الوسم: منوعات ذكاء اصطناعي
-

سيطرة كلاود: كيف تفوقت أنثروبيك على أوبن إيه آي في سباق الذكاء الاصطناعي للشركات
سيطرة كلاود: صعود أنثروبيك وتفوقها على أوبن إيه آي في سوق الذكاء الاصطناعي للشركات لقد شهد عام 2025 تحولاً جذرياً في مشهد الذكاء الاصطناعي للشركات. فوفقاً لتقرير منلو فنتشرز حول تحديث سوق نماذج اللغات الكبيرة لعام 2025، تجاوزت أنثروبيك مع نموذجها اللغوي “كلاود” شركة أوبن… قراءة المزيد
-
هندسة وكلاء الذكاء الاصطناعي: إطار عمل شامل من 7 طبقات
هندسة وكلاء الذكاء الاصطناعي: إطار عمل شامل من 7 طبقات تتجاوز عملية بناء وكيل ذكاء اصطناعي ذكي بكثير مجرد هندسة المطالبات الذكية لنماذج اللغات. لإنشاء أنظمة ذكاء اصطناعي حقيقية مستقلة قادرة على التفكير، والتحليل، والعمل، والتعلم، تحتاج إلى هندسة حل متكامل متعدد الطبقات ينسق مكونات… قراءة المزيد
-
باستخدام بايثدانس لبرهنة النظريات الرياضية: نظام البرهان الرسمي المتقدم Seed-Prover
نظام Seed-Prover: ثورة في برهنة النظريات الرياضية من بايتدانس أحدثت نماذج اللغات الكبيرة (LLMs) تحسناً ملحوظاً في مجال الاستدلال الرياضي من خلال توسيع قدراتها عبر اللغة الطبيعية، مما أدى إلى تحقيق مكاسب في الأداء على معايير قياسية مثل MATH و AIME. ومع ذلك، تواجه عملية… قراءة المزيد
-
استكشاف تقنيات SHAP-IQ المرئية لفهم نماذج التعلم الآلي
استكشاف تقنيات SHAP-IQ المرئية لفهم نماذج التعلم الآلي يقدم هذا المقال شرحًا تفصيليًا لاستخدام مكتبة SHAP-IQ في بيثون، وهي أداة قوية لتحليل وتفسير نماذج التعلم الآلي. سنتعلم كيفية استخدام هذه المكتبة لعرض وفهم مساهمات الميزات المختلفة في تنبؤات النموذج، سواءً بشكل فردي أو تفاعلي. سنستخدم… قراءة المزيد
-

هندسة السياق في نماذج اللغات الكبيرة: خارطة طريق تقنية
هندسة السياق في نماذج اللغات الكبيرة: خارطة طريق تقنية تُعدّ هندسة السياق مجالاً تقنياً متنامياً، يتجاوز مفهوم هندسة المطالبات (Prompt Engineering) بكثير. فهي تُعنى بتنظيم، وتجميع، وتحسين جميع أشكال السياق المُدخلة إلى نماذج اللغات الكبيرة (LLMs) لتعظيم أدائها في مجالات الفهم، والتفكير، والتكيف، والتطبيقات الواقعية.… قراءة المزيد
-
The Ultimate Guide to CPUs, GPUs, NPUs, and TPUs for AI/ML: Performance, Use Cases, and Key Differences
دليل شامل لوحدات معالجة البيانات للذكاء الاصطناعي وتعلّم الآلة: المعالجات المركزية، ووحدات معالجة الرسوميات، ووحدات معالجة الشبكات العصبية، ووحدات معالجة المصفوفات دليل شامل لوحدات معالجة البيانات للذكاء الاصطناعي وتعلّم الآلة: المعالجات المركزية، ووحدات معالجة الرسوميات، ووحدات معالجة الشبكات العصبية، ووحدات معالجة المصفوفات تُعتبر أعباء العمل… قراءة المزيد
-
إنشاء نظام متكامل لتتبع الأجسام وتحليلها باستخدام Roboflow Supervision
إنشاء نظام متكامل لتتبع الأجسام وتحليلها باستخدام مكتبة Roboflow Supervision هذا البرنامج التعليمي المتقدم يوضح كيفية بناء خط أنابيب كامل لكشف الأجسام باستخدام مكتبة Roboflow Supervision. سنبدأ بإعداد تتبع الأجسام في الوقت الفعلي باستخدام ByteTracker، وإضافة تنعيم الكشف، وتحديد مناطق مُضلّعة لمراقبة مناطق محددة في… قراءة المزيد
-

إطلاق إطار عمل CUDA-L1: تعزيز أداء معالجات الرسوميات بنسبة تصل إلى 3 أضعاف بفضل تقنيات التعلم المعزز
إطلاق إطار عمل CUDA-L1: تعزيز أداء معالجات الرسوميات بنسبة تصل إلى 3 أضعاف بفضل تقنيات التعلم المعزز أعلن فريق DeepReinforce عن إطار عمل جديد ثوري يُدعى CUDA-L1، والذي يُحقق تسريعًا متوسطًا يصل إلى 3.12 ضعفًا، وذروة تسريع تصل إلى 120 ضعفًا في 250 مهمة عملية… قراءة المزيد
-

وكيل جوجل للذكاء الاصطناعي MLE-STAR: ثورة في هندسة تعلم الآلة
وكيل جوجل للذكاء الاصطناعي MLE-STAR: ثورة في هندسة تعلم الآلة يُمثّل وكيل هندسة تعلم الآلة MLE-STAR (اختصارًا لـ Machine Learning Engineering via Search and Targeted Refinement)، الذي طوره باحثو جوجل كلاود، قفزة نوعية في مجال أتمتة تصميم وتحسين خطوط أنابيب تعلم الآلة المعقدة. باستخدام بحث… قراءة المزيد
-

تحكم حساسية المُحوِّلات اللغوية: حدود ليبشيتز قابلة للتثبيت و مُحسّن ميون
تحكم حساسية المُحوِّلات اللغوية: حدود ليبشيتز قابلة للتثبيت و مُحسّن ميون يُشكّل تدريب المُحوِّلات اللغوية واسعة النطاق بشكل مُستقر تحديًا مُستمرًا في مجال التعلّم العميق، خاصةً مع ازدياد حجم النماذج وقدرتها التعبيرية. وقد عالج باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) هذه المشكلة من جذورها، مُتطرقين… قراءة المزيد
