من الفكرة إلى المنتج 3 ساعات20 مهام تسليم

قدّم مشروعًا يتحدث عنكالإنتاج والتقييم ويوم عرض المشاريع

اجمع ما بنيته في نموذج أولي واعٍ بمتطلبات الإنتاج. أثبت إمكانية تشغيله، اعرض نتائج التقييم، واشرح حدوده.

DockerCIEvaluationDemo Day
10
ماذا ستبني؟

Capstone — مشروع التخرج

90 دقيقة للجاهزية، و90 دقيقة لعرض المشاريع.

ماذا ستتعلم في هذه الجلسة؟

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 وSystem Evaluation وProduction 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.

تعمّق قبل الجلسة وبعدها

4 فيديو مختار
3 كورس

كيف تتقدم في التطبيق؟

  1. 01

    التشغيل وDocker

  2. 02

    CI والتقييم

  3. 03

    المراقبة والجاهزية

  4. 04

    عرض 7 دقائق + أسئلة

أسئلة الجلسة وإجاباتها

ما النتيجة المستهدفة بنهاية المعسكر؟+

مشروع Capstone أولي قابل للتشغيل وإعادة الإنتاج، مع اختبارات وتقييم وتوثيق وعرض واضح لحدوده؛ لا تعني الجلسة أنه أصبح نظام إنتاج كاملًا.

ما الفرق بين تقييم النموذج وتقييم النظام والمراقبة؟+

تقييم النموذج يقيس تنبؤاته، وتقييم النظام يختبر المهمة من البداية للنهاية، والمراقبة تتابع جودة الخدمة والأخطاء والزمن والتكلفة بعد النشر.

كيف يقدم الفريق مشروعه في Demo Day؟+

سبع دقائق تشمل المشكلة والحل والمعمارية وتجربة حية والنتائج والحدود، ثم دقيقتان للأسئلة، مع تسجيل احتياطي لا يتجاوز دقيقتين.

فيديوهات مختارة

شاهدها قبل الجلسة أو بعدها لتثبيت المفاهيم.

Hamel Husain

AI Eval Concepts Explained in 15 Minutes

مفاهيم التقييم الأساسية: التتبعات وتحليل الأخطاء والتقييم الآلي وأخطاؤه الشائعة.

مبتدئ

كورسات للتعمّق

مسارات أطول لمن يريد بناء الأساس بعد الجلسة.

DataTalks.Club

MLOps Zoomcamp

دورة مجانية عملية: تتبع التجارب والنشر والمراقبة وخطوط CI/CD للنماذج.

مجانيEnglish
DeepLearning.AI

Evaluating AI Agents

دورة قصيرة عن تقييم الوكلاء بالتتبعات ومقاييس الجودة واستخدام LLM كحَكَم.

مجانيEnglish
Anyscale (Goku Mohandas)

Made With ML

منهج مجاني لهندسة ML الإنتاجية: الاختبار والنشر والمراقبة والـ CI/CD.

مجانيEnglish

روابط خارجية تفتح على YouTube ومنصات التعلّم وتخضع لسياساتها. تحقّقنا من عملها في نوفمبر 2026؛ اختر ما يناسب مستواك ولا يلزمك مشاهدتها كلها.

المنهج الكامل · دون اختصارتنزيل المصدر
فهرس محتوى الجلسة

🎯 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.

✅ 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 وSystem Evaluation وProduction 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؟#

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
تدفق النظام كما ورد في منهج الجلسة

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 التجربةعند تحويله إلى منتج
تدريب أو استدلال داخل Notebookواجهة API أو واجهة مستخدم مستقلة
إعدادات تعتمد على جهاز المطوّراعتماديات وإعدادات قابلة لإعادة التهيئة
تجربة واحدة ناجحةاختبارات آلية وحالات فشل معروفة
دقة النموذج على مجموعة اختبارجودة وظيفية وأداء وموثوقية وتجربة مستخدم
تشغيل يدويتشغيل موثق ونشر قابل للتكرار
ملاحظة الأخطاء بالصدفةLogs 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.

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#

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"]
تدفق النظام كما ورد في منهج الجلسة

4. Three Levels of Evaluation — ثلاثة مستويات مختلفة#

مستوى التقييمالسؤال الرئيسيأمثلة للمقاييس
Model Evaluationهل يقدم النموذج تنبؤات جيدة على بيانات ممثلة؟F1، Precision، Recall، MAE، نتائج مجموعة اختبار
System Evaluationهل ينجز التطبيق المهمة من البداية للنهاية بصورة صحيحة ومستقرة؟نجاح سيناريوهات E2E، صحة API، زمن الاستجابة، فشل الاسترجاع، سلوك الأخطاء
Production Monitoringهل 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 Capstoneتقييم جودة AIتقييم النظام
ML ClassificationF1 / Precision / Recall / Calibration عند اللزومعقد API، المدخلات الخاطئة، زمن الاستدلال
Computer VisionmAP أو Precision/Recall للكشف، ودقة الأحداث/العدّ إن وجدتفيديو طويل، أخطاء الإطارات، زمن المعالجة، استقرار التتبع
RAG Assistantدقة الاسترجاع، صحة الاستناد للمصدر، جودة الإجابةفشل قاعدة المتجهات، عدم وجود نتائج، زمن وتكلفة الاستجابة
Agentic AIنجاح المهمة، صحة استخدام الأدوات، التوقف الآمن عند الفشلإعادة المحاولة، حدود الصلاحيات، تتبع خطوات التنفيذ
Voice Agentملاءمة الرد، فهم الطلب، جودة الحوارBarge-in، TTFA، انقطاع الخدمة، سلامة أدوات التنفيذ

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#

الإشارةدورهامثال
Logsتسجيل أحداث محددة وأخطاء الخدمةفشل طلب مع رمز خطأ ومعرّف جلسة غير حساس
Metricsمتابعة المقاييس الكمية عبر الزمنعدد الطلبات، P95 Latency، معدل الأخطاء، التكلفة
Tracesفهم تسلسل العملية بين المكوناتRequest → 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.

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؟#

الخيارمناسب عادةً لـملاحظات عملية
Hugging Face Spacesعروض ML/AI التفاعلية ومشاريع Portfolioيوفر مسارات لاستضافة عروض Gradio وDocker؛ تحقق من شروط الحساب والموارد الحالية قبل التخطيط.
Render / Railwayتطبيقات Web/API صغيرة ومتوسطةتحقق من خطط الخدمة وقيود الموارد وتكاليف التشغيل والبيئات المتاحة.
VPSفرق تريد تحكمًا أكبر في الخدمةيتطلب مسؤولية مباشرة عن التحديثات وTLS والجدار الناري والنسخ الاحتياطي والمراقبة.
Local/Recorded Demoالمشاريع التي لم تُنشر بعد أو تحتاج موارد خاصةمقبول للعرض مع توضيح أنه ليس نشرًا إنتاجيًا.

🧪 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#

الوقتالمدةالنشاط
00:00–00:1010 دProductization: Notebook vs Product وخريطة المتطلبات
00:10–00:3020 دFastAPI + Docker Live Build على مشروع جاهز
00:30–00:4515 دGitHub Actions + PR Checks
00:45–01:0015 دModel/System/Production Evaluation وRegression Evals
01:00–01:1010 دObservability: Logs, Metrics, Traces
01:10–01:2010 دSecurity, Privacy, Secrets & Tool Permissions
01:20–01:255 داختيار مسار النشر وفحص الجاهزية
01:25–01:305 داستراحة 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.

1. قالب عرض المشروع — 7 دقائق للفريق#

العنصرالمدة المقترحةما يجب توضيحه
المشكلة ولماذا تهم45 ثانيةالمستفيد والأثر المطلوب
الحل والقيمة45 ثانيةما الذي يقدمه التطبيق؟
المعمارية وتدفق البيانات60 ثانيةالمكونات الأساسية وسبب اختيارها
Live Demo2 دقيقةسيناريو أساسي قابل للتكرار
نتائج التقييم60 ثانيةمقياسان مناسبان على الأقل، مع طريقة قياسهما
التحديات والحدود والخطوات التالية90 ثانيةفشل معروف وتحسين مقترح
المجموع7 دقائقثم دقيقتان للأسئلة والأجوبة

2. معايير تقييم Capstone — 100 نقطة#

المعيارالوزندلائل مطلوبة
وضوح المشكلة وقيمة الحل10%مشكلة محددة ومستخدم مستهدف واضح
المعمارية والتنفيذ الهندسي20%مكونات مترابطة وقرارات مبررة ومستودع منظم
التقييم العلمي وجودة النتائج20%بيانات/سيناريوهات اختبار ومقاييس مناسبة وتحليل أخطاء
اعتمادية النظام وجاهزية التشغيل20%تشغيل قابل للإعادة، اختبارات، CI، أمان أساسي
تجربة المستخدم والعرض العملي15%Demo واضح يستعرض المهمة الأساسية
التواصل والتوثيق والوعي بالحدود15%README جيد، تقديم مختصر، إقرار بالمحدوديات
المجموع100%—

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 Dayالنشاطالمدة
00:00–00:05شرح آلية التقييم وتوزيع الأدوار5 د
00:05–01:17عروض 8 فرق × (7 دقائق + دقيقتين أسئلة)72 د
01:17–01:27تغذية راجعة وإعلان النتائج/التوصيات10 د
01:27–01:30ختام المعسكر والصورة الجماعية3 د
الإجمالي90 د

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#


📋 نموذج استمارة تقييم محكّم#

حقلالقيمة
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#

🏁 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.

حوّل التعلّم إلى إنجاز.

مهام التسليم مستخرجة من المنهج. أضف خطواتك الخاصة هنا.

0 / 20

مهامي الخاصة 0

أفكارك تستحق أن تُحفظ.

دوّن ما تعلمته، أسئلتك، وروابط العمل التي تريد العودة إليها.

ما الذي تريد تعلّمه؟

بحث في محتوى الجلسات العشر. استخدم Esc للإغلاق.