- بواسطة x32x01 ||
هل كل حاجة في الذكاء الاصطناعي محتاجة LLMs؟ خلينا نفهم بجد 
فيه ناس كتير الفترة الأخيرة دخلت مجال الـ AI وبدأت تشتغل فيه بحماس رهيب
خصوصًا الناس اللي أساسهم Software Engineers، بس مش عايزين يتعمقوا أوي في النظري أو المعادلات والرياضيات بتاعت المجال.
بس السؤال هنا:
هل لازم نستخدم LLMs (Large Language Models) في كل حاجة؟
الحقيقة لأ... ومش أي مشكلة أو فكرة محتاجة GPT أو Claude أو Gemini!
فيه حاجات بسيطة ممكن تتحل بأساليب Machine Learning عادية ونتيجتها أدق وأرخص وأكتر استقرار.
تعالى نوضح بالمثال
لما يكون عندك مشكلة Anomaly Detection… متروحش للـ LLM على طول 
تخيل إنك في شركة عندك نظام بيراقب سلوك المستخدمين أو وقت استجابة السيرفر (HTTP Response Time)وفجأة مديرك يقولك:
"عايزين نعمل system يكتشف أي تصرف غريب أو anomalous behavior."
هنا في ناس بتروح ترمي كل الـ data على LLM وتقول له: “حلليلي الأنومالي دي”
وده خطأ كبير
الطريقة الصح إنك تذاكر شوية Unsupervised Machine Learning Models زي:
- Isolation Forest
- One-Class SVM
- DBSCAN
- Autoencoders
مثال بسيط بكود:
Python:
from sklearn.ensemble import IsolationForest
import numpy as np
data = np.random.normal(0, 1, (100, 2))
clf = IsolationForest(contamination=0.1)
clf.fit(data)
anomalies = clf.predict(data)
print(anomalies)
وده اللي محتاجه بدل ما تبعته كله للـ LLM وتدفع فلوس أكتر وتاخد دقة أقل.
Notification System ذكي؟ استخدم Machine Learning مش ChatGPT!
لو عندك System عايز يلاحظ إن عدد الـ Requests زاد أو قل فجأة عن الطبيعي،الموضوع مش محتاج نموذج لغوي ضخم.
تقدر تبني Anomaly Detection System بسيط باستخدام خوارزميات زي:
- K-Means Clustering
- Z-Score
- Moving Average
وبكده تقدر تبعت Notification أو Alert لما يحصل تغير غريب.
مثال: “الريكوستات قلت 70% عن المتوسط في آخر ساعة
”
Recommendation Systems مش محتاجة GPT كمان 
فيه شركات كتير بتطلب منك تبني نظام ترشيحات للـ Products زي أمازون أو نتفليكس.بس الغلط اللي ناس بتقع فيه إنهم يستخدموا LLMs في حاجة مش محتاجاها خالص
النظام ده المفروض يتبني على أساس:
- Content-based filtering
- Collaborative filtering
- أو مزيج بينهم.
مثال توضيحي صغير:
Python:
from sklearn.neighbors import NearestNeighbors
model = NearestNeighbors(n_neighbors=3)
model.fit(product_vectors)
distances, indices = model.kneighbors(target_product_vector)
من غير ما تدخل في تكاليف ونماذج لغوية معقدة.
لما تدخل Computer Vision… متروحش تبيع بيتك
تخيل عايز تبني System في البيت أول ما الكاميرا تشوف حد بيتحرك بشكل غريب، تبعتلك إشعار 
ناس كتير تفكر تبعت الصور للـ LLM وتحليلاتها هناك...
بس كده هتبيع البيت عشان تدفع التكاليف
الحل الصح إنك تفهم Computer Vision و Behavioral Anomaly Detection،
وتتعلم الأدوات اللي فعلاً معمولة لكده:
- YOLO (You Only Look Once)
- Faster R-CNN
- OpenCV
مثال بسيط بكود:
Python:
import cv2
from ultralytics import YOLO
model = YOLO("yolov8n.pt")
results = model("camera_feed.jpg")
for r in results:
print(r.boxes)
القرار الغلط ممكن يكلف شركتك فلوس كتير 
لو اخترت أداة غلط أو استخدمت LLM في مكان مش مناسب،ده ممكن يبوّظ الـ budget بتاع المشروع ويأخر التسليم،
غير إن النتائج هتكون غير دقيقة أو غير مستقرة.
يعني ببساطة، مش كل حاجة تتحل بـ ChatGPT أو Gemini!
فيه أدوات معمولة مخصوص لكل نوع من المشاكل.
عايز تبقى Applied AI Engineer ناجح؟ اتعلم الصح!
لو هدفك تكون Applied AI Engineer، لازم تمشي صح وتذاكر:- Machine Learning Basics
- Deep Learning
- Unsupervised Learning
- Computer Vision
- Data Processing
- Feature Engineering
ابدأ بحاجة بسيطة زي:
- كورس Andrew Ng على Coursera
- كتاب "Hands-On Machine Learning with Scikit-Learn & TensorFlow"
- وأي مشروع صغير تطبّق فيه اللي اتعلمته عمليًا
ملخص الكلام
لو نفسك تدخل مجال الذكاء الاصطناعي وتبقى Applied AI Engineer:- متستخدمش الـ LLMs في كل حاجة.
- افهم إمتى تستخدم ML Models العادية.
- ذاكر شوية Deep Learning و Computer Vision.
- اشتغل على مشاريع صغيرة تتعلم منها التطبيقي.