسي وأطباقي حتى أتمكن من القيام بالفن والكتابة، وليس أن يقوم الذكاء الاصطناعي بالفن والكتابة بدلاً مني" كتبت الكاتبة والمشجعة للألعاب الإلكترونية جوانا ماتشيفسكا هذه الجملة المعبرة.

الإبداع هو جزء من هوية الإنسان. فهو يعكس مشاعره، أفكاره، وتجربته الفريدة في الحياة. بينما يمكن للذكاء الاصطناعي أن ينتج نصوصًا أو أعمالًا فنية تبدو إبداعية على السطح، إلا أن هذا الإنتاج يفتقر إلى العاطفة البشرية والروح التي تجعل العمل الفني أو الأدبي عميقًا ومؤثرًا. الكاتبة ماتشيفسكا تعبر عن هذا الشعور بوضوح، حيث ترى أن الإبداع والفن هما امتداد لطبيعتها الإنسانية، وليسا مجرد منتج تقني يمكن استبداله.

على الجانب الآخر، يمكن للذكاء الاصطناعي أن يكون أداة قوية لدعم الإنسان، لا سيما في المهام الروتينية التي تستهلك الوقت والطاقة. تنظيف المنزل، تحضير الطعام، إدارة الجداول الزمنية، وحتى اقتراح أفكار بناءً على بيانات سابقة، هي مهام يمكن للذكاء الاصطناعي أن ينجزها بكفاءة، مما يسمح للإنسان بالتفرغ للأنشطة التي تحتاج إلى فكر وابتكار.

إن هذه العلاقة التكاملية بين الإنسان والآلة يمكن أن تكون مفتاحًا لمستقبل مشرق. فبدلاً من أن ينافس الذكاء الاصطناعي الإنسان في الإبداع، يمكنه أن يمنحه الوقت والمساحة ليبدع. كما قالت ماتشيفسكا، نحن بحاجة إلى الذكاء الاصطناعي لتخفيف عبء الحياة اليومية، وليس للسيطرة على جوانبها التي تُميزنا كبشر.

من المهم أن ندرك أن الإبداع البشري ليس فقط مهارة، بل هو تعبير عن التجربة الفردية والجماعية. الذكاء الاصطناعي، رغم إمكانياته الهائلة، يظل أداة تعتمد على البيانات والخوارزميات، ولا يمكنه أن يستوعب تمامًا معنى التجربة الإنسانية. الكتابة، الرسم، الموسيقى، وكل أشكال الفن، هي وسائل للتواصل مع الآخرين، وللتعبير عن مشاعر وأفكار قد تكون معقدة أو فريدة من نوعها. إذا قمنا بتسليم هذه الأدوار للذكاء الاصطناعي، فإننا نخاطر بفقدان جزء مهم من هويتنا الإنسانية.

02/12/2024

أقوى منافس لـ OpenAI o1 حتى الآن مع مثال 🤯

أعلنت DeepSeek عن إطلاق نموذجها القوي DeepSeek-R1-Lite-Preview والمصمم خصيصًا للتعامل مع أسئلة الاستدلال التراكمي والعميق بطريقة مذهلة ومنافسة لنماذج OpenAI o1 🚀

✴️ يمتلك أداء مذهل على معايير AIME وMATH.

✴️ لديه إمكانية الوصول إلى نمط التفكير المتسلسل (CoT) مع شفافية في الوقت الفعلي.

✴️ نموذج مفتوح المصدر مع واجهة API (قريبًا) !

في الصورة المرفقة تم سؤال نموذج DeepSeek الجديد ونموذج OpenAI o1 السؤال التالي :

" هل تستطيع حل اللغز التالي:

9 2 8 5 (رقم واحد صحيح لكن في الموضع الخاطئ)

1 9 3 7 (رقمان صحيحان لكن في المواضع الخاطئة)

5 2 0 1 (رقم واحد صحيح وفي الموضع الصحيح)

6 5 0 7 (لا شيء صحيح)

8 5 24 (رقمان صحيحان لكن في المواضع الخاطئة) "

أجاب نموذج DeepSeek الاجابة الصحيحة: 3841 ؛؛

جرب بنفسك 🔗👇
chat.deepseek.com

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

19/11/2024

تأثير الـ على والهجمات

الـ : سلاح ذو حدين في مجال الـ !

الـ هي تقنية ثورية تغيّر العديد من القطاعات، بما في ذلك مجال الـ . تأثيرها مزدوج: فهي قادرة على تعزيز الدفاعات الأمنية، ولكنها قد تصبح أيضًا سلاحًا خطيرًا في أيدي مجرمي الإنترنت.

🔹 الـ في خدمة الـ :
📍 الكشف الاستباقي عن التهديدات:
تحليل كميات كبيرة من البيانات في الوقت الفعلي: يمكن للـ تحديد أنماط هجوم خفية، وأوجه شذوذ، وثغرات قد تغيب عن أعين البشر.

📍 التعلم الآلي (Machine Learning):
تعمل أنظمة على تحسين نفسها باستمرار من خلال التعلم من التهديدات الجديدة، مما يساعد على التنبؤ بالهجمات المستقبلية.

📍 تقليل الإنذارات الخاطئة (False Positives):
من خلال تحسين الخوارزميات، يمكن للـ التمييز بين التهديدات الحقيقية والتنبيهات الوهمية، مما يتيح لفِرَق الأمن التركيز على القضايا الأكثر أهمية.

📍 أتمتة المهام المتكررة:
تستطيع الـ أتمتة المهام مثل مراقبة الشبكات، تحديث الأنظمة، وإعداد التقارير، مما يوفّر الوقت للمحللين الأمنيين.

📍 تحسين استجابة الحوادث (Incident Response):
يمكن للـ تسريع عملية الاستجابة للحوادث من خلال تحديد طبيعة الهجوم بسرعة واقتراح التدابير التصحيحية المناسبة.

🔹 الـ في خدمة مجرمي الإنترنت:
📍 تصميم برمجيات خبيثة أكثر تطورًا:
تستطيع الـ إنشاء برامج ضارة مخصصة وقابلة للتطوير، مما يجعلها قادرة على الهروب من الاكتشافات التقليدية.

📍 أتمتة الهجمات:
البوتات التي تعمل بالـ يمكنها تنفيذ هجمات واسعة النطاق، واختبار العديد من تركيبات كلمات المرور بسرعة واستغلال الثغرات.

📍 هندسة اجتماعية (Social Engineering) أكثر فعالية:
يمكن استخدام الـ chatbots وdeepfakes، المدعومة بالـ ، لخداع المستخدمين ودفعهم للكشف عن معلومات حساسة.

🔹 التحديات الواجب مواجهتها:
🔅 سباق التسلح الرقمي:
يستخدم مجرمو الإنترنت الـ لتحسين هجماتهم، مما يؤدي إلى سباق تسلح رقمي دائم.

🔅 الاعتماد على البيانات:
تعتمد فعالية الـ على جودة وكمية البيانات المتاحة، ولكن قد تكون هذه البيانات متحيزة أو غير كاملة، مما يؤثر على دقة النماذج.

🔅 الشفافية وقابلية التفسير (Explainability):
القرارات التي تتخذها أنظمة قد تكون صعبة الفهم، مما يجعل اكتشاف الأخطاء والتحيّز أكثر تعقيدًا.

💢 الخلاصة:
الـ أداة قوية يمكن استخدامها لأغراض إيجابية أو سلبية. لتحقيق أقصى استفادة من ميزاتها في مجال الـ ، من الضروري تطوير أنظمة قوية وشفافة، مع الوعي الكامل بالتهديدات الناشئة.

بالعربي Ai Magazine

15/06/2025

28/01/2025

25/01/2025

14/01/2025

25/12/2024

14/12/2024

12/12/2024

09/12/2024

06/12/2024

05/12/2024

02/12/2024

19/11/2024

Address

Telephone

Website

Alerts

Shortcuts

Share