آيه ع.

أنا آيه عبدالله، خريجة هندسة ميكاترونيكس وروبوتات. من زمان وأنا بحب مجال الأوتوموتيف (Automotive)، وعشان كده اخترت أعمل مشروع تخرجي عبارة عن تصميم وتنفيذ سيارة ذاتية القيادة من المستوى الثالث (Level 3 Autonomous Vehicle). في المشروع ده دمجت وتعمقت في تكنولوجي كتير؛ ربطت بين ال ROS وال Embedded Systems والذكاء الاصطناعي (AI). والحمد لله العربية عملت التاسك المطلوب منها بالظبط، وقامت بتوصيل العميل للواجهة اللي حددها من غير أي تدخل بشري.

بعد ما اتخرجت، حبيت أزود مهاراتي في السوفتوير، فأخدت دبلومة في ال Software Testing ودرست فيها إزاي أعمل اختبار للمشاريع والمواقع، سواء Manual أو Automation Testing.

وبعدها كملت دراستي وأخدت الماجستير في ال Software Development based on AI. وفي المرحلة دي ركزت جداً على الجانب العملي؛ فنفذت مشاريع Cloud على AWS provider، واشتغلت على مشاريع DevOps & MLOps كاملة. واستخدمت فيهم أدوات زي Docker وعملت Multi-stage builds عشان أضمن السكيورتي مع non-root user، واستخدمت Kubernetes و k3d لإدارة التطبيقات، وعملت ال Deployment Automation باستخدام Argo CD مع ال GitOps sync وال self-healing، وكمان ضبطت ال Kustomize overlays عشان أتحكم في البيئات المختلفة ومظاهر ال Kubernetes زي ال resource limits وال health probes.

ومن أدوات ال Monitoring والمتابعة اشتغلت ب Grafana وعملت dashboard فيها 4 panels تتابع ال (Request Rate, Error Rate, Latency, CPU/Memory) وربطتها ب Prometheus metrics مع ServiceMonitor. ده غير ال Model Lifecycle Management وإدارة التجارب وتتبع ال parameters وال artifacts باستخدام MLflow وعملت Model Registry مع champion/challenger aliases وأدوات تانية كتير اشتغلت بيها وسط الكلام.

ومن أهم المشاريع العملية اللي نفذتها بنفسي:

مشروع End-to-End CI/CD & MLOps Pipeline for Sentiment Analysis: المشروع ده كان متكامل من أول جودة الكود لحد ال production؛ في جزء ال CI Pipeline عملت أتمتة ل code quality checks باستخدام Ruff لل linting و Mypy لل type checking، وعملت اختبارات ب Pytest حققت تغطية أكتر من 70%، مع عمل SBOM generation باستخدام Syft، وشغلت ال pipeline دي كلها ب Gitea Actions.

وفي جزء ال MLOps & CD، عملت تجارب Few-shot prompting على موديل Qwen2.5-1.5B، وعملت GPTQ Quantization عشان أقلل حجم الموديل بنسبة 64% (من 3 جيجا ل 1 جيجا). واستخدمت vLLM API servers لتقديم الموديلز، مع عمل A/B Testing Traffic Router ب FastAPI بنسبة 80/20. وطبقت إستراتيجية Canary deployment متدرجة باستخدام Argo Rollouts، وربطتها ب Evidently AI عشان أتابع ال drift monitoring، وبناءً عليه بيحصل Automated promotion أو rollback تلقائي مع الموديلز.

مشروع Accident Prediction على ال Toronto dataset: عملت بنفسي Train و Deploy للموديل عشان يتنبأ بالحادثة قبل ما تحصل بهدف حماية الأرواح.

مشاريع ال Generative AI المتقدمة: عملت Fine-tuning for Model واشتغلت على نظام Multi-model RAG System.