AI student

تطوير خط معالجة (Pipeline) للغة الطبيعية يحافظ على الخصوصية باستخدام Python، و HuggingFace Transformers، و XGBoost، وأداة Concrete-ML من شركة Zama.

تحقيق دقة بلغت 89.9% مع عدم فقدان أي أداء بين النماذج على البيانات العادية (Plaintext) والنماذج على البيانات المشفرة، مع قياس التوازنات في زمن التنفيذ (0.54 ثانية – 2.5 ثانية/عينة) واستهلاك الذاكرة (حوالي 500 ضعف).

عرض النتائج كجزء من مشروع بحثي تطبيقي يوضح إمكانية تطبيق التعلم الآلي على البيانات المشفرة في مهام معالجة اللغة الطبيعية.