بناء نموذج ذكاء اصطناعي باللغة العربية

المشروع عبارة عن بناء نموذج ذكاء اصطناعي باللغة العربية، يتم تدريبه (Fine-tuning) على بيانات جاهزة، مع تسليم كود نظيف + Demo تفاعلي قابل للتطوير.

المهام المطلوبة (ملخّص):

1- تنفيذ عملية Fine-tuning لنموذج جاهز (باستخدام OpenAI API أو Hugging Face) على بيانات بصيغة CSV/JSON أو نصوص منظّمة.

2- تجهيز بيئة العمل (Environment Setup) وتشغيل الأكواد اللازمة للتدريب والاستدلال.

3- اختبار النموذج وضبط الإعدادات لتحسين جودة المخرجات.

4- بناء واجهة استخدام بسيطة (Gradio أو Streamlit) لعرض النموذج بشكل تفاعلي.

5- ربط الواجهة بالـ API الخاص بالنموذج وتشغيله محلياً أو على سيرفر سحابي.

6- معالجة الأخطاء وتحسين سرعة واستجابة النظام.

7- توثيق الخطوات البرمجية وتسليم كود قابل للتطوير لاحقاً.

مراحل المشروع وطريقة التسليم والدفع:

المرحلة الأولى (تهيئة البيئة وتجربة أولية):

– تجهيز بيئة العمل وتشغيل سكربت تدريب أولي على عينة صغيرة من البيانات.

– التأكد من قراءة البيانات بشكل صحيح وتجهيزها للتدريب (preprocessing).

– تسليم:

• كود التدريب الأساسي (training script).

• تعليمات تشغيل واضحة (README مختصر).

– الدفع: بعد استلام واعتماد مخرجات المرحلة الأولى.

المرحلة الثانية (التدريب الفعلي وضبط النموذج):

– تنفيذ Fine-tuning كامل على جزء أو كل البيانات المتفق عليها.

– اختبار النموذج وتحسين الإعدادات (hyperparameters) للحصول على مخرجات أفضل.

– تسليم:

• النموذج المدرّب (أو طريقة استدعائه إذا كان عبر واجهة OpenAI).

• سكربت الاستدلال (inference) لاستخدام النموذج على مدخلات جديدة.

• تقرير مبسط عن جودة النتائج وملاحظات التحسين.

– الدفع: بعد استلام واعتماد مخرجات المرحلة الثانية.

المرحلة الثالثة (الـ Demo والربط والتوثيق):

– بناء واجهة تفاعلية بسيطة (Gradio أو Streamlit) لاستخدام النموذج.

– ربط الواجهة بالـ API أو سكربت الاستدلال وتشغيلها محلياً أو على سيرفر سحابي.

– معالجة الأخطاء وتحسين سرعة الاستجابة قدر الإمكان.

– توثيق كامل مختصر يشرح:

• طريقة تشغيل التدريب.

• طريقة تشغيل الاستدلال.

• طريقة تشغيل الواجهة التفاعلية.

– الدفع: بعد استلام واعتماد مخرجات المرحلة الثالثة وإغلاق المشروع.

المهارات المطلوبة:

– إجادة Python ومكتباتها الأساسية.

– خبرة عملية في OpenAI API أو Hugging Face Transformers.

– التعامل مع ملفات CSV/JSON وتنظيف البيانات.

– بناء واجهات بسيطة باستخدام Gradio أو Streamlit.

– فهم أساسي لمفاهيم Machine Learning وFine-tuning.

– الالتزام بالمواعيد والتواصل المهني المنتظم.

ملاحظات مهمة:

– العمل بسعر ثابت للمشروع بالكامل، مع تقسيم الدفع على المراحل الثلاث كما هو موضح.

– يفضّل إرفاق نماذج سابقة لأعمال Fine-tuning أو مشاريع NLP/LLM مشابهة.

– مدة التنفيذ الإجمالية المتوقعة: 3 إلى 4 أسابيع من تاريخ بدء العمل الفعلي.

((برجاء الاطلاع على الملف المرفق ))