خارطة طريق لتعلم هندسة الذكاء الاصطناعي

تبني هندسة الذكاء الاصطناعي برمجيات موثوقة حول النماذج: اختيار النموذج، وإضافة السياق، وربط الأدوات، والتقييم، والتشغيل. يركز بحث ML أكثر على ابتكار النماذج وطرق التعلم؛ المجالان متداخلان لكنهما غير متطابقين.

1. أسس البرمجة

أتقن Python والتحكم بالإصدارات والاختبار وتصحيح الأخطاء وJSON وHTTP وحماية المفاتيح. ابنِ أولًا برنامجًا يستخدم API تقليدية.

2. البيانات وتعلم الآلة

افهم تقسيم التدريب والتحقق والاختبار، والإفراط في الملاءمة، والميزات، والتسميات، والمقاييس. نفذ مشروع تصنيف صغيرًا لتختبر baseline وleakage وprecision وrecall عمليًا.

3. تطبيقات LLM

تعلّم الرموز ونافذة السياق وأدوار التعليمات والمخرجات المنظمة واستدعاء الأدوات وزمن الاستجابة والحدود. عامل جواب النموذج كبيانات غير موثوقة.

4. التضمينات وRAG

تعلّم التضمينات والتقسيم والمرشحات والبحث الدلالي وإعادة الترتيب والاستشهادات. ابنِ RAG على مستندات تعرفها وتحقق من أن المقطع يدعم الجواب. راجع شرح RAG.

5. الوكلاء والتقييم

ابدأ بوكيل واحد وأدوات قليلة ومخططات صارمة وصلاحيات محدودة وسقف للخطوات. أنشئ مجموعة اختبار وقس نجاح المهمة والارتباط بالمصدر وصحة الشكل والأدوات والزمن والتكلفة.

6. النشر

تعلّم المصادقة والحدود وإعادة المحاولة والتخزين المؤقت والطوابير والمراقبة والاحتفاظ بالبيانات والبدائل. يصبح العرض نظامًا حين تكون الأعطال مرئية ومحتواة وقابلة للتعافي.

أنشئ تدفقًا منظمًا، وتطبيق RAG موثقًا، ووكيلًا مراقبًا. استخدم مسار AI Developer والدورات لسد فجوات محددة.