◦ صمم ونفذ نظام تصنيف معالجة اللغة الطبيعية (NLP) من البداية إلى النهاية لاكتشاف الأحداث الحرجة النادرة (هجمات الحيوانات على البشر) من ملايين الأشخاص
من المقالات الإخبارية العالمية في مجموعة بيانات CC-News (2017–2024)، التي تناولت التفاوت الطبقي الشديد، والضوضاء العالية، والحاجة إلى الاستمرار
تحسين بدون وضع ملصقات يدوية واسعة النطاق.
◦ بناء خط أنابيب لمعالجة البيانات المجزأة والموزعة باستخدام PySpark لمعالجة ملفات Parquet الكبيرة على نطاق واسع، مع تطبيق خفيف الوزن
الترشيح المسبق المعتمد على ريجيكس لإزالة الضوضاء الواضحة مبكرا، مما يقلل بشكل كبير من عبء الحوسبة مع الحفاظ على الاستدعاء.
◦ طور ونشر مصنف محول قائم على DistilBERT تم تدريبه عبر 13 فئة أخبار مدمجة، مولدا لكل فئة
الاحتمالات ودرجات الثقة للاستدلال حول كل من التنبؤات وعدم يقين النموذج.
◦ تم تصميم حلقة تعلم نشطة مدفوعة بالتغذية الراجعة: تم الإشارة إلى توقعات منخفضة الثقة للمراجعة البشرية وأعاد توجيهها إلى إعادة التدريب،
مما يسمح للنموذج بتحسين النموذج تحديدا في الحالات الطرفية وتحقيق 95٪ ماكرو-F1 على مجموعة بيانات غير متوازنة بشدة باستخدام فقدان البؤرة.
◦ دمج طبقة استدلال RAG وLLM للحالات ذات التأثير العالي: تم استرجاع مقالات تاريخية دلالية متشابهة عبر متجه قائم على FAISS
البحث وتمرير السياق المسترجع إلى نموذج لغوي مستضاف محليا (عبر Ollama) لتوليد تفسيرات لغوية طبيعية وتمكين الباحث
استفسارات حول اتجاهات مثل الموقع أو نوع الحيوان.
◦ بنيت النظام بالكامل محليا باستخدام Ollama لاستنتاج نماذج اللغة الكبيرة، مع Azure Blob Storage لإدارة مجموعات البيانات والقطع الأثرية وHugging
Face Hub لتحميل أوزان النماذج المدربة مسبقا – الحفاظ على خصوصية البيانات الكاملة دون الاعتماد على الاستدلال السحابي الخارجي.
◦ تم تغليف ونشر خط الأنابيب الكامل كخدمة FastAPI محوية (Docker)، مما كشف عن التصنيف، وتقييم الثقة، و
نقاط نهاية الشرح المعززة ب RAG لاستهلاك البحث في مرحلة لاحقة.
◦ ممارسات MLOps المنفذة بما في ذلك تتبع التجارب والمراقبة الفورية (MLflow)، ومقاييس تسجيل المعلومات، منحنيات الفقد، والثقة
توزيعات الدرجات، ومؤشرات انحراف النماذج عبر عمليات إعادة التدريب إلى جانب إعادة التدريب التلقائية على دفعات التغذية الراجعة، وإصدار النماذج،
ونشر الحاويات، مما يقلل من الجهد التشغيلي اليدوي بنسبة 80٪.
◦ صمم استراتيجيات هندسية متعددة المراحل لمعالجة نموذج اللغة الكبيرة لتقليل الهلوسة، وتحسين التأريض الواقعي، و
يعزز موثوقية المخرج للاستعلامات الخاصة بالمجال.
◦ بناء وصيانة خطوط بيانات قوية لمجموعات بيانات نصية واسعة النطاق، تغطي الاستيعاب، والمعالجة المسبقة، والترميز، والتدريب، والتحقق،
وسير عمل الاستدلال من الطرف إلى الطرف.
◦ اتباع مبادئ تطوير الذكاء الاصطناعي المسؤول، مع ضمان العدالة والشفافية والموثوقية في جميع أنظمة الذكاء الاصطناعي المستخدمة؛ سلم
النظام الكامل بشكل مستقل من تصميم البحث وحتى نشر الإنتاج.
◦ التقنية: بايثون، بايتورش، ترانسفورمرز (DistilBERT)، هاغينغ فيس، أولاما، لانغتشين، FAISS، بايسبارك، فاست API، دوكر، إم لفلو، أزور
تخزين البلوب، لينكس

◦ تم توسيع تغطية الاختبار الآلي من 30٪ إلى 70٪ باستخدام أطر عمل تعتمد على CI/CD في جافا وبايثون.
◦ تقليل دورات الانحدار بنسبة 30٪ من خلال التنفيذ المتوازي وتحسين الاختبار.
◦ خطوط معالجة بيانات مبنية تعتمد على SQL تضمن مجموعات بيانات جاهزة للذكاء الاصطناعي والتحليلات.
◦ أنظمة المؤسسات المدعومة التي تعمل كعمود بيانات لخطوط معالجة التعلم الآلي والذكاء الاصطناعي الجيني.
◦ حصل على جائزة INSTA IRISE للتميز الفني.
◦ التقنية: بايثون، جافا، سيلينيوم، SQL، جينكينز، جيت، جيرا، أجايل