محترف معتمد في الذكاء الاصطناعي التوليدي

برنامج «محترف الذكاء الاصطناعي التوليدي المعتمد» (CGAIP) هو برنامج قائم على المشاريع مُصمم لتزويد المشاركين بالمهارات المتقدمة والأدوات والخبرة العملية اللازمة للتميز في مجال الذكاء الاصطناعي التوليدي سريع التطور. يغطي البرنامج الطيف الكامل—من بنية النماذج اللغوية الكبيرة (LLM) والهندسة المتقدمة للأوامر (Prompting) إلى مسارات عمل LangChain وعمليات النشر عبر Ollama والأنظمة متعددة الوكلاء—وتُعِد هذه الشهادة المتعلمين لبناء ونشر تطبيقات ذكاء اصطناعي جاهزة للإنتاج. ومن خلال مختبرات عملية متقدمة وجلسات يقودها خبراء، يبني المتعلمون تطبيقات ذكاء اصطناعي توليدي واقعية، ويُختتم البرنامج بمشروع تخرُّج (Capstone) يُبرز القدرة على تصميم ونشر أنظمة ذكاء اصطناعي جاهزة للإنتاج باستخدام أحدث الأدوات. يكون الخريجون جاهزين لأدوار مؤثرة مثل مهندس الذكاء الاصطناعي التوليدي، ومهندس مسارات عمل LLM، ومطوّر تطبيقات الذكاء الاصطناعي، وأخصائي هندسة الأوامر.

لضمان استعداد المشاركين التام للمحتوى المتقدم لهذه الدورة، الشهادتان التاليتان إلزاميتان: شهادة محترف عالِم البيانات المعتمد (CDSP) — التي تغطي مسار علم البيانات الكامل بما في ذلك Python وSQL والتعلُّم الآلي والنشر؛ ودورة إتقان التعلُّم العميق (Deep Learning Masterclass) — التي تزوّدك بالمعرفة الأساسية في الشبكات العصبية والشبكات العصبية الالتفافية (CNNs) والشبكات العصبية التكرارية (RNNs) وأساسيات معالجة اللغة الطبيعية (NLP). تضمن هذه المتطلبات السابقة امتلاكك العمق التقني اللازم للنجاح في بناء ونشر أنظمة الذكاء الاصطناعي التوليدي المتقدمة.

طريقة التعلّم

• التدريب بقيادة مُدرّب (ILT): شارك في جلسات تفاعلية داخل قاعة الدرس يقودها محترفون ذوو خبرة في المجال لتجربة تعلُّم غامرة.
• التدريب الافتراضي بقيادة مُدرّب (VILT): انضم إلى فصول مباشرة عبر الإنترنت من أي مكان، بما يوفر مرونة دون التضحية بالتفاعل والإرشاد.

• مهندسو التعلُّم العميق والذكاء الاصطناعي والتعلُّم الآليالمهندسون الذين يهدفون إلى بناء تطبيقات واقعية قائمة على النماذج اللغوية الكبيرة (LLM).
• علماء البياناتعلماء البيانات المستعدون لتجاوز النماذج التقليدية.
• القادة التقنيون والمعماريونالقادة التقنيون والمعماريون الراغبون في دمج LangChain وOllama والأنظمة متعددة الوكلاء ضمن حلول ذكاء اصطناعي قابلة للتوسع.

• بناء ونشر تطبيقات متقدمة قائمة على النماذج اللغوية الكبيرة (LLM) باستخدام LangChain وOllama.
• تصميم وتحسين مسارات عمل الأوامر (Prompts) والأنظمة متعددة الوكلاء ومسارات RAG.
• الضبط الدقيق للنماذج المحلية وتنفيذ مشاريع ذكاء اصطناعي توليدي واقعية.
• نشر تطبيقات تفاعلية باستخدام Gradio وإدارة أنظمة ذكاء اصطناعي قابلة للتوسع.
• إبراز خبرتهم في الذكاء الاصطناعي التوليدي من خلال مشروع تخرُّج (Capstone) جاهز لمعرض الأعمال.

ساعات البرنامج

76 ساعة.

التدريب المؤسسي

10 أيام كاملة، مدة كل يوم من 7 إلى 8 ساعات.

المتعلمون الأفراد

برنامج مدته شهران ونصف بواقع جلستين أسبوعيًا، مدة كل جلسة 4 ساعات؛ أو برنامج مدته 3 أشهر بواقع جلسة واحدة أسبوعيًا، مدة كل جلسة 6 ساعات.

المواقع

الولايات المتحدة الأمريكية (نيوارك، ديلاوير)؛ المملكة العربية السعودية (الحسن بن علي، الرياض)؛ الإمارات العربية المتحدة (أبراج بحيرات جميرا، دبي — بالشراكة مع Elbadya Quantum)؛ مصر (القاهرة الجديدة؛ مدينة نصر، القاهرة؛ المهندسين، الجيزة).

عند إتمام برنامج «محترف الذكاء الاصطناعي التوليدي المعتمد» (CGAIP) بنجاح، يحصل المشاركون على شهادة إتمام رسمية صادرة عن EPSILON AI – ولاية ديلاوير، الولايات المتحدة الأمريكية، تقديرًا لخبرتهم المتقدمة في الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة ونشر أنظمة الذكاء الاصطناعي من البداية إلى النهاية. يُقدَّم البرنامج بما يتوافق مع المعايير الدولية، بما في ذلك ISO 21001 وISO 9001، ويتبع أُطرًا معترفًا بها عالميًا مثل IACET وCPD، بما يضمن تجربة تعلُّم عالية الجودة وذات صلة بالمجال. يحصل جميع الخريجين على شهادة موثّقة رقميًا تحتوي على مُعرِّف شهادة فريد ومُعرِّف EPSILON شخصي، بما يتيح التحقق الفوري والآمن عبر الإنترنت—وهي مثالية لمعارض الأعمال المهنية وملفات LinkedIn والتحقق من قِبل أصحاب العمل. بالإضافة إلى ذلك، تُصدر شهادة ورقية مرموقة مطبوعة بميزات أمان وعلامة تجارية متقدمة تشمل رقمًا تسلسليًا فريدًا ورمز تحقق، وختمًا مذهّبًا بارزًا مع توقيعات EPSILON AI المعتمدة، وعناصر أمان مطبوعة بالأشعة فوق البنفسجية (UV) لتعزيز الأصالة والحماية من التزوير.

• حضور ما لا يقل عن 80% من الجلسات التدريبية المباشرة (ساعات الاتصال المباشر).
• تحقيق درجة لا تقل عن 80% في الامتحان النهائي.
• إتمام مشروع التخرُّج (Capstone) وتقديمه بنجاح.

• مشهد الذكاء الاصطناعي التوليدي وبنية Transformer: تطور الذكاء الاصطناعي التوليدي من الشبكات العصبية التكرارية (RNNs) إلى Transformers ونظرة عامة على عائلات النماذج (GPT وBERT وT5 وغيرها)؛ تعمّق في Transformer—الانتباه متعدد الرؤوس (Multi-head attention) والترميز الموضعي (Positional encoding) وقابلية التوسع. تطبيق عملي: استكشاف دفتر ملاحظات عام لبناء Transformer من الصفر، وتجربة صغيرة لتوليد النص باستخدام نموذج أساسي من Hugging Face.
• البنية الداخلية للنماذج اللغوية الكبيرة (LLM) وتدريب النماذج: التدريب المسبق مقابل الضبط الدقيق—مجموعات البيانات والترميز (Tokenization) وأهداف التدريب؛ قوانين التوسع (Scaling laws)—كيف يتناسب الأداء مع البيانات والمعاملات. تطبيق عملي: الضبط الدقيق لنموذج صغير/مُقطّر على مجموعة بيانات عيّنة (مثل GPT-2 small)، وتحليل السجلات ومقاييس الأداء (الخسارة loss والحيرة perplexity).
• أحدث النماذج اللغوية الكبيرة (LLM): مقارنة النماذج—GPT-4 وLlama وFalcon وغيرها؛ مقاييس التقييم—BLEU وROUGE والحيرة (perplexity) والتقييم البشري مقابل الآلي. تطبيق عملي: مقارنة المخرجات باستخدام نماذج مفتوحة المصدر، وقياس جودة النماذج (Benchmarking).
• الأخلاقيات والذكاء الاصطناعي المسؤول: القضايا الأخلاقية—التحيّز والإنصاف والسلامة؛ الشواغل التنظيمية—خصوصية البيانات والترخيص. تطبيق عملي: صياغة أوامر لاختبار التحيّز/المحتوى الضار، ونقاش جماعي حول التخفيف والاستخدام المسؤول.

• الأساسيات والإعداد: نظرة عامة على LangChain—السلاسل (Chains) والأدوات (Tools) والوكلاء (Agents) والذاكرة (Memory)؛ إعداد البيئة وممارسات Python واعتبارات وحدة معالجة الرسومات (GPU).
• السلاسل المخصصة وإدارة مسارات العمل: أنواع السلاسل—التسلسلية والمتفرعة والمنطق المخصص؛ الذاكرة—مخزن المحادثة (Conversation buffer) والمعتمدة على التلخيص. تطبيق عملي: سلاسل متعددة الخطوات على معرفة مخصصة، وأمثلة على دمج الذاكرة.
• الوكلاء والأدوات والإضافات (Plugins): الوكلاء—اختيار الأدوات واستدعاء السلاسل؛ دمج الأدوات—واجهات برمجة التطبيقات (APIs) والملفات والويب. تطبيق عملي: وكيل للتبديل بين الأدوات أو أنواع الإجابات، ودمج أداة مخصصة (مثل واجهة برمجة تطبيقات لتحليل المشاعر).
• الاختبار والتصحيح وحالات الاستخدام المعقدة: مسارات العمل متعددة الوكلاء؛ التنميط (Profiling) والتخزين المؤقت (Caching) والتصحيح باستخدام LangSmith. تطبيق عملي: حل متقدم قائم على الوكلاء، واستخدام أدوات التتبّع/التسجيل لتحسين الأداء.

• نظرة عامة على Ollama والنشر: النماذج المدعومة ومتطلبات النظام والإعداد عبر واجهة سطر الأوامر (CLI) وPython. تطبيق عملي: تثبيت ونشر نموذج من طراز Llama محليًا، واستخدام الأوامر عبر CLI أو Python.
• التحسين واستخدام الموارد: التكميم (Quantization) والتقليم (Pruning)—4 بت و8 بت. تطبيق عملي: مقارنة سرعة وذاكرة النموذج المُكمَّم مقابل النموذج الكامل الحجم.
• التخصيص والدمج مع LangChain: الضبط الدقيق (LoRA أو PEFT)؛ الدمج بين LangChain وOllama. تطبيق عملي: ضبط نموذج على بيانات المجال، وتهيئة LangChain مع Ollama للاستدلال.
• استكشاف الأخطاء وإصلاحها والمراقبة: مزالق الأجهزة/البرمجيات وتهيئة البيئة؛ التسجيل ومراقبة الأداء. تطبيق عملي: محاكاة الإنتاج بطلبات عالية الحِمل، وتتبّع الاستخدام عبر لوحة معلومات أو واجهة سطر الأوامر (CLI).

• الاستيعاب والفهرسة والاسترجاع: سحب النص من مصادر متنوعة؛ التضمينات (Embeddings) ومخازن المتجهات (FAISS وPinecone). تطبيق عملي: الاتصال بقاعدة بيانات متجهات عبر LangChain، واسترجاع مقاطع البيانات ذات الصلة.
• بنية RAG وتطبيقاتها: نظرة عامة على مسار RAG من البداية إلى النهاية؛ استخدام LangChain وOllama في إعداد RAG. تطبيق عملي: بناء نظام RAG أساسي باستخدام LangChain وOllama.
• ميزات RAG المتقدمة: تقطيع المقاطع (Chunking) والبحث الهجين وإعادة الترتيب (Reranking)؛ البيانات الوصفية وترجمة الاستعلامات. تطبيق عملي: تنفيذ سيناريو RAG متقدم.

• الوكلاء المتقدمون وتفكيك المهام: وكلاء يستدعون وكلاء آخرين؛ التفويض الهرمي للمهام. تطبيق عملي: نظام متعدد الوكلاء باستخدام LangChain وOllama.
• تطوير مشروع التخرُّج (Capstone): التخطيط للتنفيذ. تطبيق عملي: بناء نظام RAG متقدم أو نظام متعدد الوكلاء.
• واجهة Gradio: مكوّنات Gradio وتصميم الواجهة. تطبيق عملي: واجهة روبوت محادثة أساسية باستخدام Gradio.
• Gradio للرؤية والنشر: Gradio للصور/الفيديو؛ استراتيجيات النشر عبر Docker/السحابة؛ التوثيق (README والأدلة ومكتبات الأوامر). تطبيق عملي: تطبيق تشابه الصور باستخدام Gradio.
• العروض التقديمية والتأمّل: عرض مشروع التخرُّج وتغذية راجعة من الأقران؛ الاتجاهات—التعلُّم المعزّز من التغذية الراجعة البشرية (RLHF) والنماذج متعددة الوسائط والمصادر المفتوحة؛ الختام والتخرُّج والموارد.