Esraa M.
نبذة
إسراء محمد مهندسة ذكاء اصطناعي وتعلم آلة Artificial Intelligence and Machine Learning، وحاصلة على درجة الماجستير في علوم البيانات وتعلم الآلة Data Science and Machine Learning من Queen's University, Canada. أمتلك خبرة تمتد لأربع سنوات في قيادة الفرق وإدارة المجموعات الكبيرة، بالإضافة إلى خبرة عملية في تطوير حلول الذكاء الاصطناعي وتطبيقات النماذج اللغوية الكبيرة (LLMs) وأتمتة سير العمل (AI Automation).
أتخصص في تصميم وتطوير تطبيقات الذكاء الاصطناعي باستخدام Python، وبناء أنظمة RAG، وتطوير وكلاء الذكاء الاصطناعي (AI Agents)، وربط نماذج الذكاء الاصطناعي مع أدوات الأتمتة والمنصات المختلفة لبناء حلول ذكية وعملية. كما أسعى إلى توظيف البحث العلمي والخبرة العملية لتقديم حلول مبتكرة تحقق قيمة حقيقية للأفراد والشركات.
التعليم
ماجيستير مهني في تعلم الألة و علوم البيانات من جامعة Queen's كندا
بكالوريوس الذكاء الاصطناعي و تعلم الألة جامعة كفر الشيخ مصر
الخبرات
برنامج تدريبي احترافي في الذكاء الاصطناعي وعلوم البيانات من Microsoft وزارة الاتصالات وتكنولوجيا المعلومات
- تطوير بوت لترجمة لغة الإشارة الأمريكية (ASL) إلى اللغة الإنجليزية اللهجة الأمريكية، وحصول المشروع على المركز الأول على مستوى الجمهورية.
- تطبيق تقنيات Machine Learning، Deep Learning، NLP، Computer Vision، وLLMs في مشروعات عملية.
- استخدام Python، TensorFlow، OpenCV، Azure ML، Jupyter، وKaggle لبناء وتطوير نماذج الذكاء الاصطناعي.
- العمل على تجهيز البيانات، وتدريب النماذج، وتقييمها، وتحسين أدائها باستخدام Neural Networks وSupervised Learning.
تدريب مكثف في أساسيات البيانات الضخمة (Big Data Essentials) من وزارة الاتصالات المصرية (NTI)
- حققت تقييمًا إجماليًا بنسبة 98% خلال البرنامج التدريبي، ضمن أفضل نتائج البرنامج التدريبي.
- اكتسبت فهمًا عمليًا لمفاهيم Big Data وهندسة البيانات، وآليات تخزين البيانات الضخمة ومعالجتها وتحليلها.
- تدربت على استخدام Hadoop وMapReduce لمعالجة البيانات الموزعة، مع تطبيق مفاهيم Distributed Computing وParallel Processing.
- طورت مهارات إدارة البيانات والاستعلام عنها باستخدام SQL، والعمل في بيئات Linux وVMware لإعداد وتشغيل بيئات البيانات الضخمة.
- نفذت تطبيقات عملية باستخدام Jupyter Notebook، مع فهم أساسيات تصميم Data Pipelines وتحسين كفاءة معالجة البيانات.
التدريب الصيفي في الرؤية الحاسوبية (Computer Vision Summer Training) – معهد تكنولوجيا المعلومات (ITI)
- اكتسبت أساسيات الرؤية الحاسوبية (Computer Vision) ومعالجة الصور باستخدام تقنيات الذكاء الاصطناعي.
- نفذت تطبيقات عملية في مجالات Image Processing وObject Detection وImage Classification، مع التعرف على دورة تطوير حلول الرؤية الحاسوبية.
المشاريع Projects
مستشار المحفظة المالية (Financial Portfolio Advisor)
- المشكلة: صعوبة استخراج إجابات دقيقة وموثوقة من مستندات مالية طويلة (إدارة محافظ، تقييم أصول، إلخ) دون الوقوع في هلاوس النماذج اللغوية.
- الحل: نظام RAG (Retrieval-Augmented Generation) بيرفع المستخدم ملفات PDF مالية ويسأل بلغة طبيعية، والنظام بيرجع إجابات مبنية فعليًا على محتوى المستندات المرفوعة.
- قاعدة البيانات: بنينا Dataset خاص بيحتوي 150 سؤال وجواب منسّقة من أكتر من 7 مصادر أكاديمية ومالية موثوقة (Portfolio Management، Risk & Return، MPT، Asset Pricing، إلخ).
- التكنولوجيا المستخدمة: Llama-3.2-3B-Instruct، LangChain (LCEL)، FAISS للـ vector search، Hugging Face Transformers وEmbeddings، Gradio لواجهة الويب.
- النشر: تطبيق ويب تفاعلي منشور على Hugging Face Spaces بالتعاون مع الفريق.
- لينك المشروع للتجربة: https://huggingface.co/spaces/osamaandosama147/RAGGANAI
مساعد محادثة سحابي (LlamaChat- Cloud-Based Chat Assistant)
- المشكلة: الحاجة لمساعد محادثة ذكي عام المعرفة (general-knowledge) تم بناؤه وتدريبه ونشره بالكامل على البنية السحابية بشكل عملي.
- الحل: تصميم ونشر نظام محادثة AI متكامل (end-to-end) على AWS، عن طريق عمل Fine-tuning لنموذج Llama-3.2-3B-Instruct على داتاست OpenAssistant (OASST1) اللي فيه 88 ألف رسالة.
معالجة البيانات: استخدمت Apache Spark على AWS EMR لعمل الـ preprocessing للداتا بكفاءة على نطاق واسع.
التدريب: عملت Fine-tuning بطريقة Parameter-efficient باستخدام QLoRA/Unsloth (4-bit quantization، LoRA rank=16) لتقليل استهلاك الموارد.
النشر: نشرت النموذج Live باستخدام Ollama وOpenWebUI على EC2 instance من نوع t3.xlarge جوه VPC مخصص.
كشف الوجوه المزيفة - Deepfake Face Detection
- المشكلة: صعوبة التمييز بين الصور الحقيقية والصور المزيفة (Deepfakes) المولّدة بأربع طرق تزوير مختلفة (DeepFakes, Face2Face, FaceSwap, NeuralTextures)، مع الحاجة لنموذج خفيف يشتغل على CPU بدون الاعتماد على GPU.
-الحل: بناء نموذج تصنيف ثنائي (Binary Classifier) لتمييز الصور الحقيقية من المزيفة على بنشمارك FaceForensics++، باستخدام بنية MobileNetV2 الخفيفة عن طريق Transfer Learning ومُحسّنة للـ inference على CPU فقط.
- دوري في المشروع:
قيادة خط معالجة البيانات والتصنيف بالكامل (Data & Labelling Pipeline)، شاملًا: استخراج الفريمات من الفيديوهات مع كشف الوجوه باستخدام Haar Cascade، وتطبيق بروتوكول التقسيم الرسمي (Pair-based Split) لمنع تسريب البيانات (Data Leakage) بين الـ train/test.
معالجة عدم توازن الفئات: استخدمنا WeightedRandomSampler مع Class-weighted Cross-Entropy Loss لمعالجة مشكلة عدم توازن البيانات (Class Imbalance).
- النتائج: النموذج حقق 0.637 ROC-AUC، مع تقييم لمدى صموده (Robustness) تحت ظروف ضغط JPEG وإضافة Gaussian Noise.
- التكنولوجيا المستخدمة: PyTorch، MobileNetV2، Computer Vision، Transfer Learning.
- لينك المشروع: https://github.com/ABDO176ELTAWEEL/deepfake-detection
التنبؤ بمؤشر الدولار الأمريكي - DXY Predictor
- المشكلة: صعوبة تحديد أي المؤشرات الاقتصادية الكلية (Macroeconomic Indicators) بتأثر فعليًا على مؤشر الدولار (DXY)، وهل تأثيرها فوري ولا بياخد وقت يظهر.
- الحل: دراسة تحليلية باستخدام 27 سنة من بيانات الفيدرالي الأمريكي (Federal Reserve)، مع بناء Lag Features (Lag-1, Lag-2, Lag-3) لقياس التأثير المتأخر للمؤشرات، ومقارنة نماذج خطية (Linear Regression, Ridge, ElasticNet) بنماذج غير خطية (Random Forest).
- أهم النتائج: النماذج الخطية فشلت في تفسير التذبذب في DXY، بينما Random Forest قدر يمسك العلاقات غير الخطية بنجاح. أسعار الصرف (Exchange Rates) لها التأثير الفوري الأقوى، بينما مؤشرات الإسكان وسوق العمل والتضخم والائتمان بيظهر تأثيرها بعد حوالي 1-3 شهور.
- التكنولوجيا المستخدمة: Python، Pandas، Scikit-learn (Linear/Ridge/ElasticNet/Random Forest)، بيانات FRED، Jupyter Notebooks.
- الأثر التطبيقي (Business Impact): النتائج ممكن تدعم التنبؤ بالعملات، توزيع المحافظ الاستثمارية، إدارة المخاطر المالية، وتحليل السياسات الاقتصادية.
- لينك المشروع: https://github.com/esraanode/Understanding-DXY-Macroeconomic-Signals