خدمات الذكاء الاصطناعي الجاهزة

في الجزء الثالث والعشرين طلّعنا إجابات من بيانات مرتبة أصلاً. بس كثير من بياناتك مو كذا: صور ومكالمات وفواتير ممسوحة. فهمها كان يحتاج فريق تعلم آلة، واليوم كثير منه استدعاء API واحد.

AWS تقدم ثلاث مستويات، وأغلب الناس يبدأون من فوق:

الصور: Rekognition #

Rekognition يحلل الصور والفيديو بدون أي تدريب منك:

• التصنيفات: وش في الصورة، مثل سيارة أو شاطئ أو زحمة.
• النص: قراءة الكلمات في الصور، مثل اللوحات.
• فلترة المحتوى: يكشف الصور غير المناسبة قبل نشرها، وتقدر تدربه أكثر على أمثلتك.
• الوجوه: كشفها ومقارنتها والبحث عنها.

ولاحظ إن ميزتي Streaming Video وBatch Image Content Moderation أقفلت على العملاء الجدد في 30 أبريل 2026. باقي الميزات ما تأثرت، وتقدر تعالج الإطارات أو الدفعات بنفسك عبر واجهة الصور.

الكلام: Transcribe وPolly #

Transcribe يحول الكلام إلى نص، من ملف في S3 أو بث مباشر. ويقدر يفرق بين المتحدثين، وتضيف له مفرداتك مثل أسماء المنتجات، ويخفي البيانات الشخصية في اللغات المدعومة.

Polly يسوي العكس، ويحول النص إلى كلام. وتقدر تتحكم في النطق بطريقتين:

• القواميس (Lexicons): تعلمه يقرأ AWS كـ "Amazon Web Services".
• SSML: وسوم في النص تضيف وقفات أو تأكيد أو حتى همس.

الترجمة: Translate #

Amazon Translate يترجم بين 75 لغة، فورياً أو بدفعات من S3. وأضف مصطلحات خاصة عشان تبقى أسماء علامتك ومصطلحاتك كما هي. وربطه مع Polly وTranscribe يعطيك محادثة مترجمة كاملة.

المحادثة: Lex وConnect #

Lex يبني روبوتات محادثة كتابية وصوتية. تحدد وش ممكن يبي المستخدم، وهذا Intent، والتفاصيل اللي تحتاجها عشان تنفذه، واسمها Slots.

Connect مركز اتصال في السحابة: أرقام هاتف وطوابير ومسارات وموظفين، بدون أجهزة، وتدفع حسب الاستخدام. ومع بعض ممكن يشتغلون كذا:

1. عميل يتصل على الرقم في Connect.
2. يقول "أبي أغير موعدي"، وLex يفهم الطلب ويسأل عن التاريخ.
3. دالة Lambda تحدث الموعد في نظامك.
4. ولو تعثر الروبوت، Connect يحول المكالمة لموظف.

النص: Comprehend #

Comprehend يقرأ النص ويطلع معناه: اللغة، والمشاعر، والكيانات مثل الأشخاص والأماكن، والعبارات المهمة، والبيانات الشخصية. وتقدر تدربه يصنف فئاتك، مثل نوع تذكرة الدعم.

Comprehend Medical يسوي هذا للنصوص الطبية: الحالات والأدوية والجرعات والفحوصات، ويكشف المعلومات الصحية المحمية.

وميزات Topic Modeling وEvent Detection وPrompt Safety Classification فيه أقفلت على العملاء الجدد في 30 أبريل 2026.

المستندات: Textract #

Textract أبعد من قراءة النص في ملف ممسوح: يفهم البنية، فيرجع لك النماذج كأزواج حقل وقيمة، والجداول كصفوف وأعمدة. وله مسارات خاصة للفواتير والإيصالات والهويات.

التوصيات: Personalize #

Personalize يبني "ممكن يعجبك كمان" من سلوك مستخدمينك: تعطيه مين شاف أو اشترى وش، وتاخذ API يرجع توصيات فورية، أو دفعات لحملات الإيميل. وما تحتاج تصمم نموذج بنفسك.

البحث في مستنداتك: وماذا عن Kendra؟ #

ممكن تقرأ عن Amazon Kendra، وهي خدمة بحث ذكي في المستندات الداخلية. وقفت استقبال العملاء الجدد في 30 يوليو 2026، وAWS توجّه لـ Bedrock Knowledge Bases كبديل، وهذا يوصلنا للقسم الجاي.

النماذج التوليدية: Amazon Bedrock #

Bedrock يعطيك نماذج أساسية من مزودين كثير، مثل Anthropic وAmazon وMeta وMistral، عبر API واحد وبدون سيرفرات. وتدفع لكل Token، يعني حسب كمية النص الداخل والخارج. وواجهة Converse لها شكل واحد بين النماذج، فتغيير النموذج يعني تغيير قيمة وحدة.

وما عاد تحتاج تفعّل النماذج واحد واحد، لأن الوصول صار يتحكم فيه IAM. والاستثناء نماذج Anthropic، وتحتاج نموذج لمرة وحدة قبل أول استخدام.

Knowledge Bases: إجابات من مستنداتك #

النموذج ما يعرف سياسات شركتك. وبدل ما تدربه، تلقى المقاطع المناسبة وتعطيه إياها مع السؤال. هذا اسمه RAG، وKnowledge Bases يتكفل فيه:

باقي الأدوات #

وBedrock Agents Classic أقفل على العملاء الجدد لصالح AgentCore، فلا تبدأ فيه لو شفته في مقال قديم.

نموذجك الخاص: SageMaker AI #

لما ما يكفي الجاهز، مثل توقع المخاطر من بيانات عندك أنت بس، Amazon SageMaker AI (اسمه القديم SageMaker) يغطي الرحلة: دفاتر العمل، وتجهيز البيانات، والتدريب، ثم نقطة وصول تقدم التوقعات. وJumpStart يعطيك مئات النماذج الجاهزة تبدأ منها.

لا تخلط بينه وبين Amazon SageMaker الجديد، وهو مظلة تجمع البيانات والتحليل والذكاء الاصطناعي في استوديو واحد. وكمان عدة إضافات فيه، مثل Ground Truth وClarify وModel Monitor، أقفلت على العملاء الجدد في منتصف 2026، فتأكد من حالة الميزة قبل ما تعتمد عليها.

Bedrock أو SageMaker AI؟ #

ونصيحة AWS نفسها: ابدأ بـ Bedrock مع الأوامر وKnowledge Bases، وانتقل لـ SageMaker AI لما تحتاج تغيّر سلوك النموذج.

وماذا عن العربية؟ #

لو تطبيقك يخدم متحدثين بالعربية، شيك على هذا أول، لأن الخدمات مو سواء:

ربط الخدمات #

القوة الحقيقية في ربطها مع اللي تعلمته. تخيل تسجيلات مكالمات تنزل في S3، وكل خطوة تشغّل اللي بعدها عبر الأحداث أو Step Functions:

وبدون أي تعلم آلة، المدير الحين يقرأ ملخص كل مكالمة ويشوف أيها انتهت بشكل سيئ.

عملي: تعليق يمر على أربع خدمات #

بناخذ تعليق عميل، ونحلله، ونترجمه، ونقرأه بصوت، ونرد عليه. وكلها استدعاءات مباشرة بدون أي تجهيز. وهذي الخدمات مو في كل المناطق، فلو قال أمر إنه ما قدر يتصل، أضف له --region us-east-1. من CloudShell:

REVIEW="The app is great, but delivery was very slow and support never replied."

aws comprehend detect-dominant-language --text "$REVIEW" \
  --query "Languages[0]"

aws comprehend detect-sentiment --language-code en --text "$REVIEW" \
  --query "[Sentiment,SentimentScore]"

aws comprehend detect-key-phrases --language-code en --text "$REVIEW" \
  --query "KeyPhrases[].Text"

بتشوف اللغة، والمشاعر مع درجاتها، والعبارات المهمة. الحين ترجمه للعربية، وتأكد إن Comprehend يفهم الترجمة كمان:

ARABIC=$(aws translate translate-text --text "$REVIEW" \
  --source-language-code en --target-language-code ar \
  --query TranslatedText --output text)

echo "$ARABIC"

aws comprehend detect-sentiment --language-code ar --text "$ARABIC" \
  --query Sentiment --output text

حوّل الترجمة إلى صوت بـ Polly:

aws polly synthesize-speech --voice-id Zeina --output-format mp3 \
  --text "$ARABIC" review.mp3

ls -lh review.mp3

عشان تسمعه، من قائمة Actions في CloudShell اختر Download file، واكتب review.mp3.

وأخيراً، اطلب من نموذج على Bedrock يرد على العميل. الأمر الأول يجيب معرف نموذج Amazon Nova Lite منخفض التكلفة في منطقتك. ولو طبع None، أضف --region us-east-1 للأمرين:

MODEL=$(aws bedrock list-inference-profiles \
  --query "inferenceProfileSummaries[?contains(inferenceProfileId,'nova') && contains(inferenceProfileId,'lite')].inferenceProfileId | [0]" \
  --output text)
echo $MODEL

aws bedrock-runtime converse --model-id $MODEL \
  --messages "[{\"role\":\"user\",\"content\":[{\"text\":\"Reply to this customer in two short sentences: $REVIEW\"}]}]" \
  --query "output.message.content[0].text" --output text

عندك صورة؟ ارفعها من Actions ثم Upload file، واسأل Rekognition وش فيها:

aws rekognition detect-labels --image-bytes fileb://photo.jpg \
  --max-labels 5 --query "Labels[].[Name,Confidence]" --output table

الخلاصة #

• ابدأ من الخدمات الجاهزة، ثم Bedrock، وبعدها فقط SageMaker AI.
• Rekognition للصور، وTranscribe وPolly للكلام، وTranslate للترجمة، وComprehend للنص.
• Textract يقرأ المستندات المنظمة، بس ما يدعم العربية.
• Knowledge Bases يجاوب من مستنداتك بدون تدريب نموذج، وهو البديل عن Kendra.
• ربط هذي الخدمات بالأحداث هو مكان القيمة الحقيقية.

اختبر نفسك #

قبل ما تكمل، جرّب هذي الأسئلة عشان تتأكد إنك فهمت الجزء. كل سؤال موقف عملي، وبعد ما تجاوب يطلع لك الشرح.

بهذا نكمل قسم البيانات والذكاء الاصطناعي. تطبيقك صار كبير وفيه أشياء كثيرة شغالة. كيف تعرف إنه بخير، ومين غيّر وش؟ في الجزء الخامس والعشرين نبدأ القسم الأخير، مع المراقبة والتدقيق عبر CloudWatch وCloudTrail وConfig.