نماذج اللغة الكبيرة من الداخل

يكتب مساعد خدمة العملاء لعميل تأخرت شحنته: «شحنتك ستصل غدًا قبل الخامسة». الرد واضح ومطمئن، لكن نظام الشحن يقول إن موعد الوصول غير محدد أصلًا. هل نسي النموذج؟ هل يحتاج إلى Fine-Tuning؟ أم أن المعلومة لم تصل إليه من الأساس؟ في كورس LLMs بالعربي «نماذج اللغة الكبيرة من الداخل» تفهم ما يحدث فعلًا داخل النموذج، فتعرف أين تبحث عن سبب المشكلة قبل أن تختار الحل.

تبدأ الدورة بالصورة الكاملة لما يحدث بين إرسال الطلب واستلام الإجابة، ثم تفتح كل جزء منها: كيف يتحول النص إلى Tokens وأرقام، وكيف يعمل الـ Attention، ولماذا يتأخر الرد قبل أول كلمة، وما الفرق بين ما في الـ Context وما في الـ Weights. ثم تنتقل إلى طريقة تعلّم النماذج: Pretraining وSFT وRAG وFine-Tuning، والتعلم المعزَّز وRLHF وPPO وGRPO وDPO، وتنتهي بالـ Agents وكيف تقيس جودة نظامك بالـ Evals.

أعدّ الدورة م. أحمد فتحي، مؤسس منصة المدرسة. كل درس فيديو قصير يشرح مفهومًا واحدًا بمثال عملي، يتبعه مختصر كتابي وإنفوجرافيك واختبار قصير، مع مساعد ذكي داخل كل درس.

لماذا تحتاج إلى تعلّم كيف تعمل LLMs من الداخل؟

لأن أغلب القرارات الخاطئة في منتجات الذكاء الاصطناعي تبدأ من تصور خاطئ عن النموذج: رفع الـ Temperature لزيادة «الإبداع»، أو إدخال كل الملفات في Context ضخم، أو تدريب النموذج على مستندات الشركة بينما المشكلة في الاسترجاع. حين تفهم ما يحدث تحت الواجهة تشخّص الخطأ بدقة، وتختار بين الحلول بفهم، وتقرأ عن أي نموذج أو طريقة تدريب جديدة وأنت تعرف ما تعنيه المصطلحات.

لماذا يجب أن تشترك في هذه الدورة؟

• 30 درسًا في 8 أقسام تبني الصورة كاملة: من أول Token إلى المنتج الذي يعمل في الإنتاج.
• من النص إلى الأرقام: Tokens وParameters وEmbeddings، ولماذا لا تحمل الكلمة التمثيل نفسه في كل سياق.
• كيف يولّد النموذج إجابته: Attention بالـ Query والـ Key والـ Value، والتوليد التراجعي، وما تفعله Temperature وTop-p حقًا.
• الـ Context والذاكرة: ما الذي يصل إلى النموذج فعلًا، ولماذا لا يضمن الـ Context الطويل فهمًا أفضل، ومن الذي يتذكرك: النموذج أم التطبيق.
• السرعة والتكلفة والأخطاء: Prefill وDecode وKV Cache وPrompt Caching، ومن أين تأتي الهلوسة وكيف تعالج كل سبب.
• متى تختار RAG ومتى تفكر في Fine-Tuning، وأين يفشل RAG: التقسيم والاسترجاع وإعادة الترتيب والتوليد.
• نماذج الاستدلال والتعلم المعزَّز وRLHF وRLAIF وRLVR، وطرق PPO وGRPO وDPO، وكيف يحدث Reward Hacking.
• الفرق بين الـ Agent والـ Workflow، وكيف تبني Evals تثبت أن التغيير حسّن نظامك فعلًا.
• مختصر كتابي وإنفوجرافيك واختبار قصير بعد كل درس، واختبارات للأقسام واختبار نهائي، ومساعد ذكي داخل كل درس، ومشرفون يجيبون عن أسئلتك.
• وصول مدى الحياة مع أي تحديثات، وشهادة إتمام يمكن التحقق منها.

هذه الدورة مناسبة لك إذا كنت:

• مطوّر يبني منتجات أو خصائص فوق نماذج اللغة الكبيرة ويريد أن يفهم ما يحدث داخلها.
• تستخدم أدوات الذكاء الاصطناعي في عملك يوميًا وتريد أن تعرف لماذا تنجح أحيانًا وتخطئ أحيانًا.
• تحتاج إلى الاختيار بين RAG وFine-Tuning وPrompt أفضل بقرار مبني على فهم.
• تبني Agents أو أنظمة RAG وتريد أن تشخّص أخطاءها وتقيس جودتها بالـ Evals.
• تقرأ عن نماذج جديدة ومصطلحات مثل RLHF وGRPO وDPO وتريد أن تفهم معناها الحقيقي.

ماذا ستتعلم خطوة بخطوة؟

• من النص إلى الأرقام: تفهم كيف يتحول نصك إلى Tokens ثم إلى Embeddings، وما الذي تعنيه الـ Parameters وحجم النموذج فعلًا.
• كيف يولّد النموذج إجابته: تتبع عمل الـ Attention بالـ Query والـ Key والـ Value، وبناء الإجابة Token بعد Token، وأثر Temperature وTop-p.
• الـ Context والذاكرة: تعرف ما الذي يصل إلى النموذج في كل طلب، وحدود الـ Context الطويل، والفرق بين ذاكرة التطبيق والتعلّم داخل السياق.
• السرعة والتكلفة والهلوسة: تفسّر زمن الرد بمرحلتي Prefill وDecode، وتستفيد من KV Cache وPrompt Caching، وتشخّص أسباب الهلوسة.
• كيف تتعلم النماذج: تفهم Pretraining والفرق بين Base Model ونموذج SFT، وتختار بين RAG وFine-Tuning، وتعرف أين يفشل RAG.
• الاستدلال والتعلم المعزَّز: تفهم نماذج الاستدلال وأساسيات Reinforcement Learning وأنواعه، ومصادر التقييم في RLHF وRLAIF وRLVR.
• تحسين النموذج بالتفضيلات: تقارن بين PPO وGRPO وDPO في تحديث النموذج، وتتعرف على Reward Hacking وكيف تقلّل خطره.
• من النموذج إلى المنتج: تميّز بين الـ Agent والـ Workflow وتضع حدودًا لكل منهما، وتبني Evals تقيس الجودة قبل الإطلاق وبعده.

المتطلبات

• خبرة في استخدام أحد نماذج اللغة الكبيرة، مثل المساعدات الذكية أو واجهات البرمجة (APIs).
• خلفية تقنية عامة، ويفيدك الإلمام بأساسيات البرمجة لأن بعض الأمثلة تتناول كتابة Code وتقييمه.
• لا يشترط خبرة سابقة في تعلّم الآلة؛ فكل مفهوم يُشرح بمثال عملي من البداية.