اختر الذكاء الصحيح، ثم ابنِ البنية الصحيحة.
We design AI around the task, the evidence, the response time and the data boundary — then connect it to your ERP without locking your operation to one model or provider.
“Use AI” is not a technical requirement.
النظام المفيد يبدأ بمهمة قابلة للقياس: استرجاع الأدلة، استخراج الحقول، التنبؤ بالطلب، فحص صورة أو تنفيذ سير عمل مُتحكم به.
ملاءمة المهمة
A language model, vision model and forecasting model solve different problems. We benchmark candidates on your actual task.
الدليل والسيطرة
الاسترجاع والاستشهادات والمخرجات المنظمة والموافقة البشرية مصممة حول تكلفة الإجابة الخاطئة.
ملاءمة تشغيلية
حجم النموذج متغير واحد فقط. زمن الاستجابة والتزامن والسياق وعرض النطاق الترددي للذاكرة وقابلية الدعم تشكل النشر.
ذكاء مختلف لعمل مختلف.
البنية النهائية يمكن أن تجمع أكثر من نموذج خلف بوابة مُحكمة بدلاً من إجبار كل طلب عبر نموذج عام واحد مكلف.
اللغة والاستدلال
المساعدة في التحليل والصياغة والتصنيف والاستجابات المنظمة.
RAG للمؤسسات
استرجع الأدلة الداخلية المصرّح بها قبل توليد الإجابة، مع استشهادات تشير إلى المحتوى الأصلي.
ذكاء المستندات
صنّف الملفات واستخرج الحقول الموثقة من الفواتير والعقود والنماذج والجداول والمسحورات.
الرؤية الحاسوبية
اكتشف أو صنّف أو افحص الأحداث البصرية على الخادم أو محطة العمل أو الحافة حيث يسمح عبء العمل.
التنبؤ والتقييم
استخدم نماذج السلاسل الزمنية أو الجدولية للطلب والمخاطر والشذوذ والتنبؤات التشغيلية.
الوكلاء والأتمتة
دع النماذج تستدعي أدوات معتمدة بينما تبقى صلاحيات ERP وقواعد العمل والبوابات البشرية في التحكم.
اختر الطريقة بعد تحديد ما يجب تغييره.
تحتاج معرفة حالية وقابلة للتتبع؟
استخدم التوليد المعزز بالاسترجاع. أبقِ المستندات المصدر خارج أوزان النموذج واستدل الأدلة وقت الطلب.
اختر RAGتحتاج سلوكاً أو تنسيقاً ثابتاً؟
ابدأ بالتوجيهات والمخرجات المنظمة. اختر LoRA أو QLoRA فقط بعد أن يكشف خط أساس مقيس عن فجوة قابلة للتكرار.
توجيه → PEFTتحتاج فهم المسحورات أو التخطيطات؟
استخدم OCR أو نماذج تخطيط المستندات أو نموذج رؤية لغوية، مع تحقق على مستوى الحقل قبل الكتابة في ERP.
OCR / VLM / IDPتحتاج التنبؤ برقم؟
Compare specialized forecasting and tabular models before selecting an LLM. The simpler model may be faster and easier to evaluate.
التنبؤ / تعلم آليRAG يغيّر الدليل. التكييف الدقيق يغيّر السلوك.
يمكنها العمل معاً، لكنها تحل مشاكل مختلفة. لا يلغي أيهما الحاجة للتقييم أو الأذونات أو المراجعة البشرية في سير العمل عالي التأثير.
التوليد المعزز بالاسترجاع
- جيد للسياسات والأدلة والسجلات التشغيلية المتغيرة.
- يدعم الاستشهادات والأذونات على مستوى المستند.
- الجودة تعتمد على التحليل والتقسيم والاسترجاع وإعادة الترتيب.
LoRA و QLoRA
- مفيد للسلوك المتكرر والمصطلحات أو أسلوب المخرجات.
- يضيف محولات قابلة للتدريب مع تجميد معظم الأوزان الأساسية.
- الرتبة والطبقات المستهدفة والدقة يجب اختيارها عبر التجارب.
A model is only “better” against an agreed test.
حجم مجموعة البيانات ليس عتبة عامة. نبني مجموعة تقييم تمثيلية ونقيس الخط الأساسي ونختار أصغر تدخل يسد الفجوة.
عرّف الفشل
اتفق على شكل النتيجة الضارة أو الناقصة أو غير القابلة للاستخدام.
ابنِ أمثلة
عيّن لغات حقيقية وأنواع مستندات وحالات حدية وأدوار مستخدمين.
قارن
قارن النماذج والتوجيهات وإعدادات الاسترجاع وقيود المخرجات.
تكيف
اضبط الاسترجاع أو درّب المحولات فقط حيث يدعم الدليل ذلك.
راقب
تتبع الجودة وزمن الاستجابة والانحراف والتكلفة والتجاوزات البشرية بعد الإطلاق.
قلّل الذاكرة بعناية، ثم أعد اختبار المهمة.
الدقة الأقل يمكن أن تقلل بصمة النموذج وأحياناً تحسّن الإنتاجية، لكن تأثير الجودة يعتمد على النموذج والطريقة ووقت التشغيل وحمل العمل.
Candidate runtimes can include llama.cpp/GGUF, OpenVINO, ONNX Runtime, vLLM or other validated engines. Selection follows the model, hardware and throughput target.
عتاد التدريب لا يلزم أن يحدد عتاد الإنتاج.
النموذج المُكيّف على GPU يمكن تحويله وتكميمه للاستنتاج على CPU عندما تدعم البنية ووقت التشغيل المستهدف ذلك. يجب قياس الأداء على الخادم الفعلي.
استنتاج على CPU
يناسب المساعدات منخفضة التزامن والاستخراج الدفعي والنماذج المكمّمة الأصغر حيث تسمح أهداف زمن الاستجابة.
- تحقق من دعم التعليمات وطوبولوجيا NUMA
- حدد حجم RAM بما يتجاوز أوزان النموذج و KV cache
- قس عرض النطاق الترددي للذاكرة، لا النوى وحدها
استنتاج على GPU
مفضل عندما يجعل التزامن أو زمن أول رمز أو السياقات الطويلة أو النماذج الكبيرة التسريع ضرورياً.
- استوعب الأوزان و KV cache ضمن VRAM المتاح
- قياس التجميع والتوازي
- خطط للتبريد والطاقة والتكرار
تفريغ هجين
بعض بيئات التشغيل يمكنها تقسيم طبقات النموذج بين GPU وذاكرة النظام عندما لا يكون الإقامة الكاملة في GPU عملية.
- التحقق من عبء النقل
- ضبط موضع الطبقة
- احتفظ ببديل CPU مختبر حيث يكون مفيداً
قِس عبء العمل، لا جدول أسماء النماذج.
Two deployments using the same model may need different hardware because context length, concurrency and response targets change memory and throughput.
اطلب تقييم تحجيمBring one real workload and one real data boundary.
We will turn them into a model shortlist, evaluation plan, integration design and measurable infrastructure test.