حمزة وحساين

ترفع الفرق المالية ملفات Excel أو CSV المستخرجة من أنظمتها؛ فيتعرف التطبيق على الصيغة الفعلية للملف، ويحلل القيم المالية المكتوبة بالتنسيقين الفرنسي والإنجليزي، وينبه إلى مشكلات الجودة، ويحفظ كل تعديل في إصدار جديد، ويبني جداول محورية على طريقة Excel بمجاميع فرعية دقيقة. يكتب المساعد استعلامات SQL وينفذها على DuckDB، ويرسم المخططات الشلالية (bridge) ويشرح النتيجة، ثم يصدرها إلى Excel و Word و PowerPoint.

بُني باستخدام Python، FastAPI، pandas، DuckDB، ChromaDB (RAG)، وكيل LLM مع استدعاء الأدوات، vanilla JavaScript

يقرأ تسع صيغ، منها الوثائق الممسوحة ضوئيًّا والصور عبر OCR بنموذج رؤية؛ ويقطّع النص بحسب بنية الوثيقة ولا يشطر صفّ جدول أبدًا؛ ويضيف الاسترجاع السياقي (Contextual Retrieval). استرجاع هجين يجمع BM25 والمتجهات ويدمج نتائجهما بـ RRF، ثم إعادة ترتيب بنموذج مُرمِّز متقاطع (cross-encoder): على مجموعة الوثائق التجريبية يرتفع MRR لنموذج تضمين ضعيف من 0.53 إلى 0.94. وكيل مبني بـ LangGraph يعيد صياغة أسئلة المتابعة، ويفكك الأسئلة المتعددة الأجزاء، وينقد أدلته بنفسه، ويمتنع عن الإجابة بدل أن يخمن. كل اقتباس في الإجابة يُتحقَّق منه بمطابقته مع مقطعه في المصدر، وتقيس منظومة تقييم مؤشرات recall و MRR و groundedness (استناد الإجابة إلى المصادر) لكل نموذج. ويمكن إيقاف استيعاب الوثائق في منتصف ملف ثم استئنافه دون دفع كلفة أي استدعاء مرتين.

بُني باستخدام LangGraph، FastAPI، استرجاع هجين BM25 + متجهات (RRF)، إعادة ترتيب بمُرمِّز متقاطع (cross-encoder)، Claude vision OCR، ChromaDB، SQLite FTS5، مسارات معالجة قابلة للإيقاف والاستئناف، Angular

وكيل SQL يعمل باستدعاء الدوال مع ضوابط حماية، ومنظومة تقييم لأنظمة RAG (recall@k، قياس groundedness بتحكيم نموذج LLM، تجارب استبعاد على طرق التقطيع)، وأداة تشرح التنبؤات نصيًّا مع اختبارات رجعية بأصل متحرك (rolling-origin)، وراصد للانحراف (drift) يفرز الحالات بنموذج صغير قبل تصعيدها إلى نموذج كبير، ومسار معالجة للتقطير يقيس حد باريتو بين الدقة والتكلفة.

بُني باستخدام بوابة FastAPI، نماذج محلية متوافقة مع OpenAI وجميع مزودي LLM الرئيسيين، تقييمات RAG، التقطير، تتبع التكلفة، Angular

بوابات فحص مسبق للبرمجيات الخبيثة والأسرار المسربة، ثم تحليل ساكن وأمني، وخارطة طريق يولدها نموذج LLM مرتبة بحسب المخاطر، ثم إصلاحات تنفذ في بيئة معزولة مع الاختبار والتراجع عند الفشل. يتعامل مع المستودع بوصفه مُدخَلًا معاديًا: حاويات مقطوعة عن الشبكة وبوابة موافقة بشرية. 478 دالة اختبار للواجهة الخلفية.

بُني باستخدام LangGraph، FastAPI، بيئات Docker معزولة مقطوعة عن الشبكة، ruff/mypy، bandit/semgrep/osv-scanner، ClamAV/YARA/TruffleHog، React

محاكاة حتمية لشركة قائمة على تسجيل الأحداث (event sourcing)، فيها 20 أداة و24 سيناريو (ثلثها لا يمكن كسبه بتنفيذ أي إجراء)، و4 هياكل تشغيل (scaffolds) و6 ملفات سياسات، مع تتبع التلوث (taint tracking) وبوابات للإجراءات التي لا رجعة فيها. المقياس الرئيسي: النجاح الموهوم، أي أن يعلن الوكيل «تم» بينما يقول السجل غير ذلك.

بُني باستخدام FastAPI، WebSocket، محاكاة قائمة على تسجيل الأحداث، هياكل ReAct/Plan-Execute/Reflexion، تتبع التلوث (taint tracking)، React

يحلل خصائص مجموعة البيانات، ثم يخطط لتجارب scikit-learn ويكتب شيفرتها داخل بيئة معزولة مقطوعة عن الشبكة ومحدودة الموارد، ويجري سبعة فحوص لتسرب البيانات لا يستطيع تجاوزها؛ أما المجموعة المحجوزة فتُقيَّم في عملية منفصلة. ويعرض الفجوة بين نتيجة التحقق المتقاطع (CV) ونتيجة المجموعة المحجوزة، مقارنة بخط أساس بسيط.

بُني باستخدام Python، scikit-learn، توليد الشيفرة بنموذج LLM، بيئة معزولة بحدود قصوى لـ CPU والذاكرة وعدد العمليات (PID)، تقييم المجموعة المحجوزة في عملية منفصلة

إصدارات غير قابلة للتعديل مع وسوم نشر متحركة (النشر والتراجع عملية واحدة)، وتصحيح بتحكيم نموذج LLM على مجموعة مرجعية (golden set) يمنع تراجع الجودة، وتقسيم لحركة المستخدمين يبقي كل مستخدم في مجموعته، وطبقة إحصائية: اختبارات z، اختبار t لـ Welch، تحليل القوة الإحصائية، كشف SRM، وضوابط للتكلفة وزمن الاستجابة.

بُني باستخدام FastAPI، Python SDK، منظومة تقييم بتحكيم LLM، اختبارات z، اختبار t لـ Welch، تحليل القوة، كشف SRM، تقسيم حتمي لحركة المستخدمين، React

تجميعة نماذج (ensemble) من XGBoost و LightGBM و LSTM مبني بـ PyTorch و ARIMA و Prophet، تقارن بخطوط أساس بسيطة عبر اختبار رجعي متدرج (walk-forward) نزيه، مع تحليل لمشاعر الأخبار يقيمه نموذج LLM، وموجز يومي يكتبه الذكاء الاصطناعي عبر نموذج محلي متوافق مع OpenAI.

بُني باستخدام FastAPI، SQLModel، PyTorch LSTM، XGBoost/LightGBM، ARIMA/Prophet، اختبار رجعي متدرج (walk-forward)، Angular

سجل عام للنماذج مع مرشِّحات النطاق (domain filters)، ومستندات تحكمها آلة حالات، ومخزون قائم على الكميات (quants) مع الطلبات المؤجلة، ومتغيرات المنتجات، ومدفوعات الفواتير والإشعارات الدائنة، إضافة إلى مساعد ذكاء اصطناعي يستدعي الأدوات عبر طبقة الخدمات. واجهة بلغتين، الإنجليزية والفرنسية، مع اختبارات للتزامن والأقفال على Postgres.

بُني باستخدام FastAPI، SQLAlchemy، PostgreSQL، Alembic، Docker، مساعد باستدعاء الأدوات، React