المشاريع
كل ما بنيته، في مسارين: أنظمة ذكاء اصطناعي تطبيقية تعمل لمستخدمين حقيقيين، ونماذج تعلم عميق أعدت بناءها من المبادئ الأولى. افتح أي مشروع للاطلاع على العرض الكامل والأمثلة والتقنيات المستخدمة.
أنظمة الذكاء الاصطناعي التطبيقية
أعمال موجّهة للإنتاج حول النماذج اللغوية الكبيرة وRAG والوكلاء والتقييم ومنصات البيانات — أنظمة تعمل لمستخدمين حقيقيين.
Alert Agent — التحقيق في الحوادث بالاعتماد على MCP
الكود خاص (عمل لشركة أو لعميل)
وكيل يعتمد على نموذج لغوي كبير (LLM) طوّرته في Dailymotion، يلتقط تنبيهات منصة البيانات من Slack ويحقق فيها عبر خوادم MCP مخصصة لكل من Airflow وGCP وBigQuery.
التقنيات:
Gemini
MCP
Airflow
BigQuery
GCP
Slack
Code-Hinter — تصحيح بالذكاء الاصطناعي داخل VS Code
GitHub: Code-Hinterفيديو توضيحي: Code-HinterWeb app codeWeb app demo
مشروع جماعي في Centrale Lyon: ينشئ الأساتذة التمارين داخل VS Code، ويسلّم الطلاب حلولهم من المحرر، ويقيّمها نموذج ذكاء اصطناعي وفق معايير الأستاذ.
التقنيات:
TypeScriptVS Code API
Python
Flask
Next.js
Juridia — نظام RAG قانوني متعدد اللغات
الكود خاص (عمل لشركة أو لعميل)
نظام إنتاجي للاسترجاع والإجابة عن الأسئلة فوق أكثر من 100,000 وثيقة قانونية بالعربية والفرنسية، يجمع بين البحث الدلالي والبحث بالكلمات المفتاحية والبحث بالبيانات الوصفية.
التقنيات:
FastAPI
PostgreSQLQdrantLlamaIndex
React
CadQuery Agent — من النص أو الصورة إلى نموذج ثلاثي الأبعاد قابل للتعديل، محليًا
وكيل محلي يحترم الخصوصية أولًا، يحوّل نصًا أو صورة مرجعية أو كليهما إلى كود Python بلغة CadQuery قابل للتعديل وإلى هندسة STL/STEP قابلة للتصدير، باستخدام نماذج مفتوحة الأوزان.
التقنيات:
PythonFastAPICadQuery
Ollama
Docker
Three.js
Coflow — خريطة للكود في VS Code
إضافة لـ VS Code ترسم كيف يعمل الكود: من النظام كاملًا ومن الملف الذي يشغّل كل شيء، حتى كل سطر في دالة واحدة. تعمل محليًا ومجانية الاستخدام.
التقنيات:
TypeScriptVS Code APIPython
Glitch — تطبيق أندرويد ضد العادات التلقائية في استخدام الهاتف
مشروع خاص: أرى فيه إمكانات حقيقية، لذلك تبقى الشيفرة مغلقة في الوقت الحالي.
تطبيق أندرويد صغير يعرض تطبيقاتك بترتيب عشوائي جديد، لتنظر قبل أن تلمس. بلا أذونات، وبلا إنترنت، وبلا تتبّع.
التقنيات: KotlinJetpack ComposeAndroid
GitHub Actions
Kinetra — رفيق لياقة بدنية مدعوم بالذكاء الاصطناعي
مشروع خاص: أرى فيه إمكانات حقيقية، لذلك تبقى الشيفرة مغلقة في الوقت الحالي.
رفيق لياقة بالذكاء الاصطناعي: تمارين موجَّهة، ومدرّب بالكاميرا يتحقق من وضعيتك، وقياسات للجسم من صورة، ومجتمع داعم.
التقنيات:
FastAPIPostgreSQLExpoMediaPipe
ONNX
التعلم العميق والبحث
نماذج مبنية من مبادئها الأولى: المحوّلات (transformers)، والتعلم متعدد الوسائط، والرؤية الحاسوبية، والنماذج التوليدية (GAN، والانتشار، والنص إلى صورة)، والتعلم المعزز، والتعلم على الرسوم البيانية، والكلام والصوت في الزمن الحقيقي.
NatVC — تحويل الصوت العصبي في الزمن الحقيقي
الكود خاص (عمل لشركة أو لعميل)
تحويل صوت من أي متحدث إلى أي متحدث آخر يعمل في الزمن الحقيقي ضمن ميزانية الكمون (latency) لتطبيق مباشر — أطروحة الماجستير الخاصة بي في Centrale Lyon، أنجزتها خلال تدريبي في SteelSeries.
التقنيات:
PyTorch
Accelerate (multi-GPU)StreamVCLLVC
TensorBoard
Bilingual Net — الترجمة بين الإنجليزية ↔ الدارجة
GitHub: Bilingual Netفيديو توضيحي: Bilingual Net
محوّل (Transformer) مُرمِّز–مُفكِّك مبني من الصفر للترجمة بين الإنجليزية والدارجة المغربية — لهجة قليلة الموارد — مع انتباه متبقٍّ pre-LN وخمس استراتيجيات لفك الترميز.
التقنيات:
PyTorch
Streamlit
PoetryBeam search
Tiny LLM — إعادة بناء GPT-2 من الصفر
نموذج على نمط GPT-2 أعدت بناءه من الصفر خلال تدريبي في 3D Smart Factory: انتباه Flash Attention، وكتل pre-LayerNorm، وضبط دقيق بـ LoRA. مستودعي الأكثر حصولًا على النجوم.
التقنيات:
PyTorchLoRAOpenWebText
Image-to-CadQuery — نموذج مخصص من الرؤية إلى الكود
الكود خاص (عمل لشركة أو لعميل)
شبكة عصبية مخصصة من الصورة إلى CadQuery تحوّل صور التصميم بمساعدة الحاسوب (CAD) إلى رموز نمذجة (tokens) قابلة للتنفيذ، دون استدعاء نموذج لغوي كبير أو واجهة برمجية لنموذج مستضاف.
التقنيات:
PyTorchResNet18TransformerHugging Face Datasets
pytest
CartPole RL — اثنتا عشرة طريقة للتعلم المعزز على معيار واحد
حلّ CartPole-v1 باثنتي عشرة طريقة في قاعدة شيفرة PyTorch صغيرة واحدة: Q-learning الجدولي وSARSA وتحكم Monte Carlo، وDQN بمتغيراته المزدوج (double) والمبارز (dueling) وإعادة التشغيل ذات الأولوية وn-step، وREINFORCE والممثل-الناقد (actor-critic) وA2C وPPO، إضافة إلى سياسات CNN تتعلم من البكسلات المرسومة، كلها تحت بروتوكول تقييم واحد.
التقنيات:
PyTorchGymnasium
NumPyMatplotlibpytest
Diffusion Workbench — نماذج الانتشار والتدفق على حلقة واحدة
DDPM (بالتنبؤ بـ ε وx0 وv، وDDIM)، والمعادلات التفاضلية العشوائية للدرجة (score SDE) بصيغتَي VP وVE، ومطابقة التدفق (flow matching)، وEDM، والتوجيه بدون مصنِّف (classifier-free guidance) بلغة PyTorch خالصة، تتشارك جميعها شبكة U-Net أو DiT واحدة، وحلقة تدريب واحدة، وواجهة معاينة واحدة، وتقييمًا واحدًا، مقارَنة على MNIST بمقياس FID على سمات مصنِّف ومنحنيات الجودة مقابل عدد تقييمات الشبكة (NFE).
التقنيات:
PyTorchtorchvisionMatplotlibpytest
English-to-Arabic Translator — ترجمة آلية بمحوّل Transformer
GitHub: English-to-Arabic Translator
ترجمة آلية عصبية من الإنجليزية إلى العربية بمحوّل (Transformer) من نوع مشفِّر-مفكِّك (encoder-decoder) مكتوب من الصفر بـ PyTorch، مع مقطِّع BPE مشترك، وبحث شعاعي (beam search)، وتقييم بـ BLEU / chrF؛ والشيفرة نفسها تعمل لأي زوج من اللغات.
التقنيات:
PyTorchCustom TransformersBeam searchHugging Face Datasetspytest
FrozenLake RL — طرق التعلم المعزز الكلاسيكية مقارنةً بالحل الأمثل الدقيق
حللتُ بيئات FrozenLake وTaxi وCliffWalking بأربع عشرة طريقة كلاسيكية من طرق التعلم المعزز (Reinforcement Learning)، من تكرار القيمة (Value Iteration) والتحكم بطريقة مونت كارلو إلى SARSA(lambda) وDyna-Q وDQN على حالات بترميز one-hot، مع تقييم كل طريقة تقييمًا دقيقًا انطلاقًا من نموذج الانتقال وعلى 1,000 حلقة حقيقية.
التقنيات:
PythonNumPyGymnasiumPyTorchMatplotlib
GAN Workbench — عشرة أنواع من GAN على حلقة تدريب واحدة
عشرة أنواع من الشبكات التوليدية التنافسية (GAN, DCGAN, cGAN, ACGAN, LSGAN, WGAN, WGAN-GP, SNGAN, pix2pix, CycleGAN) مكتوبة بـ PyTorch خالص خلف حلقة تدريب واحدة وخط معالجة بيانات واحد وتقييم واحد، بحيث يكفي تغيير خيار واحد للانتقال من طريقة إلى أخرى، وتكون المقارنة على MNIST وعلى أشكال اصطناعية عادلة.
التقنيات:
PyTorchtorchvisionMatplotlibpytest
LunarLander RL — إحدى عشرة طريقة للتعلم المعزز العميق على معيار واحد
درّبتُ LunarLander-v3 بخوارزميات DQN وdouble DQN وdueling DQN وREINFORCE وA2C وPPO وSAC المتقطع على المركبة ذات الأفعال المتقطعة، وDDPG وTD3 وSAC وPPO الغاوسي على النسخة المستمرة: كل خوارزمية ملف PyTorch واحد سهل القراءة، وجميعها تتشارك الشبكات والبذور العشوائية والتقييم وجدول المقارنة نفسها.
التقنيات:
PyTorchGymnasiumNumPyMatplotlibpytest
MountainCar RL — جميع عائلات التعلم المعزز على مهمة واحدة نادرة المكافأة
حللتُ MountainCar بنسختيه المتقطعة والمستمرة باستخدام Q-learning وSARSA الجدوليين، والترميز بالبلاطات (tile coding)، ومتغيرات DQN، وREINFORCE وA2C وPPO وDDPG وTD3 وSAC وطريقة الإنتروبيا المتقاطعة (CEM)، كلها في قاعدة شيفرة PyTorch واحدة، مع تشكيل المكافأة (reward shaping) ومكافآت الحداثة كخيارات قابلة للتفعيل، لإظهار الطرق التي تجد العلم بمفردها.
التقنيات:
PyTorchGymnasiumNumPyMatplotlibpytest
Pendulum RL — رفع البندول وAcrobot بكل طرق التعلم المعزز الكلاسيكية
حللتُ مهمة رفع البندول (عزم مستمر) وAcrobot (أفعال متقطعة) باستخدام DDPG وTD3 وSAC وPPO وA2C وREINFORCE وطريقة الإنتروبيا المتقاطعة ومتغيرات DQN وSARSA(lambda) مع الترميز بالبلاطات، في قاعدة شيفرة PyTorch واحدة، وكلها بنفس ميزانية الخطوات ونفس التقييم ونفس الرسوم البيانية.
التقنيات:
PyTorchGymnasiumNumPyMatplotlibpytest
Pong RL — لعبة Pong من البكسلات بسبع طرق للتعلم المعزز العميق
لعبة Pong انطلاقاً من البكسلات الخام باستخدام تدرج السياسة لـ Karpathy، وREINFORCE مع خط أساس، وA2C وPPO وDQN وdouble DQN وdueling DQN (مع إعادة التشغيل ذات الأولوية وعوائد n-step) في قاعدة شيفرة PyTorch واحدة؛ نسخة Pong مدمجة بحجم 40x40 مكتوبة بـ numpy تتيح لكل طريقة هزيمة خصمها في دقائق على خيط معالج واحد، والشيفرة نفسها تعمل على Atari Pong.
التقنيات:
PyTorchGymnasiumNumPyMatplotlibpytest
Speech Emotion Recognition — ثمانية مصنِّفات صوتية مختبرة على متحدثين غير مسموعين
GitHub: Speech Emotion Recognition
ثماني طرق لتصنيف المشاعر في الكلام مقارنةً على RAVDESS: الموجة الخام، وMFCC، والمخطط الطيفي log-mel، والسمات المصممة يدوياً، وWavLM مجمَّد، كلها مدرَّبة على التقسيم نفسه ومختبرة على ممثلين لم تُسمع أصواتهم أثناء التدريب، مع قياس الإفراط في التخصيص ومعالجته.
التقنيات:
PyTorchHugging Face Transformerslibrosa
scikit-learn
STT Workbench — مقاربات تحويل الكلام إلى نص في PyTorch
تعرّف على الكلام مبني من الصفر في PyTorch: CTC، ومُرمِّز-مفكك بالانتباه، وLAS، والهجين CTC/الانتباه، وRNN-Transducer على مُرمِّزات BiLSTM أو Transformer أو Conformer، مع كل خوارزميات فك الترميز وتقييم WER/CER، مختبرة على مجموعات بيانات صغيرة بتردد 8 kHz.
التقنيات:
PyTorchBeam searchONNX
Kagglepytest
Text2Image — اثنتا عشرة معمارية لتوليد الصور من النص جنباً إلى جنب
اثنتا عشرة معمارية لتوليد الصور من النص (U-Net الخاص بـ Stable Diffusion، وDiT، وJiT، وMMDiT، وDiT أحادي التدفق، وSANA، وMeanFlow، وTransfusion، والتوليد الانحداري الذاتي، وMaskGIT، وVAR، وMAR) في PyTorch تتشارك مجموعة بيانات واحدة ومجزّئ نصوص (tokenizer) واحداً وحلقة تدريب واحدة وتقييماً آلياً واحداً، دُرّبت وقورنت على معالج CPU في مهمة أشكال موصوفة بتعليقات.
التقنيات:
PyTorchCustom TransformersNumPypytest
TTS Workbench — مقاربات تحويل النص إلى كلام في PyTorch
تحويل النص إلى كلام مبني من الصفر في PyTorch: Tacotron 2 وTransformer-TTS وFastSpeech 2 وVITS ومشفّر صوتي (vocoder) HiFi-GAN مع محاذٍ مدمج وتقييم MCD / F0 / MOS، مقارنةً على مجموعات بيانات صغيرة بتردد 8 kHz.
التقنيات:
PyTorchNumPyMatplotlibKagglepytest
U-Net Image Segmentation — ست متغيرات للتجزئة مقيسة على البيانات نفسها
GitHub: U-Net Image Segmentation
U-Net في PyTorch مع كل خيار تصميمي كراية (flag) (وصلات التخطي (skip connections)، والتجميع الأقصى مقابل الالتفاف بخطوة، والالتفاف المفرد مقابل المزدوج، والكتل المتبقية، ونموذج شبيه بـ SegNet بلا وصلات تخطٍّ، وخط أساس كامل الاتصال)، دُرّبت كلها على أشكال اصطناعية وعلى Oxford-IIIT Pet وقورنت بمقياسي IoU وDice ومسح للعتبة.
التقنيات:
PyTorchtorchvisionpytestMatplotlib
PairVC — تحويل الصوت في الزمن الحقيقي انطلاقًا من أزواج كلام
GitHub: PairVCعرض مباشر: PairVC
محوّل صوت صغير وسببي يحوّل صوتك إلى صوت مستهدف مباشرةً، 20 ملّي ثانية في كل مرة على نواة معالج واحدة. يتعلّم من نموذج مُعلِّم كبير يعمل دون اتصال، على أزواج من الكلام.
التقنيات:
PyTorchONNXStreamlit
JavaScriptKaggle
JointVC — تحويل صوت مفكَّك التشابك، مدرَّب في جولة واحدة
خاص في الوقت الحالي: ما زلت أستكشف هذا البحث، لذلك لم تُنشر الشيفرة بعد.
بحث قيد التطوير: محوّل صوت صغير يعمل في الزمن الحقيقي، يتعلّم فيه مُرمِّز المحتوى ومُرمِّز المتحدث والمُفكِّك معًا، والسؤال المفتوح في صميمه هو فكّ التشابك (disentanglement): إبقاء هوية المتحدث خارج ما يُقال.
التقنيات:
PyTorchONNXHugging Face Transformerstorchaudio
HR-Jev — GPT-2 للتنبؤ بنتائج الموارد البشرية
نموذج GPT-2 مكتوب من الصفر ومُهيَّأ من الأوزان المدرَّبة مسبقًا، يقرأ سجلات الموظفين مصوغة في جمل ويتنبأ بالاستنزاف الوظيفي (attrition) والمستوى الوظيفي والرضا الوظيفي والدخل الشهري.
التقنيات:
PyTorchHugging Face
GradiopytestTensorBoard
Text Classification — كشف المشاعر بشبكات RNN وLSTM وGRU
تصنيف مشاعر جمل إنجليزية قصيرة بنماذج RNN وLSTM وGRU في PyTorch، كل منها مبني بوحدات nn.* ومن الصفر، ومغذّى بتضمينات (embeddings) أحادية الترميز (one-hot) أو GloVe: 12 نموذجاً، وصفة واحدة، ودقة اختبار بين 91 و92%.
التقنيات:
PyTorchGloVeNLTK
Pandaspytest
GNN Molecular — سبع شبكات عصبية بيانية للخصائص الجزيئية
الشيفرة في مستودع خاص في الوقت الحالي.
سبع شبكات عصبية بيانية (Graph Neural Networks) هي GCN وMPNN وDCNN وGIN وGAT وGraphSAGE وAttentiveFP، تتنبأ بالذوبانية الجزيئية (ESOL) انطلاقًا من الرسم البياني للذرات والروابط، مقارَنة على تقسيم واحد داخل حزمة Python مختبَرة.
التقنيات:
PyTorch
PyTorch GeometricRDKitMoleculeNetpytest
Image Captioner — توليد أوصاف الصور متعدد الوسائط
توليد أوصاف للصور (Image Captioning) مبني يدويًا في PyTorch: مُرمِّز (encoder) على نمط ViT يحوّل الصورة إلى رموز بصرية، ومُفكِّك ترميز (decoder) من نوع Transformer يكتب الوصف.
التقنيات:
PyTorchCustom TransformersPoetry
ViT Image Classifier — محوّل الرؤية من الصفر
محوّل رؤية (Vision Transformer) مبني من الصفر في PyTorch: تضمين الرقع، والترميز الموضعي، والانتباه متعدد الرؤوس، ورمز [CLS]، والضبط الدقيق (fine-tuning).
التقنيات:
PyTorchPoetryViT
ImageGen — شبكات GAN ونماذج الانتشار خلف حلقة تدريب واحدة
DCGAN وشبكة GAN من نوع ResNet على نمط SNGAN/BigGAN وشبكة U-Net لنموذج DDPM، مكتوبة بـ PyTorch خالص خلف حلقة تدريب واحدة وأداة توليد عينات واحدة وصيغة نقاط حفظ (checkpoint) واحدة، وكلها شرطية حسب الفئة مع أوزان EMA، مع إعدادات جاهزة لـ MNIST وCIFAR-10 ووجوه الحيوانات AFHQ، والتدريب على CPU أو GPU واحد أو عدة GPU أو عدة أجهزة.
التقنيات:
PyTorchtorchvisionHugging Face Datasetstorchrunpytest
MusicGen — Transformer مقابل LSTM مقابل RNN للموسيقى
توليد موسيقى رمزية بمقارنة Transformer وLSTM وRNN على المدوّنة نفسها، مع تطبيق Streamlit يولّد مقطوعات قابلة للتنزيل.
التقنيات:
PyTorch
KerasStreamlitABC notation
MyTorcha — إطار عمل للتعلم العميق مبني من الصفر
إطار عمل للتعلم العميق (Deep Learning) بنيته من الصفر فوق NumPy: محرّك اشتقاق تلقائي (autograd) على الموتّرات (Tensor) مع طبقات CNN وRNN وLSTM وGRU وطبقات انتباه وTransformer، و20 دالة تنشيط و10 دوال خسارة و8 محسِّنات، مع التحقق من كل تدرّج بالفروق المحدودة ومقارنته بـ PyTorch. المحرّك العددي (scalar) الأصلي محفوظ كفصل تعليمي.
التقنيات:
PythonNumPypytestPyTorch
SegNet Semantic Segmentation — توسيم البكسلات بإلغاء التجميع عبر مؤشرات التجميع
GitHub: SegNet Semantic Segmentation
SegNet مكتوب في PyTorch انطلاقاً من الورقة البحثية: مُرمِّز VGG16، ومفكك ترميز يرفع الدقة باستخدام مؤشرات max-pool المحفوظة، ودالة خسارة الإنتروبيا المتقاطعة مع soft dice، ودقة البكسل وmIoU، مدرَّب على أشكال تجريبية وOxford-IIIT Pet ومشاهد شوارع Mapillary Vistas.
التقنيات:
PyTorchtorchvisionpytestKaggle
YOLO Object Detector — YOLOv1 من الورقة البحثية، في PyTorch
YOLOv1 مكتوب من الورقة البحثية في PyTorch: الشبكة ذات الـ24 طبقة، وخسارة مجموع مربعات الخطأ، وترميز الأهداف، وفك الترميز، وكبح القيم غير العظمى (non-max suppression)، ومقياس mAP، مدرَّب من أوزان عشوائية على أشكال اصطناعية أو أرقام MNIST أو PASCAL VOC أو أي مجموعة بيانات بصيغة YOLO.
التقنيات:
PyTorchtorchvisionpytestKaggle
