آيه ع.

أنا خريجة هندسة الميكاترونيكس والروبوتات، وكان مجال الـ Automotive دائمًا من أكثر المجالات التي استحوذت على اهتمامي، لذلك وقع اختياري على أن يكون مشروع تخرجي تصميم وتنفيذ سيارة ذاتية القيادة من المستوى الثالث (Level 3 Autonomous Vehicle)._مرفق في المشاريع_

هذا المشروع أتاح لي فرصة الدمج بين عدة مجالات تقنية، حيث عملت على الربط بين ROS والـ Embedded Systems والذكاء الاصطناعي (AI)، وتمكنا في النهاية من تنفيذ سيارة قادرة على أداء المهمة المطلوبة بالكامل، بحيث تقوم بتوصيل العميل إلى الوجهة التي يحددها دون أي تدخل بشري.

بعد التخرج، كان هدفي توسيع خبرتي في مجال تطوير البرمجيات، لذلك التحقت بدبلومة Software Testing، وتعرفت خلالها على أساليب اختبار الأنظمة والتطبيقات، سواء من خلال Manual Testing أو Automation Testing، مما منحني فهمًا أعمق لدورة حياة تطوير البرمجيات وأهمية ضمان الجودة في كل مرحلة.

لاحقًا، واصلت مسيرتي الأكاديمية بالالتحاق ببرنامج ماجستير في Software Development based on AI. وخلال هذه المرحلة، كان تركيزي الأساسي على الجانب العملي، حيث عملت على تنفيذ مشاريع Cloud باستخدام AWS، بالإضافة إلى مشاريع متكاملة في DevOps وMLOps.

استخدمت Docker وقمت ببناء Multi-stage Builds مع تشغيل التطبيقات باستخدام Non-root User لتحسين مستوى الأمان، كما استخدمت Kubernetes وk3d لإدارة التطبيقات، ونفذت عمليات Deployment Automation باستخدام Argo CD بالاعتماد على مفهوم GitOps مع تفعيل خصائص مثل Self-healing. كذلك استخدمت Kustomize Overlays لإدارة البيئات المختلفة والتحكم في إعدادات Kubernetes مثل Resource Limits وHealth Probes.

وفي جانب الـ Monitoring، عملت باستخدام Grafana وقمت ببناء Dashboard تضم أربع لوحات رئيسية لمتابعة أهم مؤشرات الأداء، وهي Request Rate وError Rate وLatency واستهلاك CPU/Memory، مع ربطها بـ Prometheus Metrics باستخدام ServiceMonitor.

كما عملت على إدارة دورة حياة نماذج الذكاء الاصطناعي باستخدام MLflow، حيث قمت بتتبع التجارب والـ Parameters والـ Artifacts، بالإضافة إلى تطبيق Model Registry وإدارة النماذج باستخدام مفهوم Champion/Challenger Aliases، إلى جانب العديد من الأدوات الأخرى التي استخدمتها ضمن المشاريع المختلفة.

ومن أبرز المشاريع العملية التي قمت بتنفيذها مشروع End-to-End CI/CD & MLOps Pipeline for Sentiment Analysis، وهو مشروع متكامل يغطي جميع المراحل بدايةً من ضمان جودة الكود وحتى نشر النموذج في بيئة الإنتاج.

في مرحلة CI Pipeline، قمت بأتمتة عمليات فحص جودة الكود باستخدام Ruff للـ Linting وMypy للـ Type Checking، كما أجريت اختبارات باستخدام Pytest حققت تغطية تجاوزت 70%، بالإضافة إلى إنشاء SBOM باستخدام Syft، وتم تشغيل جميع هذه المراحل بشكل آلي باستخدام Gitea Actions.

أما في جانب الـ MLOps وContinuous Deployment، فقد أجريت تجارب Few-shot Prompting باستخدام نموذج Qwen2.5-1.5B، ونفذت GPTQ Quantization مما ساهم في تقليل حجم النموذج بنسبة 64%، من حوالي 3 GB إلى 1 GB، مع نشر النماذج باستخدام vLLM API Servers.

كما قمت ببناء A/B Testing Traffic Router باستخدام FastAPI بنسبة توزيع 80/20، وطبقت استراتيجية Canary Deployment باستخدام Argo Rollouts، مع دمج Evidently AI لمراقبة Model Drift، بحيث يتم تنفيذ Automated Promotion أو Rollback بشكل تلقائي وفقًا لأداء النموذج.

ومن المشاريع التي أعتز بها أيضًا مشروع Accident Prediction باستخدام Toronto Dataset، حيث قمت بتدريب النموذج ونشره بهدف التنبؤ بالحوادث قبل وقوعها، بما يساهم في تعزيز السلامة وتقليل المخاطر.

كما عملت على عدد من المشاريع المتقدمة في Generative AI، شملت Fine-tuning للنماذج، بالإضافة إلى تصميم وتنفيذ Multi-model RAG System.

بشكل عام، أحرص دائمًا على بناء حلول متكاملة تجمع بين تطوير البرمجيات والذكاء الاصطناعي وعمليات النشر والتشغيل، وأسعى باستمرار إلى تعلّم التقنيات الحديثة وتطبيقها عمليًا في مشاريع حقيقية، لأنني أؤمن أن أفضل طريقة لاكتساب الخبرة هي من خلال التنفيذ الفعلي والتطوير المستمر.

_