يقوم هذا المشروع بتنفيذ نظام "توليد النصوص المعزز بالاسترجاع" (RAG) المخصص لدعم الصحة النفسية.
بدلاً من الاعتماد الكلي على النموذج اللغوي (LLM) لإنتاج إجابات من العدم — مما قد يعرض النظام لخطر
"الهلوسة البرمجية" أو تقديم نصائح غير آمنة — يقوم النظام باسترجاع إجابات حقيقية لمعالجين نفسيين
من قاعدة بيانات منقحة، ثم يعيد صياغتها بأسلوب داعم ومتعاطف.
لماذا يمثل هذا المشروع أهمية؟
- الذكاء الاصطناعي ليس مصدر الحقيقة: النموذج اللغوي لا يبتكر المعلومة الطبية.
- الاستناد لخبرات واقعية: ضمان دقة الإجابات بناءً على معرفة معالجين مختصين.
- إعادة صياغة آمنة: ينحصر دور الذكاء الاصطناعي في تحسين الأسلوب فقط.
- موثوقية أعلى ومخاطر أقل: دقة أكبر في تقديم الدعم وبناء جسر من الثقة مع المستخدم.
================================================================================
المواصفات التقنية (Technical Stack)
================================================================================
* محرك النظام: بناء نظام RAG متكامل باستخدام لغة Python.
* النماذج المدعومة: دمج نماذج OpenAI المتطورة بالإضافة إلى النماذج مفتوحة المصدر.
* واجهة البرمجية (API): استخدام FastAPI لإنشاء خدمات خلفية سريعة وعالية الأداء.
* استرجاع النصوص (Pair Embedding Retrieval): استخدام التعليمات مع دمج ردود المعالجين.
* تمثيل البيانات (Dense MPNet Embeddings): استخدام نموذج (all-mpnet-base-v2).
* البحث الدلالي (FAISS Vector Search): لضمان سرعة فائقة في استرجاع المعلومات.
* النماذج اللغوية (Multiple LLMs via Unsloth): دعم نماذج (Llama, Gemma, Mistral).
* تحسين الأداء (4-bit quantization): لضمان سرعة الاستنتاج (Inference).
* معايير الأمان (Safety prompting): لتجنب أي مخرجات ضارة أو غير آمنة.
* واجهة المستخدم (Streamlit UI): لتوفير تجربة تفاعلية وسهلة.
* أدوات التقييم (Evaluation pipeline): لقياس جودة الاسترجاع ودقة مخرجات النموذج.
