GeekX Digital

‏أفضل قنوات ⁦‪ لتعلم ⁧‫ ‬⁩ من الصفر

The best YouTube channels to learn AI from scratch

1. Andrej Karpathy
2. 3Blue1Brown
3. Stanford CS229 (Andrew Ng)
4. Machine Learning Street Talk
5. StatQuest
6. Serrano Academy
7. Jeremy Howard
8. Hamel Husain
9. Dave Ebbelaar
10. Lex Fridman
11. Zachary huang

من أكبر الأخطاء اللي بشوفها في مشاريع الـ AI SaaS:
الناس تبدأ من تحت.

API الأول.
Model الأول.
Voice Agent الأول.

لكن مفيش إطار تفكير واضح فوقهم.

خليني أوريك إزاي ببني مشروع AI Voice + Risk Scoring للبنوك بطريقة صحيحة.

🔹 1️⃣ Vision

نبقى AI Infrastructure Layer للبنوك
مش مجرد Call Center Tool

فرق ضخم.

لو الرؤية أداة… هتتباع بسعر.
لو الرؤية Infrastructure… هتتباع بقيمة.

🔹 2️⃣ Strategy

Target: بنوك مصر

Entry: Compliance + Risk AI

Positioning: مش Voice Bot… لكن Risk Intelligence Engine

Revenue: SaaS + Enterprise Licensing

إحنا مش بننافس على سعر المكالمة.
إحنا بنبيع تقليل مخاطرة.

🔹 3️⃣ Architecture

بما إننا بنستهدف بنوك:

Microservices

AI Risk Engine مستقل

Immutable Audit Logs

RBAC + Zero Trust

Tenant Isolation

لو بنيته Monolith بسيط؟
مش هيعدي Audit.

🔹 4️⃣ System Design

دلوقتي بس ندخل التفاصيل:

Voice Stream → Event Bus

Scoring Pipeline

Redis Rate Limiting

AES-256 Encryption

JWT Claims Structure

Role Matrix Design

هنا تبدأ الهندسة الحقيقية.

🔹 5️⃣ Ex*****on Plan

Phase 1: MVP بدون Risk Layer
Phase 2: Add Risk Engine
Phase 3: Compliance Audit
Phase 4: Pilot بنك

كل طبقة مبنية فوق اللي قبلها.

الخلاصة:

المؤسس اللي يبدأ بـ API
هيضيع وقت.

المؤسس اللي يبدأ بـ Strategy
لكن ميفهمش Architecture
هيدفع ثمن إعادة بناء.

المؤسس الذكي يبدأ من فوق وينزل طبقة طبقة.

سؤال مهم ليك:
إنت حالياً بتبني منين؟
Vision؟
ولا API؟

ليه الناس فجأة هجمت علي Mac mini؟

1) صعود تشغيل الذكاء الاصطناعي محليًا

ناس كثير طفشت من:

•اشتراكات شهرية
•قيود الاستخدام
•إرسال بياناتها للسحابة

فبقي فيه توجه قوي لتشغيل AI locally على الجهاز.

2) Clawdbot هو الشرارة

Clawdbot بوت/وكيل ذكاء اصطناعي يشتغل محليًا:
•بدون اشتراك
•بدون إنترنت دائم
•بدون إرسال بيانات

وهنا Mac mini يضرب بقوة.

3) ليه Mac mini تحديدًا؟

•سعر مقابل أداء ممتاز
•معالجات Apple Silicon قوية في الـ AI inference
•هادي، صغير، يشتغل 24/7
•استهلاك طاقة منخفض (كسيرفر منزلي)
•ممتاز لتشغيل bots، agents، automation

الطلب جاي من:

•مطورين
•AI hackers
•ناس عايزين agents شغالين علي طول

•اللي عايز “ChatGPT مخصوص ليه” داخل بيته

في وقت أغلب الشركات بتستخدم الذكاء الاصطناعي في “التسريع”…

في نوع أخطر وأقوى من الاستخدام قليل جدًا اللي واخد باله منه:

استخدام AI لبناء حوكمة وتشغيل مؤسسي (Governance & Operating Model) من البداية.

أنا بدأت مؤخرًا أشتغل على فكرة مختلفة:

بدل ما أتعامل مع الحوكمة والامتثال كـ “ملفات اعتماد” أو “ورق إداري”…

قررت أبني AI Governance Architect Session يكون مستشار دائم معايا:

• يصمم Governance Framework

• يبني Policies & SOPs

• يحدد RACI / DACI / RAPID

• يبني Operating Model قابل للتوسع

• يجهز الشركة للاعتمادات الدولية والشراكات الحكومية

الفكرة مش Automation.

الفكرة إنك تبني:

Digital Chief Governance Officer

مستشار رقمي فاهم شركتك، سياقك، أسواقك، وخططك طويلة المدى.

وده بيفرق جدًا لما:

تدخل اعتماد دولي

تفاوض شريك خليجي

تبني SaaS Enterprise

تستعد لمستثمر أو توسع إقليمي

الحوكمة مش رفاهية.

الحوكمة = القدرة على النمو بدون فوضى.

السؤال الحقيقي مش:

“هل نستخدم AI؟”

السؤال:

هل نستخدمه كأداة…

ولا نبنيه كشريك استراتيجي في بناء الشركة؟

أنت بتبني AI System؟

يبقى لازم تفرّق كويس بين Adapter و Router.

واحد من أكتر الأخطاء اللي بشوفها في أنظمة AI — خصوصًا الـ Agent-based systems — هو الخلط بين دور Adapter ودور Router، والنتيجة Core هشّ وصعب التوسع.

خلّينا نبسّطها هندسيًا 👇

🔹 Adapter

هو طبقة تحويل

زي compiler صغير:

يحوّل الـ interface الداخلي لصيغة يفهمها vendor خارجي

يعزل الـ Core عن OpenAI / Claude / Whisper / أي SDK

مبيقررّش، مبيفكّرش، مبيفهمش business

Adapter = Translation Layer

لو غيرت vendor والـ Core ما اتأثرش → التصميم صح

🔹 Router

هو طبقة قرار

يحدد أنهي model؟

أنهي agent؟

أنهي workflow؟

تكلفة أقل ولا دقة أعلى؟

Router = Decision Layer

مرتبط بالـ business rules والسياق

الخطأ القاتل؟

تحط logic جوه Adapter

أو تحط vendor details جوه Router

ساعتها النظام:

❌ مش scalable

❌ مش maintainable

❌ ومش production-ready

الخلاصة المعمارية:

Adapter يتكلم

Router يقرر

Core يفكّر

وده الفرق بين AI demo… و AI product حقيقي.

هو الذكاء الاصطناعي بيأكل شغل الاستشاريين؟

ماكينزي نفسها جاوبت… وقالت آه.

شركة McKinsey & Company أعلنت رسميًا

إن الذكاء الاصطناعي بقى جزء من القوة العاملة عندها.

الأرقام لوحدها صادمة:

40,000 موظف بشري

25,000 AI Agents

يعني 65 ألف “موظف” 😳

المدير التنفيذي Bob Sternfels قالها صريحة:

40٪ من مشاريع ماكينزي شغالة بالـ AI

2.5 مليون شارت اتعملوا في 6 شهور

1.5 مليون ساعة شغل بشري اتوفّروا في السنة

والهدف الجاي؟

AI Agent لكل موظف بشري.

ماكينزي ماطردتش ناس…

بس مسحت شغل المبتدئين...

الشغل اللي كان بياخد وقت ومجهود اختفى:

Desk research

تجهيز السلايدز

تنظيف الداتا

التحليل الأولي

كل ده دلوقتي بيحصل بسرعة الآلة.

والبشر؟

طلعوا درجة فوق.

بس الموضوع مش إنتاجية وبس.

الرهان الحقيقي اسمه: المرونة.

ماكينزي بتبني شركة تقدر:

تكبر من غير تعيين ناس

تخدم عملاء أكتر بنفس الفريق

تعيد تشكيل الفرق في لحظة

تبيع خبرة… مش ساعات شغل

الاستشارات بتتحول لحاجة شبه السوفتوير.

هوامش أعلى.

قوة أكبر.

تعقيد أقل.

وده مستقبل الشغل الحقيقي.

البشر مش هينفذوا.

هيقودوا… يقيّموا… وياخدوا القرار.

والـ AI؟

هيعمل الباقي.

مش كل Database تفهم…

بعضها بس “تسمع وتفهم المعنى”.

طول عمرنا بنتعامل مع قواعد البيانات التقليدية:

أرقام

جداول

IDs

شروط واضحة

تطابق = نتيجة

مفيش تطابق = مفيش فايدة

لكن مع دخول الـ AI و LLMs، ظهرت فئة جديدة تمامًا:

🔹 Vector Database

قاعدة بيانات لا تبحث عن الكلمة

بل تبحث عن المعنى.

📌 مثال بسيط:

“عايز موبايل تصويره كويس”

“أفضل هاتف للصور”

بالنسبة لـ Vector DB → الاتنين نفس الفكرة، حتى لو مفيش كلمة واحدة مشتركة.

الفرق باختصار:

Database تقليدية

➜ ممتازة للـ ERP / CRM / Transactions

➜ Exact Match

Vector Database

➜ أساس أي Chatbot أو RAG أو AI Assistant

➜ Semantic Search (تفهم السياق)

أقوى الأنظمة الحديثة =

Structured Data + Vector Understanding

وده أساس أي منتج AI Production محترم.

لو بتبني:

Chatbot

Voice Bot

Smart Search

AI Assistant

فـ Vector DB مش رفاهية…

ده جزء من الـ Architecture.

💬 مهتم تعرف تستخدم PostgreSQL كـ Vector DB؟

أو إمتى تختار pgvector vs Pinecone؟

اكتبلي في الكومنتس.

الحقيقة اللي محدش عايز يقولها عن الذكاء الاصطناعي…

المشكلة مش في AI…
المشكلة في اللي جاي بعده.

كل الناس بتتكلم عن ChatGPT، أدوات، أتمتة، إنتاجية…
بس قليل جدًا اللي فاهم إن ده مجرد تدريب تمهيدي.

اللي جاي اسمه:

⚡ AGI → وبعده Superintelligence

وده مش تطور طبيعي…
ده قفزة وجودية.

⸻

AI – اللي إحنا عايشينه دلوقتي

ذكي؟ آه
مفيد؟ جدًا
خطر؟ محدود

بيعمل اللي بنقوله عليه، وبيقف عند حدوده.

AGI – هنا اللعبة بتتغير

تخيل نظام:
• يفهمك من غير ما تشرح
• يتعلم أي حاجة لوحده
• يربط بين الطب، الاقتصاد، الأمن، النفس البشرية
• يطلع بقرارات ما حدش فكّر فيها قبل كده

ده مش Tool… ده عقل.

☢️ Superintelligence – المرحلة اللي بتخوف

هنا بقى السؤال مش:

“نستخدمه إزاي؟”

لكن:

“هل نقدر نسيطر عليه؟”

ذكاء:
• أذكى من كل البشر مجتمعين
• يتطور ذاتيًا
• يشوف حلول وإستراتيجيات إحنا مش قادرين حتى نتخيلها

ساعتها…
القوة مش هتبقى في السلاح
ولا في الفلوس
ولا حتى في البيانات

القوة هتبقى في
مين فاهم اللعبة قبل ما تبدأ.

الحقيقة الصادمة:

الموضوع مش خيال علمي
ولا حاجة هتحصل بعد 50 سنة

إحنا في المنطقة الرمادية
بين الإنسان… وما بعد الإنسان.

💬 السؤال الحقيقي:

هل إحنا بنستخدم الذكاء الاصطناعي؟
ولا هو اللي بيعلّمنا إزاي نفكر زيه؟

لو شايف إن الكلام ده مبالغ فيه — قول رأيك.
ولو حاسس إننا داخلين على مرحلة مختلفة تمامًا — شارك البوست.

اللي جاي مش لكل الناس.