في السنتين اللي فاتوا ومع الانتشار الكبير لـ LLMs، خصوصًا، ظهرت وظيفة جديدة في عالم التكنولوجيا اسمها AI Engineer. لكن شنوّة هالـ AI Engineer هذا؟ وعلش يعطيوه فلوس برشة؟ احنا فين؟ شنوّة قاعدين نعملوا؟ الكل هاذي أسئلة ظهرت فجأة وكل واحد منا يحب يعرف إذا كان يقدر يكون AI Engineer ولا لا، واليوم باش نجاوبوا على الأسئلة هاذي.

التعريف الرسمي للوظيفة

AI Engineer هو متخصص هدفه **تصميم، تطوير، وتطبيق حلول تعتمد على تقنيات الذكاء الاصطناعي و Machine Learning.

في البداية، خلينا نقولو إنو الدور هذا ظهر لأنو لحد فترة قريبة، معظم الناس اللي كانوا يخدموا في مجال AI كانوا باحثين أكاديميين أو مهندسين يعملوا على تحسين وتدريب Machine Learning Models، لكن كانت قدرتهم على تطوير Models لأدوات وتطبيقات تحل مشاكل الحياة العملية محدودة شوية، لأنهم ما عندهمش خبرة كافية في مجال صناعة البرمجيات.

الدور هذا يجمع بين 3 مجالات مختلفة:

1. هندسة البرمجيات
2. الذكاء الاصطناعي و Machine Learning
3. هندسة البيانات

وذلك لأنك في الدور هذا تكون مسؤول على تحليل المشكلة وتصميم التطبيق واختيار الـ AI Model اللي باش يساعدك تحل المشكلة وتدريبه على البيانات اللازمة.

• التصميم والتنفيذ والنشر يتطلب مهارات Software Engineer.
• اختيار الـ Model وتحسينه وتدريبه يتطلب Machine Learning Specialist.
• اختيار، جمع وتنقية البيانات اللي باش يتدرب عليها الـ Model وتحليلها بشكل سليم يحتاج لـ Data Engineer.

من الواضح إنو كل واحد من هالمجالات هو عالم بحد ذاته، لذا هتلاحظ في السوق إنو الشركات تطلب مهارات مختلفة حسب احتياجاتها الخاصة في هذا الدور.

---

المهارات الأساسية المطلوبة لهذا الدور

هندسة البرمجيات (Software Engineering)

• Python: هي اللغة الأكثر استخدامًا في AI، وبتدعم برشة مكتبات لتنفيذ التطبيقات.
• SQL / Databases: للتعامل مع البيانات.
• API / Git / Docker: تساعدك في تطوير ونشر التطبيق.

الذكاء الاصطناعي و Machine Learning

• معرفة بالرياضيات والإحصاء لفهم الـ Models وكيفاش تخدم.
• معرفة بـ Machine Learning Models لأن مش كل التطبيقات تحتاج LLMs، ممكن ML Algorithms التقليدية تكفي.
• معرفة بـ Neural Networks و Deep Learning Models.
• معرفة بأنواع Generative Models والفروقات بينها وكيفاش تستعملها لحل مشاكل مختلفة.
• معرفة بـ RAG و AI Agents.

هندسة البيانات (Data Engineering)

• Data Collection and Cleaning: معرفة كيفاش تجمع البيانات وتنظفها.
• Data Analysis and Preprocessing: تحليل البيانات ومعرفة المتغيرات اللي تأثر على النتائج وتحويل البيانات الخام لمدخلات مناسبة للـ Model.
• Big Data Handling and Data Pipelines: التعامل مع كميات ضخمة من البيانات، وبناء Pipelines باش تأتمت كل العمليات على البيانات قبل ما نستخدمها.

---

أهم تحديات الـ AI Engineer

1. اختيار الـ Model المناسب: مش دايمًا الـ GPT أو LLM هو الحل الأفضل.
2. إدارة البيانات الضخمة وتنظيفها.
3. تحسين الأداء والتكلفة (Optimisation & Scaling): استخدام الـ LLMs مُكلف، ويحتاج معالجة قوية، وتحسين مستمر ليتناسب مع التطبيقات.
4. أمان وأخلاقيات الذكاء الاصطناعي (AI Safety & Ethics): البيانات ممكن تحتوي على Biases ومحتاجة مراجعة وتنقيح.

---

أهم الأدوات التي يحتاجها الـ AI Engineer

أدوات الـ LLMs و Generative AI

• LangChain / LlamaIndex / Haystack: لبناء RAG و AI Agents.
• OpenAI API / Anthropic / Gemini / Mistral / HuggingFace Hub: لاستخدام النماذج الجاهزة.
• Ollama / vLLM / LM Studio: لتشغيل النماذج على جهازك الشخصي.

أدوات هندسة البيانات

• Pandas, Polars, NumPy: لمعالجة البيانات.
• Spark / Dask: التعامل مع البيانات الضخمة.
• SQL / PostgreSQL / MongoDB / DuckDB: قواعد البيانات.

أدوات التطوير والنشر

• Docker, Kubernetes: لتشغيل النماذج على السحابة.
• FastAPI, Flask, Gradio, Streamlit: لنشر التطبيقات الـ AI كـ APIs أو دمجها في تطبيقات Web/Mobile.
• GitHub Actions / CI/CD: أتمتة عملية الـ Deployment.

---

كيفاش كمبرمج نبدأ نستعد؟ وين نبدأ؟

لو أنت كمبرمج، عندك فرصة كبيرة لأنك موجود عندك أساسيات متاع الدور دا، وكل ما عليك هو تعلّم المهارات اللي نقصتك.

خطة بسيطة للتحضير:

• المرحلة 1: الأساسيات
  • أساسيات الـ Python.
  • أساسيات Machine Learning، وفيه دورات كثيرة متاحة زي دورة Andrew Ng على deeplearning.ai.
• المرحلة 2: Models, RAG and Agents
  • ندرس الـ Models المختلفة، ونعمل دورة مٌنظمة عشان نعرف أعمق.
  • نتعرف على RAG Architecture ونعمل مشروع تطبيقي.
  • ندرس AI Agents ونطبق عليهم.
• المرحلة 3: Projects
  • نعمل مشاريع بسيطة عشان نتعرف على الأدوات المتاحة في السوق.
  • نخلص مشاريع من الألف للياء وننشرها على GitHub أو نعملها Deployment.

---

في الختام

السوق اليوم عنده طلب كبير على AI Engineers في تونس والعالم العربي، لكن الأهم هو المهارة في التنفيذ وفهم الأدوات المتاحة واستخدامها بشكل جيد.
لو كنت جاهز للتحدي، راهو هالمجال فيه فرص كبيرة تنتظرك!

قولولنا في التعليقات إذا تحبوا تعرفوا أكثر عن أدوات أو تقنيات معينة في الذكاء الاصطناعي.
فاستنونا في المواضيع الجاية حول الـ AI.

1. Coursera

• دورات معتمدة من جامعات كبيرة كيما ستانفورد و MIT.
• دورات مشهورة:
  • Machine Learning من Andrew Ng
  • AI For Everyone من Andrew Ng
  • Deep Learning Specialization من Andrew Ng

رابط الموقع

---

2. edX

• منصة فيها دورات من جامعات عالمية كيما Harvard و MIT.
• دورات معروفة:
  • CS50’s Introduction to Artificial Intelligence with Python
  • Data Science and Machine Learning Essentials

رابط الموقع

---

3. Fast.ai

• Fast.ai من أفضل المنصات المجانية لتعلم الذكاء الاصطناعي، وعندهم دورات مجانية في التعلم العميق (Deep Learning) و التعلم الآلي.
• دورات ممتازة ومحتوى موجه للمبتدئين والمتقدمين.

رابط الموقع

---

4. Kaggle

• Kaggle مش مجرد منصة تعلم، هي كمان منصة تحديات في الذكاء الاصطناعي و التعلم الآلي.
• تجد فيها دورات تعليمية، مسابقات، و مجموعات بيانات مفتوحة.

رابط الموقع

---

5. Udacity

• تقدم Udacity برامج نانو ديجري (Nanodegree) في مجالات مثل الذكاء الاصطناعي و التعلم الآلي و هندسة البيانات.
• دورات معروفة:
  • AI for Business Leaders
  • AI Programming with Python
  • Machine Learning Engineer

رابط الموقع

---

6. DataCamp

• منصة تعليمية تركز على تعلم مهارات البيانات مثل التعلم الآلي و هندسة البيانات.
• فيها دورات تفاعلية على Python، R، و SQL.

رابط الموقع

---

7. YouTube Channels

• Sentdex: قناة تعطي دروس في الذكاء الاصطناعي و التعلم الآلي.
• StatQuest with Josh Starmer: قناة تشرح التعلم الآلي بطريقة مبسطة.

---

8. MIT OpenCourseWare

• يقدم معهد ماساتشوستس للتكنولوجيا (MIT) دورات مجانية حول الذكاء الاصطناعي و التعلم الآلي.
• من بين الدورات:
  • Introduction to Deep Learning
  • Artificial Intelligence

رابط الموقع

---

9. DeepLearning.ai

• تأسست من Andrew Ng، وهي معروفة بتقديم دورات متخصصة في التعلم العميق (Deep Learning) و الذكاء الاصطناعي.
• دورات مهمة:
  • Deep Learning Specialization
  • AI For Everyone

رابط الموقع

---

10. The Data Science Handbook

• كتاب يحتوي على مقاطع مقابلات مع خبراء في علم البيانات. ينجم يساعدك في تطوير مهاراتك العملية.

رابط الموقع

---

11. GitHub

• تجد فيها مشاريع مفتوحة المصدر و مكتبات تخص الذكاء الاصطناعي و التعلم الآلي.
• أمثلة على مكتبات مفتوحة:
  • Keras
  • TensorFlow
  • PyTorch

رابط الموقع

---

12. Towards Data Science

• منصة على Medium فيها مقالات تعليمية و تحليلية في علم البيانات و الذكاء الاصطناعي.
• فيها مقالات بسيطة تفسر المفاهيم العميقة في الذكاء الاصطناعي و التعلم الآلي.

رابط الموقع

---

13. Google AI

• منصة تعليمية من Google فيها مصادر علمية و دورات تعليمية حول الذكاء الاصطناعي.
• تقدم أيضًا مقالات و أبحاث حديثة.

رابط الموقع

---

14. OpenAI

• المنظمة المسؤولة عن GPT-3 و GPT-4، توفر مصادر و أدوات لتعلم الذكاء الاصطناعي و التعلم الآلي.
• دورات و أدوات لتحسين مهاراتك.

رابط الموقع

---

15. The Analytics Vidhya

• منصة تقدم مقالات و دورات تعليمية في علم البيانات و التعلم الآلي.
• تجد هنا دورات موجهة للمبتدئين والمهنيين.

رابط الموقع