30 أكتوبر - لقاء الذكاء الاصطناعي والتعلم الآلي ورؤية الحاسوب

انضم إلى اللقاء الافتراضي لتستمع إلى خبراء يتحدثون عن أحدث المواضيع في مجالات الذكاء الاصطناعي والتعلم الآلي ورؤية الحاسوب. **التاريخ والوقت والموقع** 30 أكتوبر 2025 9 صباحًا (التوقيت الباسيفيكي) عبر الإنترنت. **[سجّل في زووم!](https://voxel51.com/events/ai-ml-and-computer-vision-meetup-october-30-2025)** **مصنع الوكلاء: بناء منصة لأتمتة الذكاء الاصطناعي على مستوى المؤسسة** في هذا الحديث، سنستعرض ما يتطلبه بناء منصة قابلة للتوسيع للأتمتة بالذكاء الاصطناعي جاهزة للاستخدام في المؤسسات. وستشمل الموضوعات التالية: * تحدي التوسع: تُظهر بيئات التجارة الإلكترونية محدودية الحلول المفردة القائمة على الذكاء الاصطناعي، والتي تؤدي إلى نشوء أنظمة بيئية متقطعة تفتقر إلى التماسك وتبادل الموارد بكفاءة عبر الأعمال المعقدة القائمة على المعرفة. * نجاح تحليل السبب الجذري: حوّل وكيل الذكاء الاصطناعي الأول في شركة فليبكارت تحليل الأعمال من تحقيقات تستغرق أيامًا إلى رؤى شبه فورية، مما أثبت صحة الفكرة وكشف في الوقت نفسه عن فرص أوسع للمنصة. * تطور استراتيجية المنصة: استدعى النجاح في فرق الهندسة (دورة حياة تطوير البرمجيات، SRE) والعمليات والتجارة إنشاء منصة موحدة ومتعددة المستأجرين تخدم حالات استخدام متنوعة باتساق وكفاءة تشغيلية. * الأساس المعماري: باستخدام مبادئ تصميم لا تعتمد على إطار عمل معين، تمكّنا من التركيز على الوحدات، مما سمح للفرق باستخدام نماذج ذكاء اصطناعي مختلفة مع الحفاظ على واجهات متسقة وبني تحتية قابلة للتوسيع. * رؤية "حديقة الوكلاء": يتصور مسار فليبكارت الداخلي نظامًا بيئيًا داخليًا يمكن للفرق من خلاله اكتشاف وكلاء الذكاء الاصطناعي ونشرهم والإسهام فيها، مما يوفّر نموذجًا عمليًا لتطوير بنية تحتية قابلة للتوسيع لوكلاء الذكاء الاصطناعي. *عن المتحدث* [فيريندر بهارغاف](https://www.linkedin.com/in/virender-bhargav/) في فليبكارت هو قائد هندسي ذو خبرة، ويمتد خبرته عبر دمج تكنولوجيا الأعمال، والتطبيقات المؤسسية، وتصميم/هندسة الأنظمة، وبناء أنظمة عالية القابلية للتوسيع. ومع فهمه العميق للتكنولوجيا، فقد قاد فرقًا وحدّث المشهد التكنولوجي وإدار طبقات المنصة الأساسية والمنتجات الاستراتيجية. ومع خبرته الواسعة في دفع عجلة الابتكار في شركات مثل بايتيم وفليبكارت، ترك مساهماته أثرًا دائمًا في الصناعة. **توسيع نماذج التوليد الكبيرة باستخدام Ray وPyTorch** لقد فتحت النماذج التوليدية للصور مثل ستابل ديفيوشن إمكانيات مثيرة للإعجاب في التخصيص والإبداع والنشر القابل للتوسيع. لكن تنقيحها في بيئات إنتاجية يطرح تحديات: إدارة الحوسبة، والبارامترات الفائقة، وحجم النموذج، والبيانات، والتنسيق الموزع ليست أمورًا بسيطة. في هذا الحديث، سنغوص بعمق في كيفية تنقيح نماذج ستابل ديفيوشن باستخدام Ray Train (مع HuggingFace Diffusers)، بما في ذلك أساليب مثل DreamBooth وLoRA. وسنغطي ما الذي ينجح (وما الذي لا ينجح) عند توسيع مهام التدريب، ومعالجة البيانات الكبيرة، وتحسين استغلال ذاكرة وحدة معالجة الرسومات والسرعة، والتحقق من صحة المخرجات. سيخرج المشاركون برؤى عملية وأنماط يمكنهم استخدامها لتنقيح النماذج التوليدية في أعمالهم الخاصة. *عن المتحدث* [سومان ديبناث](https://www.linkedin.com/in/suman-d/) هو القائد التقني (للتعلم الآلي) في شركة أناسكال، حيث يركز على التدريب الموزع، والتنقيح، وتحسين الاستدلال على نطاق واسع في البيئة السحابية. تتمحور أعماله حول بناء وتحسين سير عمل التعلم الآلي من البداية حتى النهاية باستخدام أطر الحوسبة الموزعة مثل Ray، مما يتيح أنظمة تعلم آلي قابلة للتوسيع وكفؤة. تشمل خبرة سومان معالجة اللغة الطبيعية (NLP)، والنماذج اللغوية الكبيرة (LLMs)، والتوليد المعزز بالاسترجاع (RAG). في بداية مسيرته المهنية، طوّر أدوات لقياس الأداء ومراقبة أنظمة التخزين الموزعة. وخارج المجال الهندسي، سومان مشارك نشط في المجتمع، حيث تحدث في أكثر من 100 مؤتمر وحدث عالمي، بما في ذلك PyCon وPyData وODSC وAIE والعديد من اللقاءات حول العالم. **الحفاظ على الخصوصية في رؤية الحاسوب من خلال تعلّم البصريات** أصبحت الكاميرات منتشرة في كل مكان الآن، وتدعم أنظمة رؤية الحاسوب التي تساعدنا في المهام اليومية وفي الإعدادات الحرجة مثل غرف العمليات. ومع ذلك، فإن الاستخدام الواسع لهذه الكاميرات يثير مخاوف جادة بشأن الخصوصية: إذ تم تصميم الكاميرات التقليدية لالتقاط صور عالية الدقة، ما يجعل من السهل التعرف على السمات الحساسة مثل الوجوه أو العري أو الأشياء الشخصية. وبمجرد جمع هذه البيانات، يمكن استغلالها بشكل خاطئ إذا وصلت إلى أيدي الجهات الخبيثة. غالبًا ما تقلل آليات الخصوصية القائمة على البرامج، مثل التمويه أو التبكسل، من أداء المهام وتترك ثغرات في خط معالجة البيانات. في هذا الحديث، نستكشف سؤالاً بديلًا: كيف يمكننا الحفاظ على الخصوصية قبل أو أثناء التقاط الصور؟ من خلال إعادة النظر في نموذج تكوين الصورة، نوضح كيف يمكن تعلّم بصر الكاميرا نفسه وتحسينه بحيث يلتقط صورًا غير مفهومة للبشر، لكنها تظل مفيدة للمهام اللاحقة مثل التعرف على الحركات. وسنناقش الأساليب الحديثة لتعلّم عدسات الكاميرا التي تنتج عمداً صورًا تحافظ على الخصوصية، تكون ضبابية وغير قابلة للتعرف عليها بالعين البشرية، ولكنها لا تزال فعالة لإدراك الآلة. يفتح هذا التحوّل المفاهيمي الباب أمام جيل جديد من الكاميرات التي تدمج الخصوصية مباشرة في تصميمها المادي. *عن المتحدث* [كارلوس هيّنوخوسا](https://www.linkedin.com/in/phdcarloshinojosa/) هو باحث ما بعد الدكتوراه في جامعة الملك عبد الله للعلوم والتقنية (كاوست) يعمل مع الأستاذ بيرنارد غانم. تشمل اهتماماته البحثية رؤية الحاسوب، والتعلم الآلي، وأمان الذكاء الاصطناعي، والذكاء الاصطناعي للعلوم. ويتركز بحثه على تطوير أنظمة رؤية ونماذج تعلم آلي آمنة ودقيقة وفعالة يمكنها إدراك المعلومات وفهمها والتفاعل معها بشكل موثوق، مع ضمان المتانة وحماية الخصوصية والانسجام مع القيم المجتمعية. **إنها مباراة (عَمياء)! نحو التوافق بين الرؤية واللغة دون بيانات متوازية** هل يمكننا مطابقة التضمينات البصرية واللغوية بدون أي إشراف؟ وفقًا لهيبوthesis التمثيل الأبلاطوني، مع زيادة مقاييس النموذج وقاعدة البيانات، أصبحت المسافات بين التمثيلات المتناظرة متشابهة في كلا فضائي التضمين. تُظهر دراستنا أن المسافات الزوجية غالبًا ما تكون كافية لتمكين المطابقة بدون إشراف، ما يسمح باكتشاف التوافق بين الرؤية واللغة دون الحاجة إلى أي بيانات متوازية. *عن المتحدث* [دومينيك شناوس](https://www.linkedin.com/in/dominik-schnaus/) هو طالب دكتوراه في السنة الثالثة ضمن مجموعة رؤية الحاسوب في الجامعة التقنية بميونيخ (TUM)، بإشراف دانيال كريميرس. يتمحور بحثه حول التعلّم متعدد الوسائط والتعلّم الذاتي بالإشراف، مع تركيز خاص على فهم أوجه التشابه عبر فضائي التضمين للوسائط المختلفة.