هل تستخدم نماذج الذكاء الاصطناعي الجاهزة، لكنك تحتاج إلى تخصيص استجاباتها لتناسب بيانات مشروعك أو أسلوب عمل مؤسستك؟ يقدم كورس Fine-Tuning Your AI Models تدريبًا عمليًا على ضبط نماذج اللغة الكبيرة بدل الاعتماد على كتابة الأوامر فقط. تتعلم مع Kesha Williams كيفية تجهيز بيانات التدريب، واستخدام تقنية LoRA، وقياس أداء النموذج قبل وبعد التخصيص، وصولًا إلى تشغيله محليًا. يناسب الكورس المطورين والمهتمين بهندسة الذكاء الاصطناعي ممن يمتلكون معرفة تقنية أساسية ويريدون الانتقال إلى تطبيقات أكثر تخصصًا.
تحميل كورس Fine-Tuning Your AI Models لتخصيص نماذج الذكاء الاصطناعي
تقييم المستخدمين
4.0 / 5
1 تقييم
قيّم الكورس

كورس Fine-Tuning Your AI Models: From Beginner to Advanced هو دورة تدريبية تقدمها منصة LinkedIn Learning، وتشرح كيفية تخصيص نماذج الذكاء الاصطناعي المدربة مسبقًا لتلبية متطلبات تطبيقات محددة، باستخدام تقنيات الضبط الدقيق (Fine-Tuning).

تقدم الدورة المدربة Kesha Williams، وتركز على الانتقال من استخدام نماذج اللغة الكبيرة (LLMs) بصورتها العامة إلى إعداد نموذج مخصص يمكن تدريبه وتقييمه واستخدامه في سيناريو عملي.

رغم عبارة From Beginner to Advanced الموجودة في الاسم، فإن المستوى الرسمي الذي تحدده المنصة هو المستوى المتوسط (Intermediate).

تدور التطبيقات حول بناء مساعد ذكي لخدمة العملاء لصالح متجر افتراضي، يستطيع معالجة تذاكر الدعم الفني، وتصنيفها، وتحديد الحالات التي تحتاج إلى تدخل بشري، والمساعدة في إعداد ردود متوافقة مع أسلوب المؤسسة.

ويشرح الكورس مراحل العمل الأساسية، بدءًا من تحديد الحاجة إلى ضبط النموذج، ثم إعداد البيانات والتدريب باستخدام LoRA، وصولًا إلى تقييم النتائج وتشغيل النموذج محليًا.

ماذا ستتعلم في كورس Fine-Tuning Your AI Models؟

ماذا ستتعلم في كورس Fine-Tuning Your AI Models؟

يركز الكورس على المهارات التي يحتاجها المطور لفهم عملية تخصيص نماذج اللغة الكبيرة وتنفيذها بطريقة قابلة للتقييم.

1. فهم عملية الضبط الدقيق للنماذج

تتعرف على فكرة Fine-Tuning، وكيف يمكن الاستفادة من نموذج مدرب مسبقًا وتكييف سلوكه مع مهمة أكثر تحديدًا.

كما تتناول الدورة الفروق بين استخدام النموذج مباشرة وإجراء تدريب إضافي عليه، والعوامل التي تؤثر في اتخاذ هذا القرار.

2. الاختيار بين Prompting وRAG وFine-Tuning

تتعلم مقارنة ثلاثة أساليب للتعامل مع النماذج اللغوية:

  • Prompting: توجيه النموذج من خلال التعليمات والأمثلة دون تعديل أوزانه.
  • RAG: تزويد النموذج بمعلومات مسترجعة من مصادر خارجية عند معالجة الطلب.
  • Fine-Tuning: إجراء تدريب إضافي لتكييف سلوك النموذج مع أمثلة ومخرجات مستهدفة.

يساعد فهم هذه الاختلافات على اختيار الطريقة المناسبة لطبيعة المشروع بدل اللجوء إلى التدريب الإضافي في كل حالة.

3. تجهيز بيانات التدريب والتحقق منها

تتعلم كيفية جمع أمثلة مناسبة للتدريب، وإنشاء بيانات اصطناعية عند الحاجة، وتنظيم المحادثات باستخدام قوالب مخصصة.

ويتناول الكورس تقسيم مجموعة البيانات والتحقق من سلامتها قبل استخدامها في ضبط النموذج.

4. استخدام تقنية LoRA

تتعرف على مفهوم Parameter-Efficient Fine-Tuning أو PEFT، وبالأخص تقنية Low-Rank Adaptation المعروفة باسم LoRA.

وتشمل المهارات المستهدفة ضبط إعدادات LoRA، وتشغيل عملية التدريب، والتعامل مع بعض المشكلات الشائعة التي قد تظهر خلالها.

5. تقييم النموذج بعد التدريب

تتعلم كيفية مقارنة النموذج المخصص بالنموذج الأساسي، بدل افتراض أن التدريب الإضافي أدى تلقائيًا إلى تحسين النتائج.

وتشمل الدورة التقييم باستخدام نموذج لغوي آخر بصفته مُقيّمًا (LLM-as-a-Judge)، مع مقارنة المخرجات بالنتائج المرجعية.

6. تشغيل النموذج محليًا

تتناول المرحلة الأخيرة دمج النموذج المخصص وتشغيله محليًا باستخدام Ollama، ثم توظيفه في السيناريو التطبيقي المقدم داخل الدورة.

محتويات كورس Fine-Tuning Your AI Models بالتفصيل

يتضمن المنهج الرسمي مقدمة، وست وحدات تعليمية رئيسية، ثم خاتمة. وفيما يلي الوحدات بالترتيب المعلن ومضمونها.

المقدمة: بناء مساعد لمعالجة تذاكر الدعم الفني

تقدم المدربة المشكلة التي سيعالجها المشروع التطبيقي، من خلال شركة افتراضية لبيع مستلزمات الأنشطة الخارجية باسم Ridgeline Outfitters.

يهدف التطبيق إلى بناء مساعد يستطيع قراءة رسائل العملاء، وتصنيف التذاكر إلى فئات، وتحديد الحالات التي تحتاج إلى مختص، واقتراح ردود تتوافق مع أسلوب الشركة.

وتوضح المقدمة مسار التعلم من البيانات الأولية إلى النموذج القابل للاستخدام.

الوحدة الأولى: Exploring Fine-Tuning Concepts and Tradeoffs

استكشاف مفاهيم الضبط الدقيق والمفاضلات المرتبطة به

تضع هذه الوحدة الأساس النظري لفهم كيفية تعلم نماذج اللغة الكبيرة، ومتى يكون تعديل سلوكها بالتدريب الإضافي خيارًا مناسبًا.

وتتناول أربعة موضوعات:

  1. كيفية تعلم نماذج LLM: مقدمة تساعد على فهم فكرة التدريب وعلاقة البيانات بسلوك النموذج.
  2. مقارنة Prompting وRAG وFine-Tuning: توضيح الاختلافات بين توجيه النموذج واسترجاع المعرفة وتخصيصه بالتدريب.
  3. فهم PEFT وLoRA: التعرف على تقنيات الضبط التي تستهدف تقليل مقدار المعلمات المطلوب تدريبها.
  4. حساب تكاليف Fine-Tuning: دراسة الاعتبارات المرتبطة بالموارد المطلوبة للتدريب والتشغيل.

تساعد هذه الوحدة على فهم أن اختيار تقنية التخصيص يجب أن يعتمد على متطلبات التطبيق، وليس على تعقيد التقنية وحده.

الوحدة الثانية: Setting Up Your Fine-Tuning Environment

إعداد بيئة العمل واختيار النموذج الأساسي

تنتقل هذه الوحدة من المفاهيم إلى تجهيز البيئة التي سيُنفذ داخلها المشروع.

وتغطي موضوعين:

  1. استعراض الأدوات المستخدمة في العمل واختيار النموذج الأساسي المناسب.
  2. تحميل النموذج وتجربة استجابته لإحدى تذاكر الدعم الفني قبل ضبطه.

الهدف هو تحديد نقطة بداية يمكن استخدامها لاحقًا لمقارنة أداء النموذج الأصلي مع النسخة المخصصة.

وتشير المعاينة الرسمية إلى استخدام Google Colab مع موارد GPU في مثال التدريب، إلى جانب نموذج مفتوح الأوزان.

الوحدة الثالثة: Preparing Data for Fine-Tuning

تجهيز بيانات الضبط الدقيق والتحقق من جودتها

تتناول هذه الوحدة مرحلة إعداد البيانات، وهي من المراحل المؤثرة في جودة النموذج الناتج.

وتشمل خمسة موضوعات:

  1. الحصول على بيانات التدريب: تحديد الأمثلة اللازمة لتعليم مساعد الدعم الفني السلوك المطلوب.
  2. إنشاء بيانات اصطناعية: الاستفادة من نموذج لغوي متقدم لتوليد أمثلة إضافية.
  3. تنسيق بيانات المحادثات: تنظيم الأمثلة باستخدام Chat Templates.
  4. تقسيم مجموعة البيانات والتحقق منها: تجهيز بيانات مناسبة للتدريب والتقييم.
  5. تطبيق عملي: بناء مجموعة بيانات التدريب الخاصة بالمساعد.

وتوضح هذه المرحلة أهمية أن تكون الأمثلة المستخدمة متسقة مع طبيعة المهمة المطلوبة، وأن تخضع للفحص قبل التدريب.

الوحدة الرابعة: Fine-Tuning with LoRA

ضبط النموذج باستخدام تقنية LoRA

تمثل هذه الوحدة مرحلة التدريب الأساسية، حيث يجري تطبيق ما سبق إعداده على النموذج المختار.

وتتضمن أربعة موضوعات:

  1. إعداد المعلمات الفائقة لـ LoRA: التعرف على إعدادات التقنية وضبطها قبل التدريب.
  2. تدريب مساعد الدعم الفني: استخدام مجموعة البيانات لتخصيص النموذج.
  3. معالجة مشكلات التدريب: التعرف على بعض المشكلات الشائعة وطرق تشخيصها.
  4. التطبيق العملي: تنفيذ عملية Fine-Tuning على مساعد الدعم الفني.

تساعد هذه الوحدة على فهم سير عملية التدريب بصورة مترابطة، من إعداد المعلمات إلى الحصول على نسخة مخصصة قابلة للاختبار.

الوحدة الخامسة: Evaluating Your Model

تقييم النموذج ومقارنته بالإصدار الأساسي

بعد الانتهاء من التدريب، تنتقل الدورة إلى اختبار ما إذا كانت النتائج قد تحسنت فعلًا.

تضم الوحدة ثلاثة موضوعات:

  1. المقارنة مع النموذج الأساسي: فحص الفروق بين أداء النسخة الأصلية والنسخة المخصصة.
  2. التقييم باستخدام LLM Judge: الاستفادة من نموذج لغوي لتقييم المخرجات وفق معايير التقييم المستخدمة.
  3. التطبيق العملي: تسجيل نتائج النموذج ومقارنتها بالأداء المرجعي.

وتبرز أهمية هذه المرحلة في تجنب الاعتماد على الانطباعات الشخصية وحدها عند الحكم على نجاح الضبط الدقيق.

فالنموذج المخصص يحتاج إلى اختبار أدائه في المهمة المستهدفة، وليس مجرد التأكد من اكتمال عملية التدريب دون أخطاء.

الوحدة السادسة: Deploying and Using Your Model

تشغيل النموذج المخصص واستخدامه

تتناول الوحدة الأخيرة الجانب المتعلق بالانتقال من النموذج المدرب إلى نموذج يمكن تشغيله داخل بيئة استخدام فعلية.

وتشمل موضوعين:

  1. دمج النموذج المخصص وتشغيله محليًا باستخدام Ollama.
  2. توظيف المساعد في السيناريو الخاص بمعالجة طلبات الدعم الفني.

وتعرض هذه المرحلة كيفية الاستفادة من نتائج التدريب في التطبيق، بدل الاكتفاء بالاختبارات التي أجريت أثناء إعداد النموذج.

الخاتمة: متابعة تطوير مهارات Fine-Tuning

تختتم الدورة بمراجعة المسار الذي جرى تنفيذه، من إعداد البيانات إلى التدريب والتقييم والتشغيل، مع توجيه المتعلم إلى مواصلة تطوير مهاراته في هذا المجال.

لمن يناسب كورس Fine-Tuning Your AI Models؟

تصنف LinkedIn Learning الكورس ضمن المستوى المتوسط، ويكون أكثر ملاءمة للمتعلمين الذين لديهم أساس تقني ويريدون فهم تخصيص نماذج اللغة الكبيرة.

ومن أبرز الفئات التي يمكن أن تستفيد منه:

  • مطورو تطبيقات الذكاء الاصطناعي: لفهم كيفية تكييف النماذج مع احتياجات التطبيقات.
  • مهندسو تعلم الآلة: للتعرف على سير عمل عملي يستخدم LoRA في تخصيص النماذج.
  • مطورو أنظمة خدمة العملاء: لدراسة نموذج تطبيقي لمعالجة التذاكر وتصنيفها.
  • المهتمون بالنماذج اللغوية الكبيرة: لفهم الفرق بين استخدام النماذج الجاهزة وتعديل سلوكها بالتدريب الإضافي.
  • المتخصصون في الحلول التقنية للمؤسسات: لتقييم جدوى Fine-Tuning في التطبيقات ذات المتطلبات المحددة.

ولا يُعد الكورس تمهيدًا كاملًا للبرمجة أو تعلم الآلة من الصفر، رغم احتوائه على شرح للمفاهيم الأساسية.

ما المتطلبات السابقة لدراسة الكورس؟

لم تعلن صفحة الكورس الرسمية قائمة محددة بالمتطلبات السابقة أو البرامج التي يجب إتقانها قبل البدء.

لكن نظرًا لتصنيفه بالمستوى المتوسط وطبيعة التطبيقات المعلنة، فمن المفيد امتلاك معرفة أولية بالمفاهيم التالية:

  • أساسيات البرمجة والتعامل مع بيئات تنفيذ البرامج.
  • المفاهيم العامة لتعلم الآلة والنماذج المدربة مسبقًا.
  • طريقة عمل نماذج اللغة الكبيرة واستخدام التعليمات النصية.
  • أساسيات التعامل مع مجموعات البيانات ونتائج الاختبارات.

هذه توصيات للاستعداد للدراسة، وليست شروط قبول رسمية معلنة من المنصة.

المشاريع والتطبيقات العملية داخل الكورس

بناء مساعد ذكي لخدمة العملاء باستخدام Fine-Tuning

يقدم الكورس مشروعًا تطبيقيًا مترابطًا يهدف إلى بناء مساعد يتعامل مع تذاكر الدعم الفني لمتجر افتراضي.

يعالج المشروع مجموعة من المشكلات المرتبطة بتنظيم طلبات العملاء وإعداد استجابات مناسبة.

أهم الوظائف المستهدفة في التطبيق:

  • قراءة تذاكر الدعم الواردة.
  • تصنيف الطلبات إلى ست فئات في السيناريو المعروض.
  • تمييز الحالات التي تحتاج إلى تدخل بشري متخصص.
  • صياغة ردود تتوافق مع أسلوب الشركة.
  • مقارنة أداء النموذج قبل الضبط وبعده.

المراحل العملية للمشروع:

  1. اختيار النموذج الأساسي وتجربة أدائه.
  2. إعداد أمثلة التدريب والتحقق منها.
  3. ضبط النموذج باستخدام LoRA.
  4. تنفيذ اختبارات للمقارنة والتقييم.
  5. تشغيل النموذج محليًا باستخدام Ollama.
  6. الاستفادة من النموذج في معالجة سيناريو الدعم الفني.

يتضمن المنهج تمارين وتطبيقات مرتبطة بمراحل المشروع، بما فيها إنشاء بيانات اصطناعية والتقييم.

ولا تعلن الصفحة وجود مجموعة منفصلة من المشروعات النهائية الإضافية خارج السيناريو التطبيقي المعروض.

تحميل كورس Fine-Tuning Your AI Models لتخصيص نماذج الذكاء الاصطناعي

ما الذي يميز كورس Fine-Tuning Your AI Models؟

منهج يربط الاختيار بالتنفيذ

لا يبدأ الكورس مباشرة بتدريب النموذج، بل يتناول أولًا الفروق بين Prompting وRAG وFine-Tuning، وهو ما يوفر سياقًا لفهم سبب استخدام الضبط الدقيق.

تطبيق متكامل على مشكلة محددة

بدل عرض أمثلة تدريب منفصلة دون ارتباط، يستخدم المحتوى سيناريو خدمة عملاء واحدًا لربط مراحل جمع البيانات والتدريب والتقييم.

التركيز على تقنية LoRA

يمنح الكورس مساحة واضحة لفهم تقنية LoRA وتطبيقها، باعتبارها إحدى طرق تخصيص النماذج دون الحاجة إلى تحديث جميع معلمات النموذج الأساسي.

الاهتمام بقياس الأداء

يتضمن المنهج مقارنة النموذج المخصص بالنسخة المرجعية، إلى جانب التقييم بمساعدة نموذج لغوي آخر، وهو جانب مهم للتحقق من نتائج عملية التخصيص.

تغطية التشغيل المحلي

لا تنتهي الموضوعات بإجراء التدريب، بل تمتد إلى تشغيل النموذج محليًا باستخدام Ollama، بما يوفر صورة أكثر اكتمالًا عن دورة العمل.

كيف تستفيد من الكورس بأفضل طريقة؟

لتحقيق استفادة تعليمية عملية، يمكن اتباع الخطوات التالية أثناء الدراسة. وهي توصيات تنظيمية وليست متطلبات رسمية إضافية للكورس.

ابدأ بتحديد المشكلة التي تريد حلها

قبل تجربة Fine-Tuning، حدد نوع المخرجات التي تريد تحسينها، مثل تصنيف الطلبات أو الالتزام بتنسيق معين في الإجابات.

احتفظ بنتائج النموذج الأصلي

سجل استجابات النموذج قبل التدريب على مجموعة من الأمثلة. ستساعدك هذه النتائج لاحقًا عند مقارنة الأداء بعد التخصيص.

راجع جودة بيانات التدريب

لا تعتمد على كمية البيانات وحدها. تحقق من وضوح الأمثلة واتساقها ومدى تمثيلها للحالات التي تريد من النموذج التعامل معها.

نفذ التطبيق على مراحل

اختبر تحميل النموذج أولًا، ثم إعداد البيانات، ثم التدريب، ثم التقييم. يساعد فصل المراحل على تحديد مصدر المشكلة عند ظهور خطأ.

وثّق نتائج التجارب

سجل إعدادات التدريب ونتائج التقييم والتغييرات التي أجريتها. بهذه الطريقة تستطيع المقارنة بين التجارب بدل الاعتماد على الذاكرة.

تعامل مع نتائج التقييم بحذر

لا يكفي تحسن نموذج في اختبار محدود للحكم بأنه مناسب لجميع الحالات. استخدم أمثلة متنوعة، وراجع المخرجات الحساسة أو غير المتوقعة بشريًا.

هل كورس Fine-Tuning Your AI Models مناسب لك؟

يعتمد ذلك على معرفتك الحالية والهدف الذي تريد تحقيقه من الدراسة.

سيكون مناسبًا لك غالبًا إذا كنت:

  • تمتلك خلفية أساسية في البرمجة أو تعلم الآلة.
  • تعرف كيفية استخدام نماذج LLM وتريد الانتقال إلى تخصيصها.
  • مهتمًا ببناء تطبيق يعتمد على نموذج مدرب لمهمة محددة.
  • ترغب في فهم مراحل إعداد البيانات والتدريب والتقييم بصورة مترابطة.

وقد تحتاج إلى دراسة تمهيدية أولًا إذا كنت:

  • تبدأ تعلم البرمجة للمرة الأولى.
  • لا تعرف المفاهيم الأساسية للذكاء الاصطناعي وتعلم الآلة.
  • تبحث عن دورة تقتصر على استخدام ChatGPT أو كتابة الأوامر دون تدريب نماذج.
  • تحتاج إلى شرح مفصل لكل أساسيات إدارة بيئة البرمجة من الصفر.

ومن المهم أيضًا إدراك أن مدة الفيديو المعلنة لا تشمل بالضرورة الوقت اللازم لتنفيذ التجارب أو معالجة مشكلات البيئة البرمجية.

من الجهة المقدمة والمدربة؟

الجهة المقدمة: LinkedIn Learning

منصة LinkedIn Learning متخصصة في تقديم الدورات التدريبية عبر الإنترنت في المجالات التقنية والمهنية والإدارية.

تتيح المنصة الوصول إلى محتواها من خلال الاشتراكات المؤهلة، وتقدم شهادة إتمام قابلة للمشاركة عند استكمال الكورس وفق متطلباتها.

المدربة: Kesha Williams

تقدم الدورة Kesha Williams، وهي متخصصة في هندسة الأنظمة المؤسسية والاستشارات المتعلقة بالذكاء الاصطناعي.

وتعرّف بنفسها في المقدمة الرسمية باعتبارها مؤسسة ورئيسة قسم الذكاء الاصطناعي في Keysoft، ولديها خبرة طويلة في تصميم الأنظمة البرمجية وتطويرها وتشغيلها.

يركز شرحها في هذا الكورس على تحويل مفاهيم ضبط النماذج إلى خطوات مرتبطة بمشكلة تطبيقية محددة.

تاريخ إصدار الكورس: 12 نوفمبر 2026.

الخلاصة

يقدم كورس Fine-Tuning Your AI Models: From Beginner to Advanced مسارًا تعليميًا متوسط المستوى لفهم تخصيص نماذج اللغة الكبيرة باستخدام LoRA.

وتكمن قيمته التعليمية في الربط بين اختيار أسلوب التخصيص وتجهيز البيانات وتنفيذ التدريب وتقييم النتائج ثم تشغيل النموذج محليًا.

وهو خيار مناسب للمتعلمين الذين يريدون الانتقال من استخدام نماذج الذكاء الاصطناعي الجاهزة إلى فهم عملية تكييفها مع احتياجات تطبيق محدد، مع ضرورة امتلاك أساس تقني يساعد على متابعة الجانب العملي.

الأسئلة الشائعة FAQ

تصنفه منصة LinkedIn Learning رسميًا ضمن المستوى المتوسط (Intermediate)، رغم أن عنوانه يتضمن عبارة From Beginner to Advanced.

لم تنشر المنصة متطلبات سابقة محددة. لكن الإلمام بالبرمجة ومفاهيم تعلم الآلة مفيد لمتابعة التطبيقات، لأن الكورس مصنف بالمستوى المتوسط.

نعم. يتضمن مشروعًا لبناء مساعد لمعالجة تذاكر الدعم الفني، مع إعداد بيانات التدريب، وضبط النموذج باستخدام LoRA، وتقييم النتائج وتشغيل النموذج محليًا باستخدام Ollama.

روابط التحميل

روابط التحميل

ميديا فاير | MediaFire

ForaFile (مميز وسريع)

Upload-4ever

Scroll to Top