بناء وتدريب مساعد AI متخصص (LLM Fine-Tuning) على AWS

مش كل موديل AI بيقول الحقيقة — المشكلة إن موديلات AI العامة بتـ"هلوس" في التفاصيل: بتخترع مراجعات مش موجودة، تقييمات مش حقيقية، ومصادر مالها وجود. أبدأ بفهم المشكلة... ثم أختار الحل. المشكلة هنا كانت: عايزين مساعد ذكاء اصطناعي يرد على استفسارات منتجات العناية بالبشرة بمعلومات حقيقية، مش معلومات مُلفّقة تبدو مقنعة. إيه اللي عملته بالظبط؟ جهّزت أكتر من 23.9 مليون مراجعة حقيقية من أمازون (معالجة عبر PySpark على AWS EMR)، وحوّلتها لبيانات تدريب نظيفة. بعدين درّبت (Fine-tuned) نموذج Llama 3.2 على البيانات دي باستخدام QLoRA، ونشرته كمساعد محادثة حقيقي على AWS EC2 عبر Docker — يقدر أي حد يستخدمه من المتصفح مباشرة من غير تسجيل حساب، وكمان عبر API مباشر لو محتاج تكامل مع نظام تاني. النتيجة: - الموديل الأساسي (قبل التدريب): بيخترع مواقع تقييم مش موجودة، ومراجعات وهمية تبدو مقنعة. - الموديل بعد التدريب: بيرد بنصايح دقيقة ومنظمة (مكونات محددة زي hyaluronic acid وceramides، ومنتجات حقيقية بالاسم زي Cetaphil وCeraVe)، مبنية على بيانات مراجعات حقيقية مش تخمين. أدوات: Python, PySpark, AWS (EC2, EMR, S3, VPC), Llama 3.2, QLoRA, Docker, Ollama.