---
title: "الجلسة العاشرة | Production, Evaluation & Demo Day"
aliases:
  - "Session 10 - Production and Demo Day"
  - "AI Camp v2 - Session 10"
tags:
  - AI-Camp-v2
  - Product
  - MLOps
  - Production
  - Evaluation
  - GitHub-Actions
  - Docker
  - Demo-Day
session: 10
duration: "3 hours"
duration_minutes: 180
track: Product
status: planned
language: ar
prerequisites:
  - "[[01_Git_GitHub_AI_Engineer_Workflow]]"
  - "[[02_Machine_Learning_From_Fundamentals_to_Product]]"
  - "[[06_LLM_Engineering_RAG_Application]]"
  - "[[07_AI_Assisted_Coding_Professional_Workflow]]"
---

# الجلسة العاشرة: Production, Evaluation & Demo Day

> [!info] بطاقة الجلسة
> - **المسار:** Product — الانتقال إلى المنتج النهائي
> - **المدة:** 3 ساعات (180 دقيقة)
> - **الجزء الأول:** Production Engineering — **90 دقيقة**
> - **الجزء الثاني:** Demo Day — **90 دقيقة**
> - **الجمهور:** طلاب وخريجو المعسكر ممن أنجزوا مشروعًا جماعيًا (Capstone)
> - **المخرج النهائي:** مستودع منظم + تطبيق قابل للعرض + أدلة تقييم واختبار + عرض مشروع

> [!abstract] شعار الجلسة
> **From Notebook to AI Product** — من نموذج يعمل على جهاز المطوّر إلى نظام يمكن تشغيله واختباره وعرض نتائجه ومناقشة محدودياته بثقة.

## 🎯 لماذا هذه الجلسة؟

اختبار Notebook ناجح أو Demo مذهل لا يعني وحده أن المشروع أصبح منتجًا. يحتاج مهندس الذكاء الاصطناعي إلى فهم ما يحدث **بعد تدريب النموذج**: كيفية تشغيله داخل تطبيق، وضمان أن تحديث الشيفرة لا يكسر الوظائف السابقة، وقياس جودة النتائج، ورصد الأعطال، وحماية بيانات المستخدمين.

تمثل الجلسة العاشرة نقطة جمع لجميع المخرجات السابقة في المعسكر، وتنتهي بيوم تعرض فيه الفرق مشاريعها وتناقش قراراتها الهندسية وأدلة نجاحها، وليس المظهر الخارجي وحده.

> [!important] تحديد واقعي للنطاق
> مدة **90 دقيقة** في قسم Production تكفي لشرح وربط الأساسيات وتطبيق **مسار جاهزية عملي** على مشروع مُجهّز مسبقًا، لكنها ليست كافية لجعل أي تطبيق جديد نظامًا Production-Grade كاملًا. المطلوب في نهاية المعسكر **Production-Aware MVP** مع حدود واضحة، وليس الادعاء أنه صالح تلقائيًا للاستخدام الحساس أو واسع النطاق.

## ✅ مخرجات التعلم

بنهاية الجلسة يستطيع الطالب أن:

- يشرح المكونات اللازمة لنقل نظام AI من نموذج تجريبي إلى تطبيق قابل للتشغيل.
- يغلّف خدمة Python/FastAPI باستخدام Docker ويتحقق من إمكانية تشغيلها في بيئة نظيفة.
- يعرّف فحوصًا أساسية تعمل تلقائيًا عند إنشاء أو تحديث Pull Request.
- يميّز بين **Model Evaluation** و**System Evaluation** و**Production Monitoring**.
- يحدد مؤشرات تشغيل مهمة مثل معدل الأخطاء وزمن الاستجابة والتكلفة وجودة الإجابات.
- يتخذ قرار نشر مبدئيًا يناسب طبيعة التطبيق وموارده ومتطلبات الخصوصية.
- يعرض Capstone بوضوح: **المشكلة → الحل → المعمارية → تجربة حية → نتائج → محدوديات**.
- يحول مشروعه إلى عمل مهني قابل للتوثيق على GitHub وLinkedIn والسيرة الذاتية.

---

# الجزء الأول: Production Engineering — 90 دقيقة

## 1. Productization — ما الفرق بين النموذج والمنتج؟

```mermaid
flowchart TD
    A["Model / AI Logic"] --> B["API or App"]
    B --> C["Container & Config"]
    C --> D["CI + Evaluations"]
    D --> E["Staging Deployment"]
    E --> F["Monitoring & Feedback"]
    F --> D
```

**حالة توضيحية:** يمتلك فريق نموذج تصنيف أو مساعد RAG يعمل من Notebook. لعرضه كتطبيق قابل لإعادة التشغيل، يحتاج إلى فصل منطق الاستدلال عن الواجهة، وتثبيت الاعتماديات، واختبارات، وطريقة تشغيل واضحة، وسجل يشرح متى يُخفق النظام.

| في مرحلة التجربة | عند تحويله إلى منتج |
|---|---|
| تدريب أو استدلال داخل Notebook | واجهة API أو واجهة مستخدم مستقلة |
| إعدادات تعتمد على جهاز المطوّر | اعتماديات وإعدادات قابلة لإعادة التهيئة |
| تجربة واحدة ناجحة | اختبارات آلية وحالات فشل معروفة |
| دقة النموذج على مجموعة اختبار | جودة وظيفية وأداء وموثوقية وتجربة مستخدم |
| تشغيل يدوي | تشغيل موثق ونشر قابل للتكرار |
| ملاحظة الأخطاء بالصدفة | Logs وMetrics وTraces وتنبيهات عند الحاجة |

## 2. Docker & FastAPI — تغليف وتشغيل خدمة AI

### مفاهيم أساسية

- **FastAPI:** تقديم وظائف الاستدلال أو الخدمات البرمجية ضمن واجهات HTTP موثقة.
- **Dockerfile:** تعليمات بناء صورة التطبيق واعتمادياته.
- **Container Image:** حزمة قابلة للنقل تتضمن ما يلزم لتشغيل التطبيق.
- **Environment Variables:** إعدادات تختلف من بيئة إلى أخرى؛ تُمرّر الأسرار بأمان خارج الكود.
- **Health Check:** مؤشر تشغيلي أساسي على أن الخدمة تستجيب، لكنه لا يثبت دقة النموذج.

### التطبيق المصغّر

1. يبدأ المدرب من مشروع FastAPI موجود من جلسة سابقة.
2. يراجع نقطة دخول الخدمة مثل `POST /predict` أو `POST /answer`.
3. يعرض Dockerfile جاهزًا ويوضح طبقات البناء الأساسية.
4. يبني الصورة ويشغّل الحاوية ويجرب طلبًا صحيحًا وآخر خاطئًا.
5. يبين كيف يغير إعدادًا عبر متغير بيئة دون تعديل الشيفرة.

> [!warning] ملاحظة هندسية
> بناء Docker Image ناجح لا يعني أن التطبيق **آمن أو مستقر للإنتاج**. يجب التحقق من الاعتماديات والصلاحيات ومفاتيح الخدمات وحدود الموارد ومخرجات الاستدلال.

## 3. CI with GitHub Actions — الاختبار قبل الدمج

تمكن **GitHub Actions** الفريق من تشغيل خطوات متكررة آليًا عند فتح Pull Request أو تحديثه. تشمل الفحوص المناسبة لمشاريع المعسكر:

- **Lint / Formatting:** قواعد جودة الشيفرة وتنسيقها.
- **Unit Tests:** اختبار دوال المعالجة والقواعد البرمجية.
- **API / Integration Tests:** اختبار نقاط الخدمة عبر مدخلات ونتائج متوقعة، باستخدام بدائل Mock عند الحاجة.
- **Evaluation Smoke Tests:** حالات مصغّرة تؤكد أن مخرجات AI الأساسية لم تتراجع بشكل واضح.
- **Docker Build:** إثبات إمكانية بناء الصورة (عندما تسمح موارد CI).

### دورة Pull Request

```mermaid
flowchart TD
    A["Open / Update PR"] --> B["Run CI"]
    B --> C{"Checks passed?"}
    C -- "No" --> D["Fix + Re-run"]
    D --> B
    C -- "Yes" --> E["Human Review"]
    E --> F["Merge when approved"]
```

> [!important] ملاحظة أمنية
> لا تُمرّر أسرار النشر إلى اختبار PR غير موثوق. اضبط أقل الصلاحيات الممكنة للـWorkflow، وراجع الطرف الثالث والإجراءات المستخدمة، ولا تعتبر نجاح CI بديلًا عن المراجعة البشرية.

## 4. Three Levels of Evaluation — ثلاثة مستويات مختلفة

| مستوى التقييم | السؤال الرئيسي | أمثلة للمقاييس |
|---|---|---|
| **Model Evaluation** | هل يقدم النموذج تنبؤات جيدة على بيانات ممثلة؟ | F1، Precision، Recall، MAE، نتائج مجموعة اختبار |
| **System Evaluation** | هل ينجز التطبيق المهمة من البداية للنهاية بصورة صحيحة ومستقرة؟ | نجاح سيناريوهات E2E، صحة API، زمن الاستجابة، فشل الاسترجاع، سلوك الأخطاء |
| **Production Monitoring** | هل يستمر النظام في تقديم الخدمة بالمستوى المطلوب بعد النشر؟ | معدل الأخطاء، P95 Latency، استهلاك الموارد، التكلفة، تغير جودة النتائج عبر الزمن |

### تخصيص التقييم حسب نوع المشروع

| نوع Capstone | تقييم جودة AI | تقييم النظام |
|---|---|---|
| **ML Classification** | F1 / Precision / Recall / Calibration عند اللزوم | عقد API، المدخلات الخاطئة، زمن الاستدلال |
| **Computer Vision** | mAP أو Precision/Recall للكشف، ودقة الأحداث/العدّ إن وجدت | فيديو طويل، أخطاء الإطارات، زمن المعالجة، استقرار التتبع |
| **RAG Assistant** | دقة الاسترجاع، صحة الاستناد للمصدر، جودة الإجابة | فشل قاعدة المتجهات، عدم وجود نتائج، زمن وتكلفة الاستجابة |
| **Agentic AI** | نجاح المهمة، صحة استخدام الأدوات، التوقف الآمن عند الفشل | إعادة المحاولة، حدود الصلاحيات، تتبع خطوات التنفيذ |
| **Voice Agent** | ملاءمة الرد، فهم الطلب، جودة الحوار | Barge-in، TTFA، انقطاع الخدمة، سلامة أدوات التنفيذ |

> [!note] قاعدة مهمة
> لا تستخدم مقياسًا واحدًا لجميع المشاريع. يجب أن يختار كل فريق **مقاييس مناسبة لمهمته** ويذكر حجم بيانات التقييم وحدودها، مع مثالين على الأقل لأخطاء معروفة.

### Evals as Regression Tests

عند تعديل Prompt أو نموذج أو Pipeline، اختبر مجموعة أسئلة/مدخلات ثابتة مقارنة بإصدار معروف. هدف ذلك رصد **التراجع**، وليس إثبات أن النظام لا يخطئ مطلقًا. وقد تحتاج الأنظمة التوليدية إلى تقييم مرن أو مراجعة بشرية لعينة من النتائج، بدل مساواة الإجابات بالنص حرفيًا.

## 5. Observability — فهم ما يحدث بعد النشر

| الإشارة | دورها | مثال |
|---|---|---|
| **Logs** | تسجيل أحداث محددة وأخطاء الخدمة | فشل طلب مع رمز خطأ ومعرّف جلسة غير حساس |
| **Metrics** | متابعة المقاييس الكمية عبر الزمن | عدد الطلبات، P95 Latency، معدل الأخطاء، التكلفة |
| **Traces** | فهم تسلسل العملية بين المكونات | Request → Retrieval → LLM → Response |

**سيناريو عملي:** التطبيق يستجيب HTTP 200 لكنه يعيد إجابة دون مصدر صحيح. يوضح المدرب كيف قد يكشف **System Evaluation** الخلل الوظيفي بينما لا يستطيع فحص Health Check وحده اكتشافه.

> [!warning] خصوصية السجلات
> لا تسجلوا كلمات المرور أو مفاتيح API أو محتوى المستخدمين الحساس افتراضيًا. قد تحتوي Prompts وTraces على بيانات شخصية ويجب ضبط حفظها والوصول إليها.

## 6. Security & Privacy — الحد الأدنى قبل أي Demo عام

- [ ] لا توجد مفاتيح API أو Secrets ضمن Git History أو الشيفرة أو لقطات الشاشة.
- [ ] توجد `.env.example` للقيم المطلوبة دون أسرار حقيقية، و`.gitignore` / `.dockerignore` مناسبان.
- [ ] تحقق من صحة المدخلات وحجم الملفات وحدود الطلبات.
- [ ] لا تحصل أدوات Agent على صلاحيات لا تحتاجها.
- [ ] توجد سياسة واضحة للتعامل مع Prompt Injection ومحتوى RAG غير الموثوق.
- [ ] بيانات العرض عامة أو اصطناعية أو مستخدمة بإذن مناسب.
- [ ] تُشرح للمستخدم حدود دقة النظام، خصوصًا في التطبيقات الحساسة.
- [ ] لا تُنشر البيانات أو الملفات التي تحمل معلومات شخصية في مستودع عام.

## 7. Deployment — كيف نختار مكان تشغيل المشروع؟

| الخيار | مناسب عادةً لـ | ملاحظات عملية |
|---|---|---|
| **Hugging Face Spaces** | عروض ML/AI التفاعلية ومشاريع Portfolio | يوفر مسارات لاستضافة عروض Gradio وDocker؛ تحقق من شروط الحساب والموارد الحالية قبل التخطيط. |
| **Render / Railway** | تطبيقات Web/API صغيرة ومتوسطة | تحقق من خطط الخدمة وقيود الموارد وتكاليف التشغيل والبيئات المتاحة. |
| **VPS** | فرق تريد تحكمًا أكبر في الخدمة | يتطلب مسؤولية مباشرة عن التحديثات وTLS والجدار الناري والنسخ الاحتياطي والمراقبة. |
| **Local/Recorded Demo** | المشاريع التي لم تُنشر بعد أو تحتاج موارد خاصة | مقبول للعرض مع توضيح أنه **ليس نشرًا إنتاجيًا**. |

> [!tip] قرار عملي للمعسكر
> ليس مطلوبًا أن تنشر كل الفرق على منصة مدفوعة. **تشغيل موثق + اختبار محلي ناجح + فيديو احتياطي + خطة نشر واضحة** قد يكون كافيًا لتقييم مشروع تعليمي؛ أما الادعاء بأن المنتج متاح للعموم فيتطلب رابطًا فعالًا وفحوصًا إضافية.

## 🧪 مختبر الجزء الأول — Production Readiness Sprint

يطبق الطلاب على مشروع سبق بناؤه، ويجب تحقيق أكبر عدد ممكن من العناصر التالية:

- [ ] API يعمل ويستجيب لطلب صحيح وآخر غير صالح.
- [ ] Docker Image تُبنى وتشغل الخدمة في بيئة نظيفة.
- [ ] CI تنفذ Lint واختبارات أساسية عند PR.
- [ ] مجموعة تقييم مصغّرة تحوي حالات نجاح وحالات فشل.
- [ ] تم تسجيل مؤشر واحد على الأقل للأداء أو الفشل.
- [ ] تمت مراجعة الأسرار والبيانات المعروضة.
- [ ] هناك رابط Staging/Demo أو تعليمات تشغيل موثقة.

### جدول الجزء الأول — 90 دقيقة

| الوقت | المدة | النشاط |
|---|---:|---|
| 00:00–00:10 | 10 د | Productization: Notebook vs Product وخريطة المتطلبات |
| 00:10–00:30 | 20 د | FastAPI + Docker Live Build على مشروع جاهز |
| 00:30–00:45 | 15 د | GitHub Actions + PR Checks |
| 00:45–01:00 | 15 د | Model/System/Production Evaluation وRegression Evals |
| 01:00–01:10 | 10 د | Observability: Logs, Metrics, Traces |
| 01:10–01:20 | 10 د | Security, Privacy, Secrets & Tool Permissions |
| 01:20–01:25 | 5 د | اختيار مسار النشر وفحص الجاهزية |
| 01:25–01:30 | 5 د | استراحة وانتقال إلى Demo Day |

---

# الجزء الثاني: Demo Day — 90 دقيقة

## 🎤 الهدف من Demo Day

تقدم الفرق **مشروعًا حقيقيًا** يثبت ما تعلمته من تحليل المشكلة وحتى التنفيذ والتقييم. ويقيس العرض جودة **القرار الهندسي والتجربة والنتائج**، وليس عدد النماذج أو التقنيات المستخدمة.

> [!success] معيار النجاح
> **Demonstrate it. Measure it. Explain its limitations.**

## 1. قالب عرض المشروع — 7 دقائق للفريق

| العنصر | المدة المقترحة | ما يجب توضيحه |
|---|---:|---|
| **المشكلة ولماذا تهم** | 45 ثانية | المستفيد والأثر المطلوب |
| **الحل والقيمة** | 45 ثانية | ما الذي يقدمه التطبيق؟ |
| **المعمارية وتدفق البيانات** | 60 ثانية | المكونات الأساسية وسبب اختيارها |
| **Live Demo** | 2 دقيقة | سيناريو أساسي قابل للتكرار |
| **نتائج التقييم** | 60 ثانية | مقياسان مناسبان على الأقل، مع طريقة قياسهما |
| **التحديات والحدود والخطوات التالية** | 90 ثانية | فشل معروف وتحسين مقترح |
| **المجموع** | **7 دقائق** | ثم دقيقتان للأسئلة والأجوبة |

> [!note] سياسة العرض الحي
> يُفضل Demo حي، لكن يجب تجهيز **تسجيل احتياطي لا يتجاوز دقيقتين** في حال ضعف الشبكة أو تعطل مورد خارجي. يصرّح الفريق بوضوح إن استُخدم تسجيل بدل التنفيذ الحي.

## 2. معايير تقييم Capstone — 100 نقطة

| المعيار | الوزن | دلائل مطلوبة |
|---|---:|---|
| **وضوح المشكلة وقيمة الحل** | 10% | مشكلة محددة ومستخدم مستهدف واضح |
| **المعمارية والتنفيذ الهندسي** | 20% | مكونات مترابطة وقرارات مبررة ومستودع منظم |
| **التقييم العلمي وجودة النتائج** | 20% | بيانات/سيناريوهات اختبار ومقاييس مناسبة وتحليل أخطاء |
| **اعتمادية النظام وجاهزية التشغيل** | 20% | تشغيل قابل للإعادة، اختبارات، CI، أمان أساسي |
| **تجربة المستخدم والعرض العملي** | 15% | Demo واضح يستعرض المهمة الأساسية |
| **التواصل والتوثيق والوعي بالحدود** | 15% | README جيد، تقديم مختصر، إقرار بالمحدوديات |
| **المجموع** | **100%** | — |

### عناصر تخفض التقييم بوضوح

- الادعاء بنتائج دون وصف بيانات الاختبار أو طريقة القياس.
- استخدام بيانات اختبار سبق تسريبها إلى التدريب دون توضيح.
- إظهار بيانات شخصية أو أسرار خلال العرض.
- عدم القدرة على تشغيل المشروع أو تقديم دليل تشغيل موثوق.
- تنفيذ أدوات ذات آثار خارجية دون ضبط صلاحيات أو موافقة عند اللزوم.
- إخفاء فشل معروف أو تقديم مشروع جزئي على أنه منتج جاهز للاستخدام الحقيقي.

## 3. تنظيم الوقت لثمانية فرق كحد أقصى

| الوقت ضمن Demo Day | النشاط | المدة |
|---|---|---:|
| 00:00–00:05 | شرح آلية التقييم وتوزيع الأدوار | 5 د |
| 00:05–01:17 | عروض **8 فرق × (7 دقائق + دقيقتين أسئلة)** | 72 د |
| 01:17–01:27 | تغذية راجعة وإعلان النتائج/التوصيات | 10 د |
| 01:27–01:30 | ختام المعسكر والصورة الجماعية | 3 د |
| **الإجمالي** | | **90 د** |

> [!warning] إذا تجاوز عدد الفرق ثمانية
> يجب **تعديل صيغة العرض مسبقًا**: إجراء تصفيات أو عروض قصيرة مسجلة قبل الجلسة، أو إنشاء مسارات عرض متوازية مع محكّمين مستقلين، أو تمديد Demo Day. لا يمكن ضمان عدالة تقييم عشرة فرق أو أكثر بعروض كاملة وأسئلة ضمن المدة نفسها دون إعادة تصميم الوقت.

## 4. ما يجب أن يجهزه كل فريق قبل الجلسة

### Technical Submission

- [ ] **GitHub Repository** يحتوي الشيفرة اللازمة للتشغيل.
- [ ] `README.md` يشرح المشكلة، المعمارية، خطوات التثبيت، والتشغيل.
- [ ] `requirements` أو ملف اعتماديات/Lockfile مثبت ومحدث.
- [ ] `Dockerfile` أو مسار تشغيل موثق ومبرر إن تعذر استخدام Docker.
- [ ] `tests/` مع طريقة تشغيل الاختبارات ونتائجها.
- [ ] `evaluation.md` يحتوي البيانات والمقاييس ونتائج قابلة للتحقق.
- [ ] مخطط معماري واضح.
- [ ] Screenshots أو Demo Recording احتياطي لا يكشف بيانات خاصة.
- [ ] رابط Demo/Staging إن كان متاحًا، أو تعليمات تجربة محلية واضحة.

### Presentation Submission

- [ ] 5–7 شرائح كحد استرشادي، ويمكن الاستغناء عنها إذا كان العرض المباشر أوضح.
- [ ] سيناريو Demo محدد يتكرر بسهولة.
- [ ] حالة نجاح ملموسة وحالة إخفاق موثقة.
- [ ] مقارنة بسيطة بخط أساس (Baseline) إن كانت مناسبة للمهمة.
- [ ] شرح التحديات والحدود وما سيطوره الفريق لاحقًا.
- [ ] توزيع الأدوار بين أعضاء الفريق وتدريب على الالتزام بـ7 دقائق.

## 5. من Capstone إلى Portfolio

بعد Demo Day، يستطيع الطالب تحويل عمله إلى مثال مهني لملف أعماله.

### نموذج وصف GitHub

1. **Problem:** ما التحدي الحقيقي؟
2. **Solution:** ما الذي بُني تحديدًا؟
3. **Architecture:** كيف ترتبط البيانات والنموذج والخدمة والواجهة؟
4. **Evaluation:** ما نتائج الاختبارات وحدودها؟
5. **Demo:** رابط أو صور/فيديو موثق.
6. **My Contribution:** ما المسؤوليات التي نفذها الطالب بنفسه؟

### نموذج مختصر لعرض المشروع مهنيًا

> Built and evaluated an end-to-end AI application, from data and model integration to API serving, automated testing, and a reproducible demo. Documented architecture decisions, performance metrics, and known limitations.

> [!tip] أخلاقيات عرض الخبرة
> من الأفضل وصف مساهمة الطالب بدقة: **«بنيت وقيّمت نموذجًا أوليًا قابلًا للتشغيل»** إذا لم يُنشر فعليًا، بدل **«نشرت نظامًا إنتاجيًا»** دون دليل.

---

## 📋 نموذج استمارة تقييم محكّم

| حقل | القيمة |
|---|---|
| اسم الفريق | |
| اسم المشروع | |
| المستودع / رابط العرض | |
| المشكلة والحل — /10 | |
| المعمارية والتنفيذ — /20 | |
| التقييم والنتائج — /20 | |
| اعتمادية التشغيل — /20 | |
| تجربة المستخدم — /15 | |
| التوثيق والتواصل — /15 | |
| **النتيجة — /100** | |
| أبرز نقطة قوة | |
| أكبر مخاطرة أو نقص | |
| توصية للمشروع بعد المعسكر | |

## 🧰 قائمة تحضير اللجنة والمدرب

- [ ] إرسال معايير التحكيم والتعليمات لكل الفرق **قبل Demo Day**.
- [ ] تثبيت عدد الفرق وجدول العرض مسبقًا.
- [ ] اختبار العرض والصوت والشبكة والطاقة وجهاز احتياطي.
- [ ] توفير بيانات تجربة اصطناعية أو مصرح باستخدامها.
- [ ] التأكد من وصول المحكّمين إلى المستودعات أو نسخ عرض مناسبة.
- [ ] إعداد قناة لتسليم روابط المشاريع وملفات التقييم.
- [ ] اختبار رابط التطبيق أو تسجيله الاحتياطي قبل بدء الجلسة.
- [ ] تعيين شخص مسؤول عن التوقيت والتنبيه في الدقيقة السادسة والسابعة.
- [ ] جمع ملاحظات ختامية تساعد الفرق على تطوير مشاريعها بعد المعسكر.

## 📦 مخرجات الجلسة النهائية

**لكل فريق:**

- [ ] مشروع قابل للتشغيل أو إعادة الإنتاج بصورة موثقة.
- [ ] GitHub Repository منظم، مع README واضح.
- [ ] نتائج تقييم ومعايير تشغيل أساسية.
- [ ] عرض مدته 7 دقائق ودقيقتان للأسئلة.
- [ ] قائمة تحسينات لاحقة صريحة وقابلة للتنفيذ.

**للمعسكر:**

- [ ] معرض مشاريع يضم الروابط والأوصاف ومقاطع العرض المصرّح بنشرها.
- [ ] استمارات تقييم وتوصيات للفرق.
- [ ] قصص إنجاز قابلة للمشاركة مع مجتمع الذكاء الاصطناعي السوري.
- [ ] خطة متابعة اختيارية للمشاريع القابلة للتطوير والطلاب الراغبين بالاستمرار.

---

## 🔗 مراجع رسمية

- [Docker Docs — Python Containerization](https://docs.docker.com/guides/python/)
- [FastAPI — Deployment in Docker Containers](https://fastapi.tiangolo.com/deployment/docker/)
- [GitHub Docs — Continuous Integration](https://docs.github.com/en/actions/get-started/continuous-integration)
- [GitHub Docs — Secure Use of GitHub Actions](https://docs.github.com/en/actions/reference/security/secure-use)
- [Hugging Face — Spaces](https://huggingface.co/docs/hub/spaces)
- [OpenTelemetry — Observability Primer](https://opentelemetry.io/docs/concepts/observability-primer/)
- [OpenTelemetry — Traces](https://opentelemetry.io/docs/concepts/signals/traces/)

> [!note] تحقق قبل النشر
> تخضع شروط منصات الاستضافة ومواردها وتكلفتها للتغيير؛ يجب الرجوع إلى الوثائق الرسمية لكل منصة وقت تنفيذ النشر. تعتمد قرارات الاستضافة أيضًا على نوع التطبيق وأعباء GPU وسياسات البيانات.

## 🏁 ختام معسكر AI Engineering

بدأ الطلاب بالتعاون وGit وGitHub، ثم انتقلوا من تعلم الآلة والتعلم العميق إلى Computer Vision وNLP، وبعدها تعلموا بناء تطبيقات LLM وRAG، والعمل مع وكلاء البرمجة، وتصميم Agentic وVoice AI Systems. في الجلسة الأخيرة يجمعون هذه المهارات حول **مشروع واحد يمكن شرحه وتشغيله وقياسه ومراجعته**.

> [!success] الرسالة الختامية
> **الهدف ليس الحصول على شهادة حضور، بل مغادرة المعسكر بمهارة هندسية أوضح، ومشروع عملي موثق، وخطوة ملموسة أقرب إلى سوق العمل في الذكاء الاصطناعي.**
