حلول عملية لتحديات معالجة اللغات الطبيعية (NLP) الحديثة - تأليف Venkata Gunnu و Shubham Shah و Anvesh Minukuri و Jayanth Gopu (غلاف ورقي)

ملخص الكتاب أحدثت النماذج اللغوية الكبيرة (LLMs) ثورة في مجال معالجة اللغات الطبيعية (NLP)، مما مكن من تطوير تطبيقات متقدمة مثل الترجمة الآلية، وتلخيص النصوص، وتحليل المشاعر. يعد هذا الكتاب دليلاً شاملاً لعلماء البيانات، ومهندسي تعلم الآلة، والمطورين، حيث يقدم النظريات التأسيسية والمهارات العملية لتسخير قوة النماذج اللغوية الكبيرة (LLMs) في حل مشكلات العالم الحقيقي. بدءاً من فهم أساسيات النماذج اللغوية الكبيرة (LLMs) وصولاً إلى نشرها في بيئات الحوسبة السحابية والمصادر المفتوحة، يزود هذا الكتاب القراء بالمعرفة الأساسية للتميز في مجال معالجة اللغات الطبيعية (NLP) الحديث. يتبع هذا الكتاب نهجاً تطبيقياً عملياً، حيث يرشد القراء عبر مراحل النشر الكاملة لنماذج اللغات الكبيرة (LLMs)؛ بدءاً من جمع البيانات ومعالجتها مسبقاً، وصولاً إلى تدريب النماذج وتقييمها والاستدلال في الوقت الفعلي. ومن خلال استخدام أطر عمل شائعة مثل Amazon SageMaker و Hugging Face Transformers، ستستكشف مهاماً عملية مثل توليد النصوص، والتصنيف، والتعرف على الكيانات المسماة. بالإضافة إلى ذلك، يتعمق الكتاب في حالات استخدام صناعية مثل روبوتات الدردشة لخدمة العملاء وتوليد المحتوى، مع معالجة الاتجاهات الناشئة، وتقنيات التوسع، والاعتبارات الأخلاقية مثل الانحياز والعدالة في الذكاء الاصطناعي. يُعد هذا الكتاب مرجعك الأمثل لإتقان نماذج اللغات الكبيرة (LLMs) في بيئات العمل الجاهزة للإنتاج. ستتعلم من خلاله:

كيفية تنفيذ مهام معالجة اللغات الطبيعية (NLP) المتطورة، مثل توليد النصوص، وتحليل المشاعر، والتعرف على الكيانات المسماة، وذلك باستخدام خدمات AWS والأدوات مفتوحة المصدر مثل Hugging Face. كما ستتعرف على أفضل الممارسات لتوسيع نطاق نماذج معالجة اللغات الطبيعية وصيانتها في بيئات الإنتاج، مع التركيز على الأداء في الوقت الفعلي، والمراقبة، والتحسينات المستمرة. بالإضافة إلى ذلك، ستتدرب على تقنيات تدريب وتحسين نماذج اللغات الكبيرة (LLMs)، بما يشمل معالجة البيانات مسبقاً، وضبط المعلمات الفائقة، واستراتيجيات التقييم.

هذا الكتاب مخصص لـ: علماء البيانات، ومهندسي تعلم الآلة، والمطورين

من الغلاف الخلفي أحدثت النماذج اللغوية الكبيرة (LLMs) ثورة في مجال معالجة اللغات الطبيعية (NLP)، مما مكن من تطوير تطبيقات متقدمة مثل الترجمة الآلية، وتلخيص النصوص، وتحليل المشاعر. يعد هذا الكتاب دليلاً شاملاً لعلماء البيانات، ومهندسي تعلم الآلة، والمطورين، حيث يقدم النظريات التأسيسية والمهارات العملية لتسخير قوة النماذج اللغوية الكبيرة (LLMs) في حل مشكلات العالم الحقيقي. بدءاً من فهم أساسيات النماذج اللغوية الكبيرة (LLMs) وصولاً إلى نشرها في بيئات الحوسبة السحابية والمصادر المفتوحة، يزود هذا الكتاب القراء بالمعرفة الأساسية للتميز في مجال معالجة اللغات الطبيعية (NLP) الحديث. يتبع هذا الكتاب نهجاً تطبيقياً عملياً، حيث يرشد القراء عبر مراحل النشر الكاملة لنماذج اللغات الكبيرة (LLMs)؛ بدءاً من جمع البيانات ومعالجتها مسبقاً، وصولاً إلى تدريب النماذج وتقييمها والاستدلال في الوقت الفعلي. ومن خلال استخدام أطر عمل شائعة مثل Amazon SageMaker و Hugging Face Transformers، ستستكشف مهاماً عملية مثل توليد النصوص، والتصنيف، والتعرف على الكيانات المسماة. بالإضافة إلى ذلك، يتعمق الكتاب في حالات استخدام صناعية مثل روبوتات الدردشة لخدمة العملاء وتوليد المحتوى، مع معالجة الاتجاهات الناشئة، وتقنيات التوسع، والاعتبارات الأخلاقية مثل الانحياز والعدالة في الذكاء الاصطناعي. يُعد هذا الكتاب مرجعك الأمثل لإتقان نماذج اللغات الكبيرة (LLMs) في بيئات العمل الجاهزة للإنتاج. ستتعلم من خلاله:

كيفية تنفيذ مهام معالجة اللغات الطبيعية (NLP) المتطورة، مثل توليد النصوص، وتحليل المشاعر، والتعرف على الكيانات المسماة، وذلك باستخدام خدمات AWS والأدوات مفتوحة المصدر مثل Hugging Face. كما ستتعرف على أفضل الممارسات لتوسيع نطاق نماذج معالجة اللغات الطبيعية وصيانتها في بيئات الإنتاج، مع التركيز على الأداء في الوقت الفعلي، والمراقبة، والتحسينات المستمرة. بالإضافة إلى ذلك، ستتدرب على تقنيات تدريب وتحسين نماذج اللغات الكبيرة (LLMs)، بما يشمل معالجة البيانات مسبقاً، وضبط المعلمات الفائقة، واستراتيجيات التقييم. هذا الكتاب مخصص لـ: علماء البيانات، ومهندسي تعلم الآلة، والمطورين

نبذة عن المؤلف يشغل Anvesh حالياً منصب نائب رئيس وكبير مهندسي تعلم الآلة (LLM) في JP Morgan Chase، وهو متخصص في تطبيقات معالجة اللغات الطبيعية (NLP). وبفضل شغفه الكبير بعلوم البيانات والذكاء الاصطناعي، يمتلك خبرة تزيد عن 11 عاماً في مجال تكنولوجيا المعلومات و9 سنوات من الخبرة في مجال التحليلات لتنفيذ الحلول التنبؤية والتوجيهية. وهو حاصل على درجة الماجستير من Oklahoma State University بتخصص تنقيب البيانات، بعد حصوله على درجة البكالوريوس في علوم الحاسوب من JNTU University في الهند. بدأ مسيرته المهنية كمهندس برمجيات من جنوب الهند، حيث قدم خدماته لعملاء مرموقين ضمن قائمة Fortune 500 مثل GE وCisco وTech Mahindra. بالإضافة إلى ذلك، ساعد أصحاب المصلحة في الاستفادة من القيمة الحقيقية لتقنيات AI & ML باستخدام رؤى البيانات القابلة للتنفيذ، وكان مسؤولاً عن الإشراف على تصميم ML. يشغل Venkat Gunnu منصب المدير التنفيذي الأول لإدارة المعرفة والابتكار في JPM Chase. وهو مسؤول تنفيذي يتمتع بخلفية ناجحة في ابتكار حلول البيانات وعلوم البيانات على مستوى المؤسسات، وGenAI، وتحسين العمليات، والمنتجات التي تركز على البيانات وعلوم البيانات. يعمل Shubham مهندس برمجيات خبير في تعلم الآلة، وتقنيات السحابة، والحلول المدعومة بالذكاء الاصطناعي. ويمتلك خبرة في تطوير وتحسين أنظمة مثل نماذج Retrieval-Augmented Generation (RAG)، ودمج تقنيات الذاء الاصطناعي مثل ChatGPT و Mistral لعمليات استرجاع المعلومات الذكية في الوقت الفعلي. أما Jayanth فهو مهندس تعلم آلة متمرس يتمتع بخبرة تمتد لـ 12 عاماً، ومتخصص في برمجة Python، والنماذج اللغوية الكبيرة (LLM)، و ModelOps، وتقنيات الأتمتة. بفضل خلفيته القوية في نشر نماذج تعلم الآلة وتحسينها، يتميز بقدرته على إنشاء سير عمل فعال يسهل دورة حياة النموذج بدءاً من مرحلة التطوير وصولاً إلى مرحلة الإنتاج.