من اللي بيصير أغنى بسبب الذكاء الاصطناعي؟

الذكاء الاصطناعي يرفع الإنتاجية، بس مش معناه أن الدول الفقيرة أو الشركات المتأخرة بتصير أغنى تلقائيًا بمجرد أنها بدأت تستخدمه.

الفرق في القدرة على تحويل هذي التقنية إلى قيمة اقتصادية حقيقية. وهذا يعتمد على الناس اللي عندك، وخبرتهم وقدرتهم على التكيف، أكثر من اعتماده على فكرة أنك تستبدلهم بالذكاء الاصطناعي وخلاص.

تخيل تجيب حراثة حديثه لمزرعة في بلد فقير. نظريًا المفروض الإنتاجية ترتفع، لكن من بيشغله؟ ومن بيصلحه لما يتعطل؟ وين الوقود وقطع الغيار؟ وهل طريقة الزراعة أصلًا مهيأة علشان تستفيد منه؟

مش مجرد أنك جبت الحراثة يعني حليت المشكلة.

مع الذكاء الاصطناعي نفس الفكرة، لكن على نطاق أكبر. وجود أقوى نموذج عندك ما يفيد كثير لو ما عندك ناس تعرف وين تستخدمه وكيف تغيّر طريقة الشغل علشان تستفيد منه.

وحتى حجم الاستفادة بيختلف حسب طبيعة العمل. جزء كبير من أثر الذكاء الاصطناعي يتركز في الأعمال الذهنية اللي تكلفتها عالية. تخيل شركة عندها 100 محامٍ، أو اقتصاد تشكل فيه الخدمات القانونية 5% من الناتج المحلي. توفير الوقت والجهد في هذه الأعمال ممكن يصنع فرق اقتصادي كبير، لكن مش بالضرورة تحصل نفس الأثر المباشر في مزرعة أو بلد يعتمد أغلب اقتصاده على الزراعة.

والأهم من اختيار الأداة هو طريقة إدخالها في الشغل.

لو نقارن مثلا بين ثقافة هندسية مرنة في شركات مثل NVIDIA وAnthropic وStripe، وبين شركة تقنية للان تفكر بعقلية "أنا المدير وأنت ما تفهم".

في الأولى الناس تجرب، وتغير، وعندها صلاحية تتخذ قرارات وتتحمل مسؤوليتها. وفي الثانية كل خطوة تحتاج موافقات، واجتماعات ما تنتهي، وموظفين ما عندهم دافع يغيروا شيء، لأن أي اقتراح جديد أصلًا بيصطدم بالمدير.

طبيعي ما تتوقع منهم نفس النتيجة، حتى لو أعطيت الاثنين نفس الأدوات ونفس الاشتراكات.

علشان كذا الدول والشركات الغنية ممكن تزيد ثروتها مع الذكاء الاصطناعي، مش بس لأنها تملك رأس المال، لكن لأنها أقدر على الاستفادة منه. عندها إدارة، وبنية تحتية، وخبرات، وثقافة هندسية تساعده تحول التقنية إلى نتائج، بدل ما تضيع بين التقارير والصراعات على المناصب والبيروقراطية.

وطبعًا مش كل شركة غنية عندها هذه الصفات، ولا كل شركة صغيرة محرومة منها. الفكرة في القدرة على التغيير، مش في حجم الشركة لحاله.

الشهادات ووجود التقنية ما يكفوا. المهم تعرف كيف تدخلها في منظومة شغلك، وبأي سرعة، وإيش النتيجة الفعلية اللي تطلع بها.

ممكن شركة تغير طريقة شغلها بالكامل وتسبق السوق، وشركة ثانية جالسة تعقد اجتماعات علشان تناقش هل تسمح للموظفين يستخدموا الذكاء الاصطناعي أو لا.

تنسيق النصوص بمرونة باستخدام f-strings! ✨

اكتشف كيف يمكنك جعل تنسيق النصوص في بايثون أسهل وأكثر قراءة باستخدام f-strings القوية.

name = "أحمد"
age = 30
city = "الرياض"

# Using f-string for easy formatting
message = f"مرحباً، اسمي {name} وعمري {age} سنة. أعيش في {city}."
print(message)

# You can also include expressions and format them
price = 19.99
quantity = 3
total = f"السعر الإجمالي: {price * quantity:.2f} ريال."
print(total)

تتيح لك f-strings تضمين التعبيرات والمتغيرات مباشرة داخل السلاسل النصية باستخدام الأقواس المعقوفة {}، مما يجعل الكود أكثر وضوحاً واختصاراً. كما يمكنك تطبيق التنسيقات مباشرة داخل الأقواس.

['#بايثون', '#تعلم_بايثون', '#برمجة', '#نصائح_برمجية', '#fstrings', '#PythonTips']

كل يومين نشوف متفلسف يطلع يقول «الذكاء الاصطناعي بيستبدل الجميع»، واليوم اللي بعده واحد يطلع يقول «الذكاء الاصطناعي ما بيستبدل أحد».

بس السؤال اللي أشوفه أهم: الشركات اللي تستخدمه، ايش نوع الموظفين اللي بتحتاجهم؟

في دراسة لباحثين من ستانفورد وكينغز كوليدج لندن، استخدموا بيانات من 41 دولة وقارنوا فروع شركات متعددة الجنسيات تبنت الذكاء الاصطناعي بفروع مشابهة ما تبنته، ببيانات تمتد إلى مارس 2026. النتيجة كانت زيادة في عدد الموظفين ذوي الخبرة بحوالي 6.7% مقارنة بالمجموعة الثانية. يعني الكلام عن موظفين فعليين، مش مجرد إعلانات وظائف.

أما المبتدئون، فكان تقدير الانخفاض عندهم 2.5%، وانخفضت عدد الوظائف ب 10%لكن النتيجة هذه ما كانت حاسمة إحصائيًا. طبعا في الدراسة طلع ان المبتدئين حصتهم من الموظفين انخفضت أساسًا لأن عدد أصحاب الخبرة زاد، مش لأن الشركات استغنت عن المبتدئين بالكامل.

وطبعًا نمو التوظيف عند الشركات اللي تبنت التقنية مش دليل كافي أن الوظائف تزيد في الاقتصاد كله؛ ممكن شركة تتوسع على حساب منافسين لها. الباحثون أنفسهم يفرقوا بين الاثنين.

بالنسبة لي، الفكرة المهمة هنا مش «المبتدئين ما عاد لهم مكان»، ولا

أن أي شخص كاتب بحسابه انه Senior صار وضعه مضمون.

الفكرة أني لو أقدر أستخدم نموذج ينفذ مهمة محددة بسرعة وتكلفة أقل، فالقيمة اللي أبحث عنها في الموظف لازم تتجاوز تنفيذ هذه المهمة.

أحتاج شخص يفهم المشكلة قبل ما يكتب الحل، يعرف العميل إيش يحتاج فعلًا، يختار التقنية المناسبة، ويراجع النتيجة ويتحمل مسؤوليتها. مش كل ما خلص خطوة يرجع ينتظر أحد يقول له إيش يسوي بعدها.

تخيل شركة بدل ما تعتمد على CTO واحد يشيل كل القرارات، يكون عندها عدة أشخاص يشتغلوا بهذه العقلية. كل واحد معه فريق صغير وعدد من الوكلاء، ومسؤول عن منتج أو عميل من البداية للنهاية.

مش المقصود نوزع مسميات إدارية على الجميع. المقصود ناس تجمع بين الفهم التقني وفهم المنتج والبزنس، وتعرف تستخدم الذكاء الاصطناعي علشان تطلع بشيء يستفيد منه العميل ويدفع مقابله.

طيب، لو فرص المبتدئين صارت أضيق، من وين بيجوا أصحاب الخبرة بعدين؟

أشوف أن جزءًا منهم ممكن يطلع من الناس اللي تبني مشاريعها بنفسها. يتعلم يبرمج، وينشر منتجه، ويتعامل مع مستخدمين حقيقيين، ويحاول يبيعه، ويصلح المشاكل اللي ما كانت تظهر وهو يجرب لحاله.

لكن هذا مسار من عدة مسارات، مش حل يعفي الشركات من تدريب المبتدئين، ولا معناه أن كل شخص لازم يؤسس شركة علشان يستحق وظيفة.

اللي أشوفه يستاهل التركيز: لا توقف عند تعلم تنفيذ المهمة. تعلّم تفهم ليش نحتاجها أصلًا، وكيف تتأكد أن الحل نفع، وايش تسوي لما ما يشتغل مثل ما توقعت.

في @Ghurarapp جالس اضيف أقسام جديدة مثل قسم خاص بسير وشعر الصعاليك ايش رأيكم؟

مع الذكاء الاصطناعي، شغلك ماهو محصور بتخصصك.

كل ما تعوّدت تستخدمه، تبدأ تسوي أشياء كنت من قبل تحتاج ترجع فيها لأشخاص من تخصصات ثانية. موظف المبيعات الان مثلًا يقدر يجهز مواد تسويقية بنفسه، أو يسوي مراجعة أولية لعقد ويحدد النقاط اللي تحتاج تدقيق، أو يكتب رسالة مرتبة بلغة ما يعرفها.

هذا مش معناه ان الذكاء الاصطناعي صار مصمم ومحامي ومترجم، لكن صار يقدر ينجز جزءًا من هذه المهام بدون ما ينتظر أحد يسويها له.

الشركات أصلًا تعوّدت تقسّم الشغل بين أقسام: تسويق، مالية، قانوني، هندسة وغيرها. وكل قسم عنده تخصصه ومسؤولياته، لكن أي شغل يحتاج تعاون بينهم يدخل معه وقت وتكلفة للتنسيق.

تخيل تحتاج شيء بسيط ترسله لعميل، لكن لازم تشرح الفكرة لقسم التسويق، وهم يحولوها للتصميم، وبعدها ترجع لك للتعديلات. أحيانًا التنسيق على المهمة يأخذ وقت أكثر من تنفيذها.

هنا الذكاء الاصطناعي يقدر يختصر جزء كبير من الموضوع. الشغل اللي يحتاج أكثر من قسم، الوكلاء ممكن يتولوا جزءًا من التواصل والمتابعة فيه. والمهام اللي ما تحتاج تدخل فعلي من قسم ثاني، ينجزها الموظف مباشرة مع وكيله.

يعني الوظائف نفسها ما اختفت؛ التصميم موجود، والمراجعة القانونية

موجودة، والبرمجة موجودة. اللي يتغير هو طريقة إنجازها، وكم شخص تحتاج ترجع له علشان تخلص شغلك.

وبدل ما يكون الموظف محصور في خطوة صغيرة وينتظر بقية الأقسام، صار يقدر يمسك مساحة أوسع من الشغل ويكملها بنفسه، ويرجع للمختص لما يحتاج خبرته فعلًا.
يعني صار الموظف ابن الشركة ويسوي كل مهام الشركة.

صلحت الأول وانكسر الثاني 💔

موظفين في بعض شركات التقنية الكبيرة صاروا يسووا نسخ من مدرائهم بالذكاء الاصطناعي، علشان يتدربوا كيف يشرحوا لهم المصايب اللي سووها بالشغل بدون ما ينفصلوا 😅

طبعا WIRED جرّبوا الفكرة وأعطوا النموذج محادثاتهم مع مدرائهم، على أساس يصير عندهم مدير في الجيب يستشيروه ويجربوا ردوده قبل ما يتورطوا مع النسخة الأصلية.

لكن بدل ما تطلع النسخ مفيدة، بدأت تطلع منها ردود غريبة، وشك زايد، وأسلوب عدائي ومزعج.

يعني نسخوا المدير وطلع الإزعاج معه، مش قادرين يفصلوا الميزة هذه 😂

الخلاصة أن المدير يرفع الضغط حتى لو كان ذكاء اصطناعي😂

تنسيق السلاسل النصية بـ f-strings في بايثون! 💡

تعلم كيف تجعل تنسيق السلاسل النصية أسهل وأكثر قابلية للقراءة باستخدام f-strings في بايثون. إنها طريقة قوية وفعالة لتضمين المتغيرات والتعبيرات مباشرة في سلاسلك النصية.

name = "أحمد"
age = 30
city = "الرياض"

# استخدام f-string لتنسيق سهل
greeting = f"مرحباً، اسمي {name} وعمري {age} سنة. أنا أعيش في {city}."
print(greeting)

# يمكن لـ f-strings أيضاً تقييم التعبيرات
price = 19.99
quantity = 3
total_cost = f"التكلفة الإجمالية: ${price * quantity:.2f}"
print(total_cost)

تعتبر f-strings (formatted string literals) في بايثون طريقة حديثة وقوية لتضمين التعبيرات داخل السلاسل النصية. تبدأ السلسلة بالحرف 'f' أو 'F'، ويمكنك وضع المتغيرات أو التعبيرات داخل أقواس متعرجة {} مباشرة داخل السلسلة. هذا يجعل الكود أكثر وضوحاً وسهولة في القراءة مقارنة بالطرق القديمة، كما يتيح لك تنسيق الأرقام بسهولة.

['#بايثون', '#برمجة', '#نصائح_برمجية', '#fstrings', '#تعلم_بايثون', '#PythonTips']

مبدع 🔥

بدل ماتضيع وقتك تقلب مقاطع التيتوك وقت فراغك تصفح القصائد اللي تناسبك بنفسك الفكرة 🔥

الحمدلله

🚀 تحسين أداء Python: استخدام List Comprehensions!

هل تريد كتابة كود Python أكثر كفاءة وإيجازًا؟ تعلم كيف تجعل List Comprehensions حياتك أسهل!

numbers = [1, 2, 3, 4, 5]
squares = [x**2 for x in numbers]
print(squares)

# مقارنة مع الطريقة التقليدية:
# squares_loop = []
# for x in numbers:
#     squares_loop.append(x**2)
# print(squares_loop)

List Comprehensions توفر طريقة مختصرة لإنشاء القوائم. بدلاً من استخدام حلقة `for` تقليدية، يمكنك كتابة نفس المنطق في سطر واحد. هذا يجعل الكود أسهل للقراءة وأسرع في التنفيذ في كثير من الحالات.

['#Python', '#برمجة', '#ListComprehensions', '#تطوير', '#كود']

اخيرا Bitdefender دخلت على الخط وأطلقت AI Guardian لحماية وكلاء الذكاء الاصطناعي

مش مضاد فيروسات تقليدي، هو أقرب لحارس يراقب اللي الوكيل ناوي يسويه قبل ما ينفذه. بحسب الشركة يكشف التعليمات الخبيثة المخفية، ويفحص أدوات MCP والمهارات، ويساعد في حماية مفاتيح SSH وبيانات الدخول، ويقدر يوقف العملية المشبوهة بدل ما تكتشف المصيبة بعد ما تحصل.

حاليًا يشتغل على macOS مع Claude Code وOpenClaw، ومجاني بالنسخة التجريبية.

https://ai.bitdefender.com/docs/ai-guardian

اليوم Yandex فتحت مصدر YTsaurus Flow، تقنية تعالج نقرات المستخدمين وتفاعلاتهم أول ما توصل، علشان أنظمة التوصيات والإعلانات تلاحظ تغيّر اهتماماتهم أسرع.

الفكرة أن المستخدم ممكن يكون مهتم بشيء الآن، وبعد ساعة ينتقل لشيء ثاني تمامًا. لكن لو تجمع بياناته وتعالجها على دفعات كل عدة ساعات، التوصيات بتظل تعتمد على معلومات متأخرة عن اللي يسويه حاليًا.

عندهم Flow يعالج الأحداث باستمرار بدل ما ينتظر تتجمع دفعة كاملة. يعني البيانات الجديدة توصل للأنظمة أسرع، وتقدر تبني عليها توصيات أو تكتشف نشاطًا احتياليًا بدون نفس التأخير القديم.

تقنيًا، فيه ثلاث نقاط مهمة:

• يدعم Exactly-once افتراضيًا، علشان الحدث ما يضيع ولا ينحسب مرتين في نتائج المعالجة. لكن هذا الضمان مش تلقائي لأي طلب خارجي تكتبه داخل الكود؛ التعامل الصحيح مع هذه العمليات يظل مسؤولية المطور.

• يعيد توزيع الشغل بين السيرفرات عند الأعطال، ويستعيد المعالجة.

• يشتغل ضمن منظومة YTsaurus، فتقدر تستفيد من البيانات المتراكمة والبيانات الجديدة في نفس النظام.

والأرقام ملفتة: بحسب Yandex، التقنية تعالج في خدمة الإعلانات وحدها أكثر من 100 جيجابايت وملايين الأحداث ك

ل ثانية، ومستخدمة أيضًا في المتجر وأنظمة مكافحة الاحتيال.

وفي مثال شرحه الفريق الهندسي، تأخير وصول البيانات لتحديث نماذج الإعلانات نزل من نحو 10–20 ساعة إلى ساعتين تقريبًا. هذا غير تأخير معالجة الحدث نفسه، اللي تذكر الوثائق أنه عادة بين ثانية و10 ثوانٍ أثناء التشغيل المستقر. يعني فيه فرق بين معالجة الحدث بسرعة وبين أن أثره يوصل للنموذج فورًا.

واستخدامه مش محصور بالإعلانات؛ ينفع لتجهيز بيانات تدريب النماذج، وتحديث معلومات المواقع والتطبيقات، وحساب المشاهدات والنقرات والطلبات. والكود متاح برخصة Apache 2.0، يعني يسمح باستخدامه في المشاريع التجارية مع الالتزام بشروطها.

الحلو أنهم ما فتحوا مصدر تجربة وخلاص؛ فتحوا تقنية عليها شغاله بالإنتاج، وفيه فرق تبني عملياتها عليها.

اللي مهتم فيها

http://github.com/ytsaurus/ytsaurus/tree/main/yt/yt/flow