Blank white background with no objects or features visible.

تحية إلى منطقة أوروبا والشرق الأوسط وأفريقيا! توسع TrueFoundry نطاق حضورها في هذه المنطقة الحيوية. اقرأ المزيد ←

True ML Talks #18 - مناقشة حول Generative AI مع Tushar Kant

By TrueFoundry

Updated: November 3, 2026

Published: July 2, 2026

عدنا إليكم بحلقة جديدة من  True ML Talks. في هذه الحلقة، نتعمق في منصات ML ونتحدث مع Tushar

يُعد Tushar قائدًا متمرسًا في مجال MLOps يمتلك خبرة تمتد لأكثر من 20 عامًا في كبرى شركات التقنية، ويمتلك مجموعة واسعة من المهارات في مجالات المنتجات، والأعمال، والهندسة، والاستثمار المصرفي. وهو أيضًا المؤسس المشارك للمنتدى العالمي لـ IIT والذكاء الاصطناعي وتعلم الآلة، كما يدير مجتمع Slack نشطًا للغاية يتبع لهذا المنتدى.

شاهد الحلقة كاملة أدناه:

منتدى IIT للذكاء الاصطناعي وتعلم الآلة

رؤية المنتدى

تأسس منتدى IIT AI/ML برؤية تهدف إلى إنشاء مجتمع يمكن لخريجي IIT العاملين في مجال AI/ML من خلاله مشاركة معارفهم، والتعاون، ومساعدة بعضهم البعض. وكانوا يؤمنون بأنه من خلال العمل معًا، يمكن لخريجي IIT التفوق على أي معهد هندسي آخر في العالم.

حقق المنتدى نجاحًا هائلاً، حيث يضم أكثر من 1800 عضو من جميع أنحاء العالم. ونظم المنتدى العديد من الفعاليات، ودعم منظمات أخرى، ونما ليصبح مجتمعًا مزدهرًا بذاته.

إنجازات المنتدى

يفخر Tushar بشكل خاص بثلاثة أشياء حققها المنتدى:

  1. تنظيم مسار الذكاء الاصطناعي لمدة يوم واحد في مؤتمر Icon: يُعد هذا مؤتمرًا رئيسيًا في Silicon Valley، وتأكيد قدرة المنتدى على تنظيم مسار AI هو خير دليل على سمعته وتأثيره.
  2. بناء روابط قوية بين الأعضاء: ساعد المنتدى في إنشاء صداقات وشراكات أعمال تدوم مدى الحياة بين أعضائه.
  3. توفير نظام دعم خلال جائحة COVID-19: عندما توقفت الأنشطة في العالم، واصل المنتدى اجتماعاته كل أسبوعين، مما وفر مصدرًا للمعرفة والدعم لأعضائه.

لحظات مفصلية في نمو AI و MLOps

سيكون المزيج المكون من الحوسبة السحابية (Cloud computing)، والنماذج المحولة (Transformers)، والتدريب المسبق (Pre-training) محركًا رئيسيًا للابتكار في مجالي AI و MLOps خلال السنوات القادمة. وخاصة الإمكانات الكامنة في الذكاء الاصطناعي متعدد الوسائط (multimodal AI)، والذي يجمع بين معالجة اللغة الطبيعية والرؤية الحاسوبية لحل المشكلات المعقدة.

جعلت الحوسبة السحابية التقنية الذكية أكثر إتاحة وبأسعار معقولة للجميع. وقد أدى ذلك إلى طفرة في الابتكار في هذا المجال، حيث أصبحت الشركات الناشئة والأفراد قادرين الآن على تطوير وتطبيق تطبيقات AI دون الحاجة إلى الاستثمار في بنيات تحتية مكلفة.

أحدثت Transformers ثورة في معالجة اللغة الطبيعية والرؤية الحاسوبية. وتُعد Transformers نوعًا من بنيات الشبكات العصبية القادرة على تعلم التبعيات طويلة المدى في البيانات. وهذا يجعلها مناسبة تمامًا للمهام مثل الترجمة الآلية والتعرف على الصور.

تُعد Pre-training تقنية يتم فيها تدريب نموذج لغوي كبير على مجموعة بيانات ضخمة من النصوص والأكواد. يمكن بعد ذلك ضبط هذا النموذج المدرب مسبقًا (fine-tuning) لمهام محددة، مثل الترجمة أو الإجابة على الأسئلة. وقد حسّن التدريب المسبق بشكل كبير من أداء نماذج AI عبر مجموعة واسعة من المهام.

ChatGPT و Generative AI: التطبيقات المحتملة عبر مختلف القطاعات

يمتلك ChatGPT و generative AI القدرة على إحداث ثورة في العديد من القطاعات. ويهتم Tushar بشكل خاص بإمكانيات هذه التقنيات لسيناريوهات تحسين خدمة العملاء، وتقليل الاحتيال، وتخصيص المنتجات والخدمات، وتحسين الرعاية الصحية.

أمثلة على تطبيقات محددة لـ ChatGPT و generative AI في قطاعات مختلفة:

  1. خدمة العملاء وتجربتهم: يمكن استخدام ChatGPT و generative AI لأتمتة مهام خدمة العملاء، مثل الرد على الاستفسارات وإعداد التقارير. هذا يمكن أن يتيح لممثلي خدمة العملاء التركيز على المهام الأكثر تعقيدًا.
  2. تقييم المخاطر وكشف الاحتيال: يمكن استخدام ChatGPT و generative AI لتحديد المخاطر والحد منها في القطاع المصرفي والمالي. على سبيل المثال، يمكن استخدامها لكشف المعاملات الاحتيالية وتقييم مخاطر المقترضين.
  3. التخصيص: يمكن استخدام ChatGPT و generative AI لتخصيص المنتجات والخدمات للعملاء في قطاع التجزئة. على سبيل المثال، يمكن استخدامها للتوصية بالمنتجات للعملاء بناءً على عمليات الشراء السابقة وسجل التصفح.
  4. تحديد أقساط التأمين وتقييم المخاطر: يمكن استخدام ChatGPT و generative AI لتحديد أقساط التأمين وتقييم مخاطر حملة الوثائق في قطاع التأمين.
  5. الدفاع عن حقوق المرضى وتشخيص الأمراض: يمكن استخدام ChatGPT و generative AI لتطوير أدوات دعم المرضى وتشخيص الأمراض بسرعة ودقة أكبر في قطاع الرعاية الصحية.


نماذج LLM وتقييم المخاطر

لا تزال نماذج LLM في المراحل الأولى من تطويرها، ولكنها تمتلك القدرة على إحداث ثورة في تقييم المخاطر في قطاع الخدمات المالية:

يمكن لـ LLMs معالجة المزيد من البيانات وبسرعة أكبر. تعتمد نماذج تقييم المخاطر تقليديًا على كمية محدودة من البيانات، مثل الدرجات الائتمانية والدخل. ولكن يمكن لـ LLMs معالجة بيانات أكثر بكثير، مثل أنماط الإنفاق، وسلوك الشراء، والسلوك عبر الإنترنت. يتيح لها ذلك إنشاء تقييمات مخاطر أكثر دقة.

يمكن لـ LLMs مراعاة العوامل الترابطية. بالإضافة إلى العوامل الفردية، مثل الدرجة الائتمانية، يمكن لـ LLMs أيضًا مراعاة العوامل الترابطية، مثل الشركة التي يعمل بها الشخص والقطاع الذي يعمل فيه. يمكن أن يساعدها ذلك في إنشاء تقييمات مخاطر أكثر شمولاً.

مستقبل نماذج LLM

أنواع الفاعلين في النظام البيئي

يعتقد أن هناك ثلاثة أنواع من الفاعلين في هذا النظام البيئي:

  1. منشئو النماذج التأسيسية (Foundation model builders): شركات مثل OpenAI و Google و Meta التي تقوم بتطوير النماذج اللغوية الكبيرة بنفسها.
  2. منصات LLM Ops: شركات مثل AWS و Google التي توفر منصات للمطورين لبناء وتطبيق تطبيقات LLMs.
  3. موزعو LLM: الشركات التي تقوم بتطوير وبيع منتجات وخدمات مدعومة بـ LLM للمستخدمين النهائيين.

📌

قطاع الطاقة الكهربائية:
في قطاع الطاقة الكهربائية، يوجد المولدون، وخطوط النقل، والموزعون. وفي قطاع LLM، يرى Tushar أن مطوري النماذج التأسيسية هم المولدون، ومزودي الحوسبة السحابية هم خطوط النقل، والشركات الناشئة هي الموزعون.

المصدر المغلق مقابل المصدر المفتوح:

سيكون هناك مساحة لكل من نماذج LLM المغلقة والمفتوحة المصدر.
النماذج المغلقة المصدر ستكون مفضلة من قبل المؤسسات الكبيرة التي تحتاج إلى حلول جاهزة للإنتاج مع الدعم. بينما النماذج المفتوحة المصدر ستكون مفضلة من قبل الشركات الأصغر والباحثين الذين يحتاجون إلى مزيد من المرونة والتخصيص.

دور البرمجيات الوسيطة (Middleware):

ستكون هناك حاجة للبرمجيات الوسيطة لمساعدة المطورين على استخدام LLMs بسهولة وكفاءة أكبر. يمكن للبرمجيات الوسيطة تقديم ميزات مثل إدارة النماذج، والضبط الدقيق (fine-tuning)، والمراقبة.

فوائد ومخاطر LLMs:

من الضروري النظر إلى LLMs كأدوات يمكنها إما تعزيز القدرات البشرية أو تشكيل مخاطر، اعتمادًا على كيفية تطبيقها. مثل أي أداة، فإن استخدام LLMs يتشكل من خلال الخيارات والنوايا البشرية. وهي تحمل الإمكانيات لتقديم العلاجات الطبية، وتعزيز البرامج التعليمية المبتكرة، وأتمتة المهام التي يقوم بها البشر حاليًا. ومع ذلك، يمكنها أيضًا إنشاء التزييف العميق (deepfakes)، ونشر المعلومات المضللة، والتلاعب بالأفراد.

الدور البشري في تطوير واستخدام LLMs:

حتى مع زيادة تعقيد LLMs، فإنها ستظل دائمًا قاصرة عن الفهم الكامل لدقائق القيم البشرية. وبناءً على ذلك، يحتفظ البشر بدور محوري في ضمان توافق LLMs مع قيمنا. ويشمل ذلك، وضع إرشادات أخلاقية لتطوير واستخدام LLMs، وتثقيف الجمهور حول فوائد ومخاطر LLMs، والإدراك بأن البشر يمتلكون قدرة فريدة على التفكير الإبداعي وإيجاد حلول مبتكرة، بينما تظل LLMs مقيدة ببيانات تدريبها.

بناء أنظمة RAG العامة: AWS مقابل الشركات الناشئة

عندما يتعلق الأمر ببناء أنظمة RAG عامة، تقدم كل من AWS والشركات الناشئة مزاياها وتحدياتها الخاصة.

نقاط قوة AWS: تتمتع AWS بموقع جيد لتطوير أنظمة RAG عامة نظرًا لقاعدتها الجماهيرية الكبيرة ومجموعة خدماتها الواسعة التي يمكنها دعم RAG. على سبيل المثال، تقدم AWS خدمة SageMaker، وهي منصة لتعلم الآلة لتدريب وتطبيق نماذج RAG. بالإضافة إلى ذلك، توفر AWS خدمات تخزين ومعالجة بيانات مختلفة مثالية لسير عمل RAG.

نقاط ضعف AWS: قد لا تضاهي AWS مرونة الشركات الناشئة من حيث تطوير وإطلاق منتجات جديدة بسرعة. علاوة على ذلك، قد لا يكون تركيز AWS محددًا مثل الشركات الناشئة، خاصة في حالات الاستخدام مثل RAG للرعاية الصحية.

مزايا الشركات الناشئة: تتفوق الشركات الناشئة في المرونة، مما يسمح لها بالتركيز على حالات استخدام محدودة والابتكار بسرعة في مجال RAG. يمكن أن يؤدي تركيزها التخصصي إلى حلول وابتكارات RAG فريدة وغالبًا ما تتجاهلها الكيانات الأكبر.

تحديات الشركات الناشئة: غالباً ما تعاني الشركات الناشئة من قيود الموارد، وتفتقر إلى قاعدة العملاء الواسعة ومحفظة الخدمات التي تمتلكها AWS. قد تكون المنافسة مع AWS في السعر أمرًا صعبًا نظرًا لحجم وتجهيزات غول التقنية.

نصائح للشركات الناشئة التي تقوم بتطوير أنظمة RAG:

  1. التركيز على حالات استخدام محددة: يجب على الشركات الناشئة التركيز على تطوير حلول RAG لحالات استخدام محددة. سيساعدها ذلك على تمييز نفسها عن AWS والشركات الكبيرة الأخرى.
  2. التحرك بسرعة: تحتاج الشركات الناشئة إلى التحرك بسرعة لتطوير وإطلاق حلول RAG الخاصة بها. وذلك لأن AWS والشركات الكبيرة الأخرى يمكنها نسخ منتجاتها بسهولة.
  3. أن تكون مرشحًا جذابًا للاستحواذ والاندماج (M&A): يجب على الشركات الناشئة التركيز على تطوير حلول RAG جذابة لمرشحي الاستحواذ والاندماج. سيعطيها ذلك وسيلة للخروج من أعمالها إذا كانت غير قادرة على المنافسة مع AWS والشركات الكبيرة الأخرى.

التعامل مع العالم السريع لـ Generative AI

نصائح للقادة

  1. كن مرنًا وسريع الحركة. مجال generative AI يتطور باستمرار، لذا من المهم أن يكون لديك عقلية وفريق قادران على التكيف بسرعة مع التطورات الجديدة.
  2. ركز على حل المشكلات الحقيقية. لا تنجرف وراء الضجة الإعلامية لـ generative AI. بدلاً من ذلك، ركز على تحديد تحديات الأعمال الحقيقية التي يمكن حلها باستخدام هذه التقنية.
  3. لا تخف من التأخر. لا بأس إذا سبقك شخص آخر إلى السوق بحل جديد قائم على generative AI. الشيء المهم هو التعلم من أخطائهم وبناء منتج أفضل.
  4. لا تفرض الأمر فرضًا. ليست كل مشكلة بحاجة إلى حل بـ generative AI. استخدم حسك التجاري لتحديد المشكلات المناسبة لحلها بهذه التقنية.

نصائح لقادة علوم البيانات والهندسة

  1. لا تبدأ بالمطرقة. لا تبحث فقط عن طرق لاستخدام generative AI. بدلاً من ذلك، ابدأ بتحديد تحديات عملك ثم تحقق مما إذا كان generative AI هو الأداة المناسبة لحلها.
  2. اعمل بشكل عكسي بدءًا من العميل. ما هي احتياجات العميل؟ ما هي نقاط الألم لديه؟ بمجرد فهم العميل، يمكنك البدء في التفكير في كيفية استخدام generative AI لمساعدته.
  3. لا تستسلم للأوامر الهرمية من الأعلى إلى الأسفل. إذا كان فريق القيادة لديك يفرض على كل فريق تقديم حالات استخدام لـ generative AI، فلا تكتفِ بتنفيذ الشكليات. ناقش واسأل عن سبب اعتقادهم أن generative AI هو الحل المناسب لتلك المشكلات.

اقرأ مدوناتنا السابقة في سلسلة True ML Talks:

‍

‍

واصل مشاهدة سلسلة youtube لـ TrueML وقراءة سلسلة مدونات TrueML.

TrueFoundry هي منصة PaaS لتطبيق ML فوق Kubernetes لتسريع سير عمل المطورين مع منحهم المرونة الكاملة في اختبار وتطبيق النماذج مع ضمان الأمان والتحكم الكاملين لفريق البنية التحتية. من خلال منصتنا، نمكّن فرق تعلم الآلة من تطبيق ومراقبة النماذج في 15 دقيقة بموثوقية وقابلية للتوسع بنسبة 100%، مع القدرة على التراجع في ثوانٍ - مما يسمح لهم بتوفير التكاليف وإطلاق النماذج إلى الإنتاج بسرعة أكبر، وتحقيق قيمة عمل حقيقية.

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Start free
Table of Contents

One Gateway for Every LLM, Agent and MCP Server

Book a 30-min with our AI expert

Book a Demo

The fastest way to build, govern and scale your AI

Book Demo
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Discover More

October 26, 2023
|
5 min read

True ML Talks #23 - تطبيقات MLOps و LLMs في GitLab

November 17, 2026
|
5 min read

شرح قيود Claude Code (إصدار 2026)

No items found.
Guide to Langgraph vs Langchain
November 16, 2026
|
5 min read

مقارنة بين LangChain وLangGraph: أيهما الأفضل لك؟

مقارنة
A detailed guide on Claude Fable 5
November 16, 2026
|
5 min read

كلود فيبل 5: واجهة برمجة التطبيقات، المعايير، التسعير وكيفية استخدامه

الهندسة والمنتج
openrouter vs litellm
November 17, 2026
|
5 min read

LiteLLM مقابل OpenRouter: أيهما الأنسب لك؟

مقارنة
No items found.

Recent Blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Take a quick product tour
Start Product Tour
Product Tour