يسعدني أن أعلن عن الدورة التدريبية النهائية حول كلود كود ، التي تم إنشاؤها باستخدام @AnthropicAI وتدريسها إيلي شوبيك @eschoppik. إذا كنت ترغب في استخدام ترميز عالي الوكيل - حيث يعمل الذكاء الاصطناعي بشكل مستقل لعدة دقائق أو أكثر ، وليس فقط إكمال مقتطفات التعليمات البرمجية - فهذا كل شيء. لقد غير Claude Code قواعد اللعبة للعديد من المطورين (بمن فيهم أنا!) ، ولكن هناك عمقا حقيقيا لاستخدامه بشكل جيد. تغطي هذه الدورة الشاملة كل شيء من الأساسيات إلى الأنماط المتقدمة. بعد هذه الدورة القصيرة ، ستتمكن من: - تنسيق العديد من وكلاء كلود الفرعيين للعمل على أجزاء مختلفة من قاعدة التعليمات البرمجية الخاصة بك في وقت واحد - ضع علامة على Claude في مشكلات GitHub واجعله ينشئ طلبات السحب ويراجعها ويدمجها بشكل مستقل - تحويل أجهزة الكمبيوتر المحمولة الفوضوية من Jupyter إلى لوحات معلومات نظيفة وجاهزة للإنتاج - استخدم أدوات MCP مثل Playwright حتى يتمكن كلود من معرفة الخطأ في واجهة المستخدم الخاصة بك وإصلاحه بشكل مستقل سواء كنت جديدا على Claude Code أو تستخدمه بالفعل ، ستكتشف إمكانات قوية يمكن أن تغير بشكل أساسي كيفية إنشاء البرامج. أنا متحمس جدا لما يتيح الترميز الوكيل للجميع القيام به الآن. من فضلك خذ هذه الدورة!

I'm thrilled @OpenAI has released two open weight models. Thank you to all my friends at OpenAI for this gift! I'm also encouraged that from my quick tests gpt-oss-120b looks strong (though we should still wait for rigorous 3rd party evals).

الإعلان عن حدثنا الجديد - Buildathon: مسابقة الهندسة السريعة. شاهد الفيديو للحصول على التفاصيل ، ويرجى التقدم للمشاركة!

الإعلان عن دورة Coursera جديدة: الجيل المعزز للاسترجاع (RAG) ستتعلم كيفية بناء أنظمة RAG عالية الأداء وجاهزة للإنتاج في هذه الدورة التدريبية العملية المتعمقة التي تم إنشاؤها وتدريسها @ZainHasan6 ومهندس وباحث ومعلمي الذكاء الاصطناعي والتعلم الآلي ذوي الخبرة والدراسة. يعد RAG مكونا مهما اليوم للعديد من التطبيقات المستندة إلى LLM في دعم العملاء ، وأنظمة الأسئلة والأجوبة الداخلية للشركة ، وحتى العديد من روبوتات الدردشة الرائدة التي تستخدم البحث على الويب للإجابة على أسئلتك. تعلمك هذه الدورة التدريبية بعمق كيفية جعل RAG يعمل بشكل جيد. يمكن أن تنتج LLMs إجابات عامة أو قديمة ، خاصة عند طرح أسئلة متخصصة لم يتم تناولها في بيانات التدريب الخاصة بها. RAG هي التقنية الأكثر استخداما لمعالجة هذا الأمر. يجلب البيانات من مصادر بيانات جديدة ، مثل المستندات الداخلية أو الأخبار الحديثة ، لإعطاء LLM السياق ذي الصلة للمعلومات الخاصة أو الحديثة أو المتخصصة. يتيح ذلك توليد استجابات أكثر دقة ودقة. في هذه الدورة ، ستتعلم تصميم وتنفيذ كل جزء من نظام RAG ، من المستردون إلى قواعد بيانات المتجهات إلى التوليد إلى evals. ستتعرف على المبادئ الأساسية وراء RAG وكيفية تحسينه على مستوى المكونات والنظام بأكمله. مع تطور الذكاء الاصطناعي ، يتطور RAG أيضا. يمكن للنماذج الجديدة التعامل مع نوافذ السياق الأطول ، والتفكير بشكل أكثر فعالية ، ويمكن أن تكون أجزاء من مهام سير عمل وكيلة معقدة. أحد مجالات النمو المثيرة هو Agentic RAG ، حيث يقرر عامل الذكاء الاصطناعي في وقت التشغيل (بدلا من ترميزه في وقت التطوير) بشكل مستقل البيانات التي يجب استردادها ، ومتى / كيف يتعمق أكثر. حتى مع هذا التطور ، يعد الوصول إلى بيانات عالية الجودة في وقت التشغيل أمرا ضروريا ، وهذا هو السبب في أن RAG هو جزء أساسي من العديد من التطبيقات. ستتعلم من خلال الخبرات العملية أن: - بناء نظام RAG مع الاسترجاع والزيادة السريعة - قارن طرق الاسترجاع مثل BM25 والبحث الدلالي ودمج الرتبة المتبادلة - قم بتقطيع المستندات وفهرستها واسترجاعها باستخدام قاعدة بيانات Weaviate vector ومجموعة بيانات الأخبار - قم بتطوير روبوت محادثة ، باستخدام LLMs مفتوحة المصدر التي تستضيفها Together الذكاء الاصطناعي ، لمتجر خيالي يجيب على أسئلة المنتج والأسئلة الشائعة - استخدم evals لدفع تحسين الموثوقية ، ودمج البيانات متعددة الوسائط RAG هي تقنية تأسيسية مهمة. كن جيدا في ذلك من خلال هذه الدورة! يرجى التسجيل هنا:

حديثي في YC Startup School حول كيفية بناء الشركات الناشئة في مجال الذكاء الاصطناعي. أشارك نصائح من @ الذكاء الاصطناعي_Fund حول كيفية استخدام الذكاء الاصطناعي للبناء بسرعة. اسمحوا لي أن أعرف ما هو رأيك!

يدعم استخراج المستندات العاملة الآن الاستخراج الميداني! تستخرج العديد من حالات استخدام استخراج المستندات حقول معينة من النماذج والمستندات المنظمة الأخرى. يمكنك الآن إدخال صورة أو ملف PDF لفاتورة، وطلب اسم المورد وقائمة الأصناف والأسعار، واستعادة الحقول المستخرجة. أو أدخل نموذجا طبيا وحدد مخططا لاستخراج اسم المريض ومعرف المريض ورقم التأمين وما إلى ذلك. ميزة واحدة رائعة: إذا كنت لا ترغب في كتابة مخطط (مواصفات json للحقول التي يجب استخراجها) بنفسك ، فقم بتحميل نموذج مستند واحد واكتب مطالبة بلغة طبيعية تقول ما تريد ، ونقوم تلقائيا بإنشاء مخطط لك. شاهد الفيديو للحصول على التفاصيل!

دورة جديدة: ما بعد تدريب الماجستير في القانون تعلم كيفية التدريب اللاحق وتخصيصه في ماجستير في القانون في هذه الدورة القصيرة ، التي يدرسها @BanghuaZ ، الأستاذ المساعد في جامعة واشنطن @UW ، والمؤسس المشارك ل @NexusflowX. يحتوي تدريب ماجستير القانون على اتباع التعليمات أو الإجابة على الأسئلة على مرحلتين رئيسيتين: ما قبل التدريب وما بعد التدريب. في التدريب المسبق ، يتعلم التنبؤ بالكلمة أو الرمز المميز التالي من كميات كبيرة من النص غير المسمى. في مرحلة ما بعد التدريب ، يتعلم سلوكيات مفيدة مثل اتباع التعليمات واستخدام الأداة والتفكير. يقوم ما بعد التدريب بتحويل متنبئ الرمز المميز للأغراض العامة - المدرب على تريليونات الرموز المميزة النصية غير المسماة - إلى مساعد يتبع التعليمات ويؤدي مهام محددة. نظرا لأنه أرخص بكثير من التدريب المسبق ، فمن العملي للعديد من الفرق دمج أساليب ما بعد التدريب في سير العمل الخاصة بهم أكثر من التدريب المسبق. في هذه الدورة التدريبية ، ستتعلم ثلاث طرق شائعة لما بعد التدريب - الضبط الدقيق الخاضع للإشراف (SFT) ، وتحسين التفضيل المباشر (DPO) ، والتعلم المعزز عبر الإنترنت (RL) - وكيفية استخدام كل منها بشكل فعال. باستخدام SFT ، يمكنك تدريب النموذج على أزواج من استجابات الإدخال والإخراج المثالية. باستخدام DPO، يمكنك توفير استجابة مفضلة (مختارة) وأقل تفضيلا (مرفوضة) وتدريب النموذج لصالح الإخراج المفضل. باستخدام RL ، يقوم النموذج بإنشاء مخرجات ، ويتلقى درجة مكافأة بناء على التعليقات البشرية أو الآلية ، ويقوم بتحديث النموذج لتحسين الأداء. ستتعلم المفاهيم الأساسية وحالات الاستخدام الشائعة والمبادئ لتنظيم بيانات عالية الجودة للتدريب الفعال. من خلال المختبرات العملية ، ستقوم بتنزيل نموذج مدرب مسبقا من Hugging Face وتدريبه بعد ذلك باستخدام SFT و DPO و RL لمعرفة كيف تشكل كل تقنية سلوك النموذج. بالتفصيل ، ستقوم بما يلي: - افهم ماهية ما بعد التدريب ، ومتى تستخدمه ، وكيف يختلف عن التدريب المسبق. - إنشاء مسار SFT لتحويل نموذج أساسي إلى نموذج تعليم. - استكشف كيف يعيد DPO تشكيل السلوك عن طريق تقليل الخسارة التقابلية - معاقبة الاستجابات الضعيفة وتعزيز الاستجابات المفضلة. - قم بتنفيذ مسار DPO لتغيير هوية مساعد الدردشة. - تعلم أساليب RL عبر الإنترنت مثل تحسين السياسة القريبة (PPO) وتحسين السياسة النسبية للمجموعة (GRPO) ، وكيفية تصميم وظائف المكافأة. - تدريب نموذج باستخدام GRPO لتحسين قدراته في الرياضيات باستخدام مكافأة يمكن التحقق منها. يعد ما بعد التدريب أحد أسرع مجالات التدريب على LLM تطورا. سواء كنت تقوم ببناء مساعد عالي الدقة خاص بالسياق ، أو ضبط نغمة النموذج ، أو تحسين الدقة الخاصة بالمهمة ، ستمنحك هذه الدورة خبرة في أهم التقنيات التي تشكل كيفية تدريب LLMs بعد التدريب اليوم. يرجى التسجيل هنا:

أود أن أشارك نصيحة للحصول على مزيد من التدريب على البناء باستخدام الذكاء الاصطناعي - أي إما استخدام اللبنات الأساسية لبناء الذكاء الاصطناعي لإنشاء التطبيقات أو استخدام مساعدة ترميز الذكاء الاصطناعي لإنشاء تطبيقات قوية بسرعة: إذا وجدت نفسك مع وقت محدود فقط للبناء ، فقم بتقليل نطاق مشروعك حتى تتمكن من إنشاء شيء ما في أي وقت لديك. إذا كان لديك ساعة واحدة فقط ، فابحث عن مكون صغير من فكرة أنت متحمس لها ويمكنك إنشاؤها في غضون ساعة. مع مساعدي الترميز الحديثين مثل Claude Code من Anthrobic (أداة التطوير المفضلة لدي في الوقت الحالي) ، قد تتفاجأ بمقدار ما يمكنك القيام به حتى في فترات زمنية قصيرة! هذا يجعلك تمضي قدما ، ويمكنك دائما متابعة المشروع لاحقا. لكي تصبح جيدة في البناء باستخدام الذكاء الاصطناعي ، يجب على معظم الناس (1) تعلم التقنيات ذات الصلة ، على سبيل المثال من خلال أخذ دورات الذكاء الاصطناعي عبر الإنترنت ، و (2) بناء الممارسة. أعرف المطورين الذين يبحثون عن الأفكار لعدة أشهر دون بناء أي شيء فعليا - لقد فعلت هذا أيضا! - لأننا نشعر أنه ليس لدينا الوقت للبدء. إذا وجدت نفسك في هذا الموقف ، فأنا أشجعك على الاستمرار في قطع نطاق المشروع الأولي حتى تحدد مكونا صغيرا يمكنك إنشاؤه على الفور. اسمحوا لي أن أوضح بمثال - أحد مشاريعي الصغيرة العديدة والممتعة في عطلة نهاية الأسبوع التي قد لا تذهب إلى أي مكان أبدا ، لكنني سعيد لأنني فعلت ذلك. إليكم الفكرة: كثير من الناس يخشون التحدث أمام الجمهور. والخطابة هي تحديا في الممارسة ، لأنه من الصعب تنظيم الجمهور. لذلك اعتقدت أنه سيكون من المثير للاهتمام بناء محاكي جمهور لتوفير جمهور رقمي من عشرات إلى مئات الأشخاص الافتراضيين على شاشة الكمبيوتر والسماح للمستخدم بالتدرب من خلال التحدث إليهم. بعد ظهر أحد أيام السبت ، وجدت في مقهى مع بضع ساعات لتجنيبها وقررت أن أعطي محاكي الجمهور فرصة. معرفتي بترميز الرسومات محدودة ، لذلك بدلا من بناء محاكي معقد لجمهور كبير وكتابة برنامج الذكاء الاصطناعي لمحاكاة استجابات الجمهور المناسبة ، قررت قطع النطاق بشكل كبير إلى (أ) محاكاة جمهور لشخص واحد (والذي يمكنني تكراره لاحقا لمحاكاة N أشخاص) ، (ب) حذف الذكاء الاصطناعي والسماح للمشغل البشري بتحديد رد فعل الجمهور المحاكي يدويا (على غرار النماذج الأولية لمعالج أوز) ، و (ج) تنفيذ الرسومات باستخدام صورة رمزية ثنائية الأبعاد بسيطة. باستخدام مزيج من العديد من مساعدي الترميز ، قمت ببناء نسخة أساسية في الوقت الذي كان لدي. يمكن أن تتحرك الصورة الرمزية بمهارة وتومض ، لكنها بخلاف ذلك تستخدم رسومات أساسية. على الرغم من أنه كان أقل بكثير من جهاز محاكاة الجمهور المتطور ، إلا أنني سعيد لأنني قمت ببناء هذا. بالإضافة إلى دفع المشروع إلى الأمام والسماح لي باستكشاف تصميمات مختلفة ، فقد عزز معرفتي بالرسومات الأساسية. علاوة على ذلك ، ساعدني امتلاك هذا النموذج الأولي الخام لإظهار الأصدقاء في الحصول على تعليقات المستخدمين التي شكلت وجهات نظري حول فكرة المنتج. لدي على جهاز الكمبيوتر المحمول الخاص بي قائمة بأفكار الأشياء التي أعتقد أنه سيكون من المثير للاهتمام بنائها. سيستغرق معظمهم وقتا أطول بكثير من بضع ساعات قد أضطر إلى تجربة شيء ما في يوم معين ، ولكن من خلال قطع نطاقهم ، يمكنني المضي قدما ، ويساعدني التقدم الأولي في المشروع في تحديد ما إذا كان يستحق المزيد من الاستثمار. على سبيل المكافأة ، يساعدني القرصنة على مجموعة متنوعة من التطبيقات على ممارسة مجموعة واسعة من المهارات. ولكن الأهم من ذلك ، أن هذا يخرج فكرة من رأسي وربما أمام المستخدمين المحتملين للحصول على تعليقات تتيح للمشروع التحرك بشكل أسرع. [النص الأصلي:]

دورة جديدة: ACP: بروتوكول اتصال الوكيل تعلم كيفية بناء وكلاء يتواصلون ويتعاونون عبر أطر عمل مختلفة باستخدام ACP في هذه الدورة التدريبية القصيرة التي تم إنشاؤها باستخدام BeeAI من @IBMResearch ، والتي يدرسها @sandi_besen ، الذكاء الاصطناعي مهندس أبحاث وقائد النظام البيئي في IBM ، و @nicholasrenotte ، رئيس مناصرة المطورين الذكاء الاصطناعي في IBM. قد يصبح بناء نظام متعدد الوكلاء مع وكلاء تم إنشاؤهم أو استخدامهم من قبل فرق ومؤسسات مختلفة أمرا صعبا. قد تحتاج إلى كتابة عمليات تكامل مخصصة في كل مرة يقوم فيها فريق بتحديث تصميم الوكيل الخاص به أو تغيير اختياره لإطار عمل التنسيق العامل. بروتوكول اتصال العامل (ACP) هو بروتوكول مفتوح يعالج هذا التحدي من خلال توحيد كيفية اتصال الوكلاء ، باستخدام واجهة RESTful موحدة تعمل عبر أطر العمل. في هذا البروتوكول، يمكنك استضافة عامل داخل خادم ACP، والذي يعالج الطلبات من عميل ACP ويمررها إلى العامل المناسب. يسمح استخدام واجهة خادم العميل القياسية لفرق متعددة بإعادة استخدام الوكلاء عبر المشاريع. كما أنه يسهل التبديل بين الأطر أو استبدال وكيل بإصدار جديد أو تحديث نظام متعدد الوكلاء دون إعادة بناء النظام بأكمله. في هذه الدورة التدريبية ، ستتعلم كيفية توصيل الوكلاء من خلال ACP. ستفهم دورة حياة عامل ACP وكيفية مقارنته بالبروتوكولات الأخرى، مثل MCP (بروتوكول سياق النموذج) و A2A (من عامل إلى عامل). ستقوم بإنشاء وكلاء متوافقين مع ACP وتنفيذ مهام سير العمل المتسلسلة والهرمية للعديد من الوكلاء الذين يتعاونون باستخدام ACP. من خلال التمارين العملية ، ستقوم ببنائ: - وكيل RAG مع CrewAI ولفه داخل خادم ACP. - عميل ACP لإجراء مكالمات إلى خادم ACP الذي قمت بإنشائه. - سير عمل تسلسلي يربط خادم ACP، الذي تم إنشاؤه باستخدام Smolagents، بعامل RAG. - سير عمل هرمي باستخدام عامل موجه يحول استعلامات المستخدم إلى مهام، يتم تفويضها إلى الوكلاء المتاحين من خلال خوادم ACP. - وكيل يستخدم MCP للوصول إلى الأدوات و ACP للتواصل مع الوكلاء الآخرين. ستنتهي من خلال استيراد وكلاء ACP إلى منصة BeeAI ، وهو سجل مفتوح المصدر لاكتشاف الوكلاء ومشاركتهم. يتيح ACP التعاون بين الوكلاء عبر الفرق والمؤسسات. بنهاية هذه الدورة التدريبية، ستتمكن من إنشاء وكلاء ACP ومهام سير عمل تتواصل وتتعاون بغض النظر عن إطار العمل. يرجى التسجيل هنا:

تقديم "البناء مع اللاما 4". تم إنشاء هذه الدورة التدريبية القصيرة باستخدام @Meta @AIatMeta ، ويتم تدريسها من قبل @asangani7 ، مدير هندسة الشركاء في فريق الذكاء الاصطناعي في Meta. أضافت Llama 4 الجديدة من Meta ثلاثة طرازات جديدة وقدمت بنية Mix-of-Experts (MoE) إلى عائلتها من طرازات الوزن المفتوح ، مما يجعلها أكثر كفاءة في الخدمة. في هذه الدورة ، ستعمل مع اثنين من النماذج الثلاثة الجديدة التي تم تقديمها في Llama 4. الأول هو Maverick ، نموذج معلمة 400B ، مع 128 خبيرا و 17B معلمة نشطة. والثاني هو الكشافة ، وهو نموذج معلمة 109B مع 16 خبيرا و 17B معلمة نشطة. يدعم Maverick و Scout نوافذ سياق طويلة تصل إلى مليون رمز مميز و 10 ملايين رمز مميز ، على التوالي. هذا الأخير يكفي لدعم إدخال مستودعات GitHub الكبيرة إلى حد ما مباشرة للتحليل! في الدروس العملية ، ستقوم بإنشاء تطبيقات باستخدام إمكانات Llama 4 متعددة الوسائط الجديدة بما في ذلك التفكير عبر صور متعددة وتأريض الصور ، حيث يمكنك تحديد العناصر في الصور. ستستخدم أيضا واجهة برمجة تطبيقات Llama الرسمية ، وتعمل مع قدرات Llama 4 ذات السياق الطويل ، وتتعرف على أحدث أدوات Llama مفتوحة المصدر: أداة التحسين الفوري التي تعمل تلقائيا على تحسين مطالبات النظام ومجموعة البيانات التركيبية التي تنشئ مجموعات بيانات عالية الجودة للضبط الدقيق. إذا كنت بحاجة إلى نموذج مفتوح ، فإن Llama يعد خيارا رائعا ، وتعد عائلة Llama 4 جزءا مهما من مجموعة أدوات أي مطور GenAI. من خلال هذه الدورة ، ستتعلم استدعاء Llama 4 عبر واجهة برمجة التطبيقات ، واستخدام أدوات التحسين الخاصة به ، وإنشاء ميزات تغطي النصوص والصور والسياق الكبير. يرجى التسجيل هنا: