AI-Powered Support Chatbot

وصف المشروع:

نظام متكامل للدعم الفني مخصص للمؤسسات التعليمية، يهدف إلى حل مشكلة تأخر الاستجابة لاستفسارات الطلاب. يقوم البوت بتقديم إجابات

فورية ودقيقة باللغتين العربية والإنجليزية من خلال معالجة الأسئلة وفهم سياقها، مما يقلل العبء على الموظفين البشريين بنسبة تصل إلى 70%.

+3

طريقة التنفيذ والأدوات المستخدمة:

معالجة اللغة الطبيعية (NLP): اعتمدت حصرياً على نموذج LLAMA 3 (Meta AI) عبر Groq API لتوليد ردود ذكية وسياقية دون الاعتماد على النماذج المدفوعة.

+2

محرك البحث والاسترجاع (RAG):

استخدمت Sentence Transformers (all-MiniLM-L6-v2) لتحويل النصوص إلى متجهات رقمية (Embeddings).

وظفت مكتبة FAISS (FlatL2 index) لبناء قاعدة بيانات متجهات تتيح البحث عن المعلومات بسرعة فائقة بناءً على تشابه المعنى.

+1

تطوير النظام (Full-Stack):

Backend: تم بناء الواجهة البرمجية باستخدام Flask API لإدارة منطق العمل والربط بين قاعدة البيانات والنموذج.

Frontend: تصميم واجهة مستخدم بسيطة وتفاعلية باستخدام HTML/CSS و JavaScript.

المعالجة المتقدمة: تنفيذ آلية لتقسيم المستندات (Chunking) بحجم 512 كلمة لتحسين دقة استرجاع المعلومات.

نظام الطوارئ (Fallback): دمج تقنية langdetect للكشف التلقائي عن اللغة، مع توفير خاصية تحويل المستخدم للبريد الإلكتروني في حال عدم توفر إجابة

Project Description:

An integrated technical support system tailored for educational institutions to resolve the challenge of delayed student support. The chatbot provides instant, accurate responses in both English and Arabic by understanding query contexts, effectively reducing human workload by up to 70%.

+3

Implementation Methodology & Tools:

Natural Language Processing (NLP): Exclusively utilized the LLAMA 3 (Meta AI) model via Groq API to generate context-aware, intelligent responses without relying on proprietary models.

+2

Retrieval-Augmented Generation (RAG):

Implemented Sentence Transformers (all-MiniLM-L6-v2) to convert FAQ text into vector embeddings.

Integrated FAISS (FlatL2 index) for high-speed, similarity-based search within the knowledge base.

+1

Full-Stack Development:

Backend: Developed the core logic and API using Flask, managing the seamless flow between data retrieval and the LLM.

Frontend: Crafted a clean, responsive user interface using HTML/CSS and JavaScript for real-time interaction

Advanced Data Processing: Applied a document chunking strategy (512-word segments) to optimize retrieval performance and accuracy.

Multilingual & Fallback Systems: Integrated langdetect for automatic language detection and built a fallback mechanism to redirect unresolved queries to email support.