متدرب مطور ذكاء اصطناعي متكامل (Full-Stack)

في مجال الذكاء الاصطناعي الصحي، النموذج "الصندوق الأسود" ببساطة ليس جيدًا بما فيه الكفاية. يحتاج الأطباء والممارسون الصحيون إلى معرفة السبب الدقيق وراء أي قرار يتخذه نظام الذكاء الاصطناعي. مؤخرًا، أنهيت تدريبًا مكثفًا لمدة شهر قمت خلاله بتطوير تطبيق متكامل للذكاء الاصطناعي القابل للتفسير (XAI) لتصوير قاع العين، بهدف الكشف عن الأمراض مثل اعتلال الشبكية السكري، والزرق (الغلوكوما)، وإعتام عدسة العين (الكاتاراكت).

لم يكن الهدف فقط بناء نموذج دقيق، بل نموذج شفاف مزود بالبنية التحتية الكاملة لنشره.

إليكم نظرة على مكونات البنية التحتية:

? خط أنابيب التعلم العميق: استخدمت التعلم النقلي (transfer learning) ببنية ResNet50، مع ضبط دقيق للطبقات الأساسية وهندسة طبقات عليمة مخصصة لتحسين دقة اكتشاف الأمراض.

? تفسير القرارات (XAI): طبّقت تقنية Score-CAM لإنشاء خرائط حرارية مرئية فوق صور الشبكية الأصلية، مما يضمن أن النموذج يظهر بالضبط المعالم الفسيولوجية التي اعتمد عليها في تنبؤه، مما يعزز الثقة وقابلية التفسير.

⚙️ الواجهة الخلفية وقاعدة البيانات: طوّرت خادمًا باستخدام Python و Flask لخدمة استدعاءات نموذج التعلم الآلي، مدعومًا بقاعدة بيانات PostgreSQL لإدارة البيانات بشكل موثوق.

? الواجهة الأمامية: بنيت واجهة مستخدم سريعة الاستجابة وآمنة نوعيًا باستخدام React و TypeScript، مع دمج React Query لإدارة فعالة لحالة الخادم وجلب البيانات.