# أدوات الذكاء الاصطناعي لـ Visual Studio Code - دليل تطوير الذكاء الاصطناعي على الحافة

## المقدمة

مرحبًا بك في الدليل الشامل لاستخدام أدوات الذكاء الاصطناعي لـ Visual Studio Code في تطوير الذكاء الاصطناعي على الحافة. مع انتقال الذكاء الاصطناعي من الحوسبة السحابية المركزية إلى الأجهزة الطرفية الموزعة، يحتاج المطورون إلى أدوات قوية ومتكاملة للتعامل مع التحديات الفريدة لنشر الذكاء الاصطناعي على الحافة - بدءًا من قيود الموارد إلى متطلبات التشغيل دون اتصال.

تعمل أدوات الذكاء الاصطناعي لـ Visual Studio Code على سد هذه الفجوة من خلال توفير بيئة تطوير كاملة مصممة خصيصًا لبناء واختبار وتحسين تطبيقات الذكاء الاصطناعي التي تعمل بكفاءة على الأجهزة الطرفية. سواء كنت تطور لأجهزة استشعار إنترنت الأشياء، أو الأجهزة المحمولة، أو الأنظمة المدمجة، أو خوادم الحافة، فإن هذه الأدوات تبسط سير عمل التطوير بالكامل داخل بيئة VS Code المألوفة.

سيأخذك هذا الدليل عبر المفاهيم الأساسية والأدوات وأفضل الممارسات للاستفادة من أدوات الذكاء الاصطناعي في مشاريع الذكاء الاصطناعي على الحافة، بدءًا من اختيار النموذج الأولي وصولاً إلى نشره في الإنتاج.

## نظرة عامة

تُعد أدوات الذكاء الاصطناعي لـ Visual Studio Code إضافة قوية تُبسط تطوير الوكلاء وإنشاء تطبيقات الذكاء الاصطناعي. توفر الأدوات إمكانيات شاملة لاستكشاف وتقييم ونشر نماذج الذكاء الاصطناعي من مجموعة واسعة من المزودين - بما في ذلك Anthropic وOpenAI وGitHub وGoogle - مع دعم تنفيذ النماذج محليًا باستخدام ONNX وOllama.

ما يميز أدوات الذكاء الاصطناعي هو نهجها الشامل لدورة حياة تطوير الذكاء الاصطناعي بأكملها. على عكس أدوات تطوير الذكاء الاصطناعي التقليدية التي تركز على جوانب فردية، توفر أدوات الذكاء الاصطناعي بيئة متكاملة تغطي اكتشاف النماذج، التجريب، تطوير الوكلاء، التقييم، والنشر - كل ذلك داخل بيئة VS Code المألوفة.

تم تصميم المنصة خصيصًا للنماذج الأولية السريعة ونشر الإنتاج، مع ميزات مثل إنشاء المطالبات، البداية السريعة، تكامل أدوات MCP (بروتوكول سياق النموذج) السلس، وقدرات التقييم الواسعة. بالنسبة لتطوير الذكاء الاصطناعي على الحافة، يعني هذا أنه يمكنك تطوير واختبار وتحسين تطبيقات الذكاء الاصطناعي بكفاءة لسيناريوهات النشر على الحافة مع الحفاظ على سير عمل التطوير الكامل داخل VS Code.

## أهداف التعلم

بنهاية هذا الدليل، ستكون قادرًا على:

### الكفاءات الأساسية
- **تثبيت وتكوين** أدوات الذكاء الاصطناعي لـ Visual Studio Code لسير عمل تطوير الذكاء الاصطناعي على الحافة
- **التنقل واستخدام** واجهة أدوات الذكاء الاصطناعي، بما في ذلك كتالوج النماذج، الملعب، وبناء الوكلاء
- **اختيار وتقييم** نماذج الذكاء الاصطناعي المناسبة للنشر على الحافة بناءً على الأداء وقيود الموارد
- **تحويل وتحسين** النماذج باستخدام تنسيق ONNX وتقنيات التكميم للأجهزة الطرفية

### مهارات تطوير الذكاء الاصطناعي على الحافة
- **تصميم وتنفيذ** تطبيقات الذكاء الاصطناعي على الحافة باستخدام بيئة التطوير المتكاملة
- **اختبار النماذج** في ظروف مشابهة للحافة باستخدام الاستدلال المحلي ومراقبة الموارد
- **إنشاء وتخصيص** وكلاء الذكاء الاصطناعي المحسّنين لسيناريوهات النشر على الحافة
- **تقييم أداء النماذج** باستخدام مقاييس ذات صلة بالحوسبة الطرفية (زمن الاستجابة، استخدام الذاكرة، الدقة)

### التحسين والنشر
- **تطبيق تقنيات التكميم والتقليم** لتقليل حجم النموذج مع الحفاظ على الأداء المقبول
- **تحسين النماذج** لمنصات الأجهزة الطرفية المحددة بما في ذلك تسريع CPU وGPU وNPU
- **تنفيذ أفضل الممارسات** لتطوير الذكاء الاصطناعي على الحافة بما في ذلك إدارة الموارد واستراتيجيات التراجع
- **تحضير النماذج والتطبيقات** للنشر في الإنتاج على الأجهزة الطرفية

### مفاهيم متقدمة في الذكاء الاصطناعي على الحافة
- **التكامل مع أطر الذكاء الاصطناعي على الحافة** بما في ذلك ONNX Runtime وWindows ML وTensorFlow Lite
- **تنفيذ معماريات متعددة النماذج** وسيناريوهات التعلم الفيدرالي لبيئات الحافة
- **استكشاف مشكلات الذكاء الاصطناعي الشائعة على الحافة** بما في ذلك قيود الذاكرة، سرعة الاستدلال، وتوافق الأجهزة
- **تصميم استراتيجيات المراقبة والتسجيل** لتطبيقات الذكاء الاصطناعي على الحافة في الإنتاج

### التطبيق العملي
- **بناء حلول الذكاء الاصطناعي على الحافة من البداية إلى النهاية** بدءًا من اختيار النموذج وصولاً إلى النشر
- **إظهار الكفاءة** في سير عمل التطوير وتقنيات التحسين الخاصة بالحافة
- **تطبيق المفاهيم المكتسبة** على حالات استخدام الذكاء الاصطناعي الواقعية على الحافة بما في ذلك إنترنت الأشياء، الأجهزة المحمولة، والتطبيقات المدمجة
- **تقييم ومقارنة** استراتيجيات النشر المختلفة للذكاء الاصطناعي على الحافة وموازنة المزايا والعيوب

## الميزات الرئيسية لتطوير الذكاء الاصطناعي على الحافة

### 1. كتالوج النماذج والاكتشاف
- **دعم متعدد المزودين**: تصفح والوصول إلى نماذج الذكاء الاصطناعي من Anthropic وOpenAI وGitHub وGoogle ومزودين آخرين
- **تكامل النماذج المحلية**: اكتشاف مبسط لنماذج ONNX وOllama للنشر على الحافة
- **نماذج GitHub**: تكامل مباشر مع استضافة النماذج على GitHub للوصول المبسط
- **مقارنة النماذج**: مقارنة النماذج جنبًا إلى جنب للعثور على التوازن الأمثل لقيود الأجهزة الطرفية

### 2. الملعب التفاعلي
- **بيئة اختبار تفاعلية**: تجربة سريعة مع قدرات النموذج في بيئة محكومة
- **دعم متعدد الوسائط**: اختبار باستخدام الصور والنصوص ومدخلات أخرى نموذجية في سيناريوهات الحافة
- **التجريب في الوقت الفعلي**: ردود فعل فورية على استجابات النموذج وأدائه
- **تحسين المعلمات**: ضبط معلمات النموذج لمتطلبات النشر على الحافة

### 3. بناء المطالبات (الوكلاء)
- **توليد اللغة الطبيعية**: إنشاء مطالبات البداية باستخدام أوصاف اللغة الطبيعية
- **التكرار والتحسين**: تحسين المطالبات بناءً على استجابات النموذج وأدائه
- **تفكيك المهام**: تقسيم المهام المعقدة باستخدام تسلسل المطالبات والمخرجات المنظمة
- **دعم المتغيرات**: استخدام المتغيرات في المطالبات لسلوك الوكلاء الديناميكي
- **توليد الكود الإنتاجي**: إنشاء كود جاهز للإنتاج لتطوير التطبيقات بسرعة

### 4. التشغيل الجماعي والتقييم
- **اختبار متعدد النماذج**: تنفيذ مطالبات متعددة عبر النماذج المختارة في وقت واحد
- **اختبار فعال على نطاق واسع**: اختبار مدخلات وتكوينات مختلفة بكفاءة
- **حالات اختبار مخصصة**: تشغيل الوكلاء مع حالات اختبار للتحقق من الوظائف
- **مقارنة الأداء**: مقارنة النتائج عبر نماذج وتكوينات مختلفة

### 5. تقييم النماذج باستخدام مجموعات البيانات
- **مقاييس قياسية**: اختبار نماذج الذكاء الاصطناعي باستخدام أدوات التقييم المدمجة (درجة F1، الصلة، التشابه، التماسك)
- **مقيّمات مخصصة**: إنشاء مقاييس التقييم الخاصة بك لحالات الاستخدام المحددة
- **تكامل مجموعات البيانات**: اختبار النماذج مقابل مجموعات بيانات شاملة
- **قياس الأداء**: قياس أداء النموذج لاتخاذ قرارات النشر على الحافة

### 6. قدرات التخصيص
- **تخصيص النماذج**: تخصيص النماذج لحالات الاستخدام والمجالات المحددة
- **التكيف المتخصص**: تكييف النماذج مع المجالات والمتطلبات المتخصصة
- **تحسين الحافة**: ضبط النماذج خصيصًا لقيود النشر على الحافة
- **التدريب الخاص بالمجال**: إنشاء نماذج مصممة خصيصًا لحالات الاستخدام على الحافة

### 7. تكامل أدوات MCP
- **اتصال الأدوات الخارجية**: ربط الوكلاء بالأدوات الخارجية عبر خوادم بروتوكول سياق النموذج
- **إجراءات العالم الحقيقي**: تمكين الوكلاء من استعلام قواعد البيانات، الوصول إلى واجهات برمجة التطبيقات، أو تنفيذ منطق مخصص
- **خوادم MCP الحالية**: استخدام الأدوات من بروتوكولات الأوامر (stdio) أو HTTP (حدث مرسل من الخادم)
- **تطوير MCP مخصص**: بناء وتطوير خوادم MCP جديدة مع اختبار في بناء الوكلاء

### 8. تطوير الوكلاء واختبارهم
- **دعم استدعاء الوظائف**: تمكين الوكلاء من استدعاء الوظائف الخارجية ديناميكيًا
- **اختبار التكامل في الوقت الفعلي**: اختبار التكامل مع التشغيل في الوقت الفعلي واستخدام الأدوات
- **إصدار الوكلاء**: التحكم في إصدار الوكلاء مع قدرات المقارنة لنتائج التقييم
- **التصحيح والتتبع**: قدرات التتبع المحلي والتصحيح لتطوير الوكلاء

## سير عمل تطوير الذكاء الاصطناعي على الحافة

### المرحلة الأولى: اكتشاف النماذج واختيارها
1. **استكشاف كتالوج النماذج**: استخدم كتالوج النماذج للعثور على نماذج مناسبة للنشر على الحافة
2. **مقارنة الأداء**: تقييم النماذج بناءً على الحجم والدقة وسرعة الاستدلال
3. **اختبار محلي**: استخدم نماذج Ollama أو ONNX للاختبار محليًا قبل النشر على الحافة
4. **تقييم متطلبات الموارد**: تحديد احتياجات الذاكرة والحوسبة للأجهزة الطرفية المستهدفة

### المرحلة الثانية: تحسين النماذج
1. **التحويل إلى ONNX**: تحويل النماذج المختارة إلى تنسيق ONNX لتوافق الحافة
2. **تطبيق التكميم**: تقليل حجم النموذج من خلال التكميم INT8 أو INT4
3. **تحسين الأجهزة**: تحسين الأجهزة الطرفية المستهدفة (ARM، x86، المسرعات المتخصصة)
4. **التحقق من الأداء**: التحقق من أن النماذج المحسّنة تحافظ على الدقة المقبولة

### المرحلة الثالثة: تطوير التطبيقات
1. **تصميم الوكلاء**: استخدام بناء الوكلاء لإنشاء وكلاء الذكاء الاصطناعي المحسّنين للحافة
2. **هندسة المطالبات**: تطوير مطالبات تعمل بفعالية مع نماذج الحافة الأصغر
3. **اختبار التكامل**: اختبار الوكلاء في ظروف مشابهة للحافة
4. **توليد الكود**: إنشاء كود إنتاجي محسّن للنشر على الحافة

### المرحلة الرابعة: التقييم والاختبار
1. **التقييم الجماعي**: اختبار تكوينات متعددة للعثور على إعدادات الحافة المثلى
2. **تحليل الأداء**: تحليل سرعة الاستدلال، استخدام الذاكرة، والدقة
3. **محاكاة الحافة**: اختبار في ظروف مشابهة لبيئة النشر المستهدفة على الحافة
4. **اختبار الإجهاد**: تقييم الأداء تحت ظروف تحميل مختلفة

### المرحلة الخامسة: التحضير للنشر
1. **التحسين النهائي**: تطبيق التحسينات النهائية بناءً على نتائج الاختبار
2. **تغليف النشر**: تغليف النماذج والكود للنشر على الحافة
3. **التوثيق**: توثيق متطلبات النشر والتكوين
4. **إعداد المراقبة**: تحضير المراقبة والتسجيل للنشر على الحافة

## الجمهور المستهدف لتطوير الذكاء الاصطناعي على الحافة

### مطورو الذكاء الاصطناعي على الحافة
- مطورو التطبيقات الذين يبنون أجهزة طرفية مدعومة بالذكاء الاصطناعي وحلول إنترنت الأشياء
- مطورو الأنظمة المدمجة الذين يدمجون قدرات الذكاء الاصطناعي في الأجهزة ذات الموارد المحدودة
- مطورو الأجهزة المحمولة الذين ينشئون تطبيقات الذكاء الاصطناعي على الأجهزة

### مهندسو الذكاء الاصطناعي على الحافة
- مهندسو الذكاء الاصطناعي الذين يحسنون النماذج للنشر على الحافة ويديرون خطوط أنابيب الاستدلال
- مهندسو DevOps الذين ينشرون ويديرون نماذج الذكاء الاصطناعي عبر البنية التحتية الطرفية الموزعة
- مهندسو الأداء الذين يحسنون أعباء عمل الذكاء الاصطناعي لقيود الأجهزة الطرفية

### الباحثون والمعلمون
- الباحثون في الذكاء الاصطناعي الذين يطورون نماذج وخوارزميات فعالة للحوسبة الطرفية
- المعلمون الذين يدرسون مفاهيم الذكاء الاصطناعي على الحافة ويعرضون تقنيات التحسين
- الطلاب الذين يتعلمون عن التحديات والحلول في نشر الذكاء الاصطناعي على الحافة

## حالات استخدام الذكاء الاصطناعي على الحافة

### أجهزة إنترنت الأشياء الذكية
- **التعرف على الصور في الوقت الفعلي**: نشر نماذج الرؤية الحاسوبية على كاميرات وأجهزة استشعار إنترنت الأشياء
- **معالجة الصوت**: تنفيذ التعرف على الكلام ومعالجة اللغة الطبيعية على مكبرات الصوت الذكية
- **الصيانة التنبؤية**: تشغيل نماذج الكشف عن الشذوذ على الأجهزة الصناعية الطرفية
- **مراقبة البيئة**: نشر نماذج تحليل بيانات المستشعر للتطبيقات البيئية

### التطبيقات المحمولة والمدمجة
- **الترجمة على الجهاز**: تنفيذ نماذج الترجمة اللغوية التي تعمل دون اتصال
- **الواقع المعزز**: نشر التعرف على الكائنات وتتبعها في الوقت الفعلي لتطبيقات الواقع المعزز
- **مراقبة الصحة**: تشغيل نماذج تحليل الصحة على الأجهزة القابلة للارتداء والمعدات الطبية
- **الأنظمة الذاتية**: تنفيذ نماذج اتخاذ القرار للطائرات بدون طيار، الروبوتات، والمركبات

### بنية الحوسبة الطرفية
- **مراكز البيانات الطرفية**: نشر نماذج الذكاء الاصطناعي في مراكز البيانات الطرفية للتطبيقات منخفضة زمن الاستجابة
- **تكامل CDN**: دمج قدرات معالجة الذكاء الاصطناعي في شبكات توصيل المحتوى
- **الحافة مع 5G**: الاستفادة من الحوسبة الطرفية مع 5G للتطبيقات المدعومة بالذكاء الاصطناعي
- **الحوسبة الضبابية**: تنفيذ معالجة الذكاء الاصطناعي في بيئات الحوسبة الضبابية

## التثبيت والإعداد

### تثبيت الإضافة
قم بتثبيت إضافة أدوات الذكاء الاصطناعي مباشرة من سوق Visual Studio Code:

**معرف الإضافة**: `ms-windows-ai-studio.windows-ai-studio`

**طرق التثبيت**:
1. **سوق VS Code**: ابحث عن "AI Toolkit" في عرض الإضافات
2. **سطر الأوامر**: `code --install-extension ms-windows-ai-studio.windows-ai-studio`
3. **التثبيت المباشر**: قم بالتنزيل من [سوق VS Code](https://marketplace.visualstudio.com/items?itemName=ms-windows-ai-studio.windows-ai-studio)

### المتطلبات الأساسية لتطوير الذكاء الاصطناعي على الحافة
- **Visual Studio Code**: يوصى بأحدث إصدار
- **بيئة Python**: Python 3.8+ مع مكتبات الذكاء الاصطناعي المطلوبة
- **ONNX Runtime** (اختياري): للاستدلال باستخدام نماذج ONNX
- **Ollama** (اختياري): لتقديم النماذج محليًا
- **أدوات تسريع الأجهزة**: CUDA، OpenVINO، أو المسرعات الخاصة بالمنصة

### التكوين الأولي
1. **تنشيط الإضافة**: افتح VS Code وتأكد من ظهور أدوات الذكاء الاصطناعي في شريط النشاط
2. **إعداد مزود النموذج**: قم بتكوين الوصول إلى GitHub، OpenAI، Anthropic، أو مزودين آخرين
3. **البيئة المحلية**: قم بإعداد بيئة Python وتثبيت الحزم المطلوبة
4. **تسريع الأجهزة**: قم بتكوين تسريع GPU/NPU إذا كان متاحًا
5. **تكامل MCP**: قم بإعداد خوادم بروتوكول سياق النموذج إذا لزم الأمر

### قائمة التحقق للإعداد لأول مرة
- [ ] تم تثبيت وتفعيل إضافة أدوات الذكاء الاصطناعي
- [ ] كتالوج النماذج يمكن الوصول إليه والنماذج قابلة للاكتشاف
- [ ] الملعب يعمل لاختبار النماذج
- [ ] بناء الوكلاء يمكن الوصول إليه لتطوير المطالبات
- [ ] تم تكوين بيئة التطوير المحلية
- [ ] تم
2. إنشاء مطالبات البداية باستخدام أوصاف اللغة الطبيعية  
3. تكرار وتحسين المطالبات بناءً على استجابات النموذج  
4. دمج أدوات MCP لتعزيز قدرات الوكلاء  

#### الخطوة 3: الاختبار والتقييم  
1. استخدام **التشغيل الجماعي** لاختبار عدة مطالبات عبر النماذج المختارة  
2. تشغيل الوكلاء مع حالات الاختبار للتحقق من الوظائف  
3. تقييم الدقة والأداء باستخدام المقاييس المدمجة أو المخصصة  
4. مقارنة النماذج والتكوينات المختلفة  

#### الخطوة 4: التخصيص والتحسين  
1. تخصيص النماذج لحالات الاستخدام الخاصة  
2. تطبيق التخصيص الخاص بالمجال  
3. تحسين القيود الخاصة بنشر الحافة  
4. إصدار ومقارنة تكوينات الوكلاء المختلفة  

#### الخطوة 5: التحضير للنشر  
1. إنشاء كود جاهز للإنتاج باستخدام Agent Builder  
2. إعداد اتصالات خادم MCP للاستخدام الإنتاجي  
3. تحضير حزم النشر للأجهزة الطرفية  
4. تكوين مقاييس المراقبة والتقييم  

## عينات لأداة الذكاء الاصطناعي  

جرب عيناتنا  
تم تصميم [عينات أداة الذكاء الاصطناعي](https://github.com/Azure-Samples/AI_Toolkit_Samples) لمساعدة المطورين والباحثين على استكشاف وتنفيذ حلول الذكاء الاصطناعي بفعالية.  

تشمل عيناتنا:  

كود العينة: أمثلة جاهزة لعرض وظائف الذكاء الاصطناعي، مثل التدريب أو النشر أو دمج النماذج في التطبيقات.  
التوثيق: أدلة ودروس تعليمية لمساعدة المستخدمين على فهم ميزات أداة الذكاء الاصطناعي وكيفية استخدامها.  
المتطلبات  

- Visual Studio Code  
- أداة الذكاء الاصطناعي لـ Visual Studio Code  
- رمز الوصول الشخصي الدقيق لـ GitHub (PAT)  
- Foundry Local  

## أفضل الممارسات لتطوير الذكاء الاصطناعي الطرفي  

### اختيار النموذج  
- **قيود الحجم**: اختر نماذج تتناسب مع قيود الذاكرة للأجهزة المستهدفة  
- **سرعة الاستنتاج**: أعط الأولوية للنماذج ذات أوقات الاستنتاج السريعة للتطبيقات الفورية  
- **التوازن بين الدقة والموارد**: حافظ على توازن بين دقة النموذج وقيود الموارد  
- **التوافق مع التنسيقات**: اختر تنسيقات مثل ONNX أو التنسيقات المحسّنة للأجهزة للنشر الطرفي  

### تقنيات التحسين  
- **التكميم**: استخدم التكميم INT8 أو INT4 لتقليل حجم النموذج وتحسين السرعة  
- **التقليم**: إزالة المعلمات غير الضرورية للنموذج لتقليل المتطلبات الحسابية  
- **تقطير المعرفة**: إنشاء نماذج أصغر تحافظ على أداء النماذج الأكبر  
- **تسريع الأجهزة**: الاستفادة من NPUs أو GPUs أو المسرعات المتخصصة عند توفرها  

### سير العمل التطويري  
- **الاختبار التكراري**: قم بالاختبار بشكل متكرر في ظروف مشابهة للبيئة الطرفية أثناء التطوير  
- **مراقبة الأداء**: راقب استخدام الموارد وسرعة الاستنتاج باستمرار  
- **التحكم في الإصدارات**: تتبع إصدارات النماذج وإعدادات التحسين  
- **التوثيق**: وثّق جميع قرارات التحسين والمقايضات المتعلقة بالأداء  

### اعتبارات النشر  
- **مراقبة الموارد**: راقب استخدام الذاكرة ووحدة المعالجة المركزية والطاقة في الإنتاج  
- **استراتيجيات التراجع**: قم بتنفيذ آليات التراجع في حالة فشل النموذج  
- **آليات التحديث**: خطط لتحديثات النموذج وإدارة الإصدارات  
- **الأمان**: قم بتنفيذ تدابير الأمان المناسبة لتطبيقات الذكاء الاصطناعي الطرفية  

## التكامل مع أطر الذكاء الاصطناعي الطرفي  

### ONNX Runtime  
- **النشر عبر المنصات**: نشر نماذج ONNX عبر منصات طرفية مختلفة  
- **تحسين الأجهزة**: الاستفادة من تحسينات الأجهزة الخاصة بـ ONNX Runtime  
- **دعم الأجهزة المحمولة**: استخدام ONNX Runtime Mobile لتطبيقات الهواتف الذكية والأجهزة اللوحية  
- **التكامل مع إنترنت الأشياء**: النشر على أجهزة إنترنت الأشياء باستخدام توزيعات ONNX Runtime الخفيفة  

### Windows ML  
- **أجهزة Windows**: تحسين الأجهزة الطرفية وأجهزة الكمبيوتر التي تعمل بنظام Windows  
- **تسريع NPU**: الاستفادة من وحدات معالجة الشبكة العصبية على أجهزة Windows  
- **DirectML**: استخدام DirectML لتسريع GPU على منصات Windows  
- **التكامل مع UWP**: التكامل مع تطبيقات منصة Windows العالمية  

### TensorFlow Lite  
- **تحسين الأجهزة المحمولة**: نشر نماذج TensorFlow Lite على الأجهزة المحمولة والمضمنة  
- **مندوبي الأجهزة**: استخدام مندوبي الأجهزة المتخصصين للتسريع  
- **وحدات التحكم الدقيقة**: النشر على وحدات التحكم الدقيقة باستخدام TensorFlow Lite Micro  
- **الدعم عبر المنصات**: النشر عبر أنظمة Android وiOS وLinux المضمنة  

### Azure IoT Edge  
- **الهجين بين السحابة والطرفية**: الجمع بين التدريب السحابي والاستنتاج الطرفي  
- **نشر الوحدات**: نشر نماذج الذكاء الاصطناعي كوحدات IoT Edge  
- **إدارة الأجهزة**: إدارة الأجهزة الطرفية وتحديث النماذج عن بُعد  
- **القياسات عن بُعد**: جمع بيانات الأداء ومقاييس النموذج من عمليات النشر الطرفية  

## سيناريوهات الذكاء الاصطناعي الطرفي المتقدمة  

### النشر متعدد النماذج  
- **مجموعات النماذج**: نشر نماذج متعددة لتحسين الدقة أو التكرار  
- **اختبار A/B**: اختبار نماذج مختلفة في وقت واحد على الأجهزة الطرفية  
- **الاختيار الديناميكي**: اختيار النماذج بناءً على ظروف الجهاز الحالية  
- **مشاركة الموارد**: تحسين استخدام الموارد عبر النماذج المنشورة المتعددة  

### التعلم الفيدرالي  
- **التدريب الموزع**: تدريب النماذج عبر أجهزة طرفية متعددة  
- **الحفاظ على الخصوصية**: الاحتفاظ ببيانات التدريب محليًا مع مشاركة تحسينات النموذج  
- **التعلم التعاوني**: تمكين الأجهزة من التعلم من التجارب الجماعية  
- **التنسيق بين الطرفية والسحابة**: تنسيق التعلم بين الأجهزة الطرفية والبنية التحتية السحابية  

### المعالجة الفورية  
- **معالجة التدفق**: معالجة تدفقات البيانات المستمرة على الأجهزة الطرفية  
- **الاستنتاج منخفض التأخير**: تحسين لتقليل تأخير الاستنتاج إلى الحد الأدنى  
- **معالجة الدُفعات**: معالجة دفعات البيانات بكفاءة على الأجهزة الطرفية  
- **المعالجة التكيفية**: ضبط المعالجة بناءً على قدرات الجهاز الحالية  

## استكشاف الأخطاء وإصلاحها في تطوير الذكاء الاصطناعي الطرفي  

### المشكلات الشائعة  
- **قيود الذاكرة**: النموذج كبير جدًا بالنسبة لذاكرة الجهاز المستهدف  
- **سرعة الاستنتاج**: استنتاج النموذج بطيء جدًا لتلبية المتطلبات الفورية  
- **تدهور الدقة**: التحسين يقلل من دقة النموذج بشكل غير مقبول  
- **توافق الأجهزة**: النموذج غير متوافق مع الأجهزة المستهدفة  

### استراتيجيات التصحيح  
- **تحليل الأداء**: استخدام ميزات التتبع في أداة الذكاء الاصطناعي لتحديد الاختناقات  
- **مراقبة الموارد**: مراقبة استخدام الذاكرة ووحدة المعالجة المركزية أثناء التطوير  
- **الاختبار التدريجي**: اختبار التحسينات تدريجيًا لعزل المشكلات  
- **محاكاة الأجهزة**: استخدام أدوات التطوير لمحاكاة الأجهزة المستهدفة  

### حلول التحسين  
- **تكميم إضافي**: تطبيق تقنيات تكميم أكثر عدوانية  
- **هندسة النموذج**: النظر في هندسات نماذج مختلفة محسّنة للطرفية  
- **تحسين المعالجة المسبقة**: تحسين معالجة البيانات المسبقة لقيود الطرفية  
- **تحسين الاستنتاج**: استخدام تحسينات الاستنتاج الخاصة بالأجهزة  

## الموارد والخطوات التالية  

### التوثيق الرسمي  
- [توثيق مطور أداة الذكاء الاصطناعي](https://aka.ms/AIToolkit/doc)  
- [دليل التثبيت والإعداد](https://code.visualstudio.com/docs/intelligentapps/overview#_install-and-setup)  
- [توثيق تطبيقات الذكاء الاصطناعي الذكية لـ VS Code](https://code.visualstudio.com/docs/intelligentapps)  
- [توثيق بروتوكول سياق النموذج (MCP)](https://modelcontextprotocol.io/)  

### المجتمع والدعم  
- [مستودع أداة الذكاء الاصطناعي على GitHub](https://github.com/microsoft/vscode-ai-toolkit)  
- [مشكلات GitHub وطلبات الميزات](https://aka.ms/AIToolkit/feedback)  
- [مجتمع Discord لـ Azure AI Foundry](https://aka.ms/azureaifoundry/discord)  
- [سوق إضافات VS Code](https://marketplace.visualstudio.com/items?itemName=ms-windows-ai-studio.windows-ai-studio)  

### الموارد التقنية  
- [توثيق ONNX Runtime](https://onnxruntime.ai/)  
- [توثيق Ollama](https://ollama.ai/)  
- [توثيق Windows ML](https://docs.microsoft.com/en-us/windows/ai/)  
- [توثيق Azure AI Foundry](https://learn.microsoft.com/en-us/azure/ai-foundry/)  

### مسارات التعلم  
- [دورة أساسيات الذكاء الاصطناعي الطرفي](../Module01/README.md)  
- [دليل النماذج اللغوية الصغيرة](../Module02/README.md)  
- [استراتيجيات نشر الطرفية](../Module03/README.md)  
- [تطوير الذكاء الاصطناعي الطرفي لـ Windows](./windowdeveloper.md)  

### موارد إضافية  
- **إحصائيات المستودع**: أكثر من 1.8k نجمة، أكثر من 150 شوكة، أكثر من 18 مساهم  
- **الترخيص**: ترخيص MIT  
- **الأمان**: تنطبق سياسات أمان Microsoft  
- **القياسات عن بُعد**: تحترم إعدادات القياسات عن بُعد لـ VS Code  

## الخاتمة  

تمثل أداة الذكاء الاصطناعي لـ Visual Studio Code منصة شاملة لتطوير الذكاء الاصطناعي الحديث، حيث توفر قدرات تطوير الوكلاء المبسطة التي تعتبر ذات قيمة خاصة لتطبيقات الذكاء الاصطناعي الطرفي. مع كتالوج النماذج الواسع الذي يدعم مقدمي الخدمات مثل Anthropic وOpenAI وGitHub وGoogle، إلى جانب التنفيذ المحلي عبر ONNX وOllama، تقدم الأداة المرونة اللازمة لسيناريوهات النشر الطرفي المتنوعة.  

تكمن قوة الأداة في نهجها المتكامل - من اكتشاف النماذج والتجريب في Playground إلى تطوير الوكلاء المتقدم باستخدام Prompt Builder، وقدرات التقييم الشاملة، والتكامل السلس مع أدوات MCP. بالنسبة لمطوري الذكاء الاصطناعي الطرفي، يعني هذا النماذج الأولية السريعة واختبار وكلاء الذكاء الاصطناعي قبل النشر الطرفي، مع القدرة على التكرار بسرعة وتحسين البيئات ذات الموارد المحدودة.  

تشمل المزايا الرئيسية لتطوير الذكاء الاصطناعي الطرفي:  
- **التجريب السريع**: اختبار النماذج والوكلاء بسرعة قبل الالتزام بالنشر الطرفي  
- **مرونة متعددة المزودين**: الوصول إلى النماذج من مصادر مختلفة للعثور على الحلول الطرفية المثلى  
- **التطوير المحلي**: الاختبار باستخدام ONNX وOllama للتطوير دون اتصال والحفاظ على الخصوصية  
- **جاهزية الإنتاج**: إنشاء كود جاهز للإنتاج والتكامل مع الأدوات الخارجية عبر MCP  
- **التقييم الشامل**: استخدام المقاييس المدمجة والمخصصة للتحقق من أداء الذكاء الاصطناعي الطرفي  

مع استمرار تقدم الذكاء الاصطناعي نحو سيناريوهات النشر الطرفي، توفر أداة الذكاء الاصطناعي لـ VS Code بيئة التطوير وسير العمل اللازمة لبناء واختبار وتحسين التطبيقات الذكية للبيئات ذات الموارد المحدودة. سواء كنت تطور حلول إنترنت الأشياء، أو تطبيقات الذكاء الاصطناعي المحمولة، أو أنظمة الذكاء المضمنة، فإن مجموعة ميزات الأداة الشاملة وسير العمل المتكامل تدعم دورة حياة تطوير الذكاء الاصطناعي الطرفي بالكامل.  

مع استمرار التطوير ووجود مجتمع نشط (أكثر من 1.8k نجمة على GitHub)، تظل أداة الذكاء الاصطناعي في طليعة أدوات تطوير الذكاء الاصطناعي، حيث تتطور باستمرار لتلبية احتياجات مطوري الذكاء الاصطناعي الحديثين الذين يبنون سيناريوهات النشر الطرفي.  

[التالي Foundry Local](./foundrylocal.md)  

---

**إخلاء المسؤولية**:  
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي [Co-op Translator](https://github.com/Azure/co-op-translator). بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالترجمة البشرية الاحترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسير خاطئ ينشأ عن استخدام هذه الترجمة.