# دليل تطوير الذكاء الاصطناعي على Windows Edge

## المقدمة

مرحبًا بكم في تطوير الذكاء الاصطناعي على Windows Edge - دليلك الشامل لبناء تطبيقات ذكية تستفيد من قوة الذكاء الاصطناعي على الأجهزة باستخدام منصة Windows AI Foundry من Microsoft. هذا الدليل مصمم خصيصًا لمطوري Windows الذين يرغبون في دمج أحدث إمكانيات الذكاء الاصطناعي في تطبيقاتهم مع الاستفادة الكاملة من تسريع الأجهزة على Windows.

### ميزة الذكاء الاصطناعي على Windows

تمثل منصة Windows AI Foundry منصة موحدة وموثوقة وآمنة تدعم دورة حياة المطور للذكاء الاصطناعي بالكامل - بدءًا من اختيار النماذج وتخصيصها إلى تحسينها ونشرها عبر معمارية CPU وGPU وNPU والسحابة الهجينة. هذه المنصة تتيح تطوير الذكاء الاصطناعي للجميع من خلال توفير:

- **تجريد الأجهزة**: نشر سلس عبر معالجات AMD وIntel وNVIDIA وQualcomm
- **ذكاء على الجهاز**: ذكاء اصطناعي يحافظ على الخصوصية ويعمل بالكامل على الأجهزة المحلية
- **أداء محسن**: نماذج محسنة مسبقًا لتكوينات أجهزة Windows
- **جاهزية للمؤسسات**: ميزات أمان وامتثال على مستوى الإنتاج

### Windows ML
تمكن Windows Machine Learning (ML) مطوري C# وC++ وPython من تشغيل نماذج ONNX للذكاء الاصطناعي محليًا على أجهزة Windows عبر ONNX Runtime، مع إدارة تلقائية لمزودي التنفيذ لمختلف الأجهزة (CPU، GPU، NPU). يمكن استخدام [ONNX Runtime](https://onnxruntime.ai/docs/) مع نماذج من PyTorch وTensorflow/Keras وTFLite وscikit-learn وغيرها من الأطر.

![WindowsML رسم بياني يوضح نموذج ONNX يمر عبر Windows ML للوصول إلى NPUs وGPUs وCPUs.](https://learn.microsoft.com/en-us/windows/ai/images/winml-diagram.png)

يوفر Windows ML نسخة مشتركة من ONNX Runtime على مستوى Windows، بالإضافة إلى القدرة على تنزيل مزودي التنفيذ (EPs) ديناميكيًا.

### لماذا Windows للذكاء الاصطناعي على الحافة؟

**دعم عالمي للأجهزة**
يوفر Windows ML تحسينًا تلقائيًا للأجهزة عبر نظام Windows بالكامل، مما يضمن أداءً مثاليًا لتطبيقات الذكاء الاصطناعي بغض النظر عن معمارية الأجهزة الأساسية.

**تشغيل متكامل للذكاء الاصطناعي**
محرك الاستدلال المدمج في Windows ML يلغي الحاجة إلى إعدادات معقدة، مما يسمح للمطورين بالتركيز على منطق التطبيق بدلاً من القلق بشأن البنية التحتية.

**تحسين Copilot+ لأجهزة الكمبيوتر**
واجهات برمجية مصممة خصيصًا لأجهزة Windows من الجيل التالي المزودة بوحدات معالجة عصبية (NPUs) تقدم أداءً استثنائيًا لكل واط.

**نظام بيئي للمطورين**
أدوات غنية تشمل تكامل Visual Studio، وثائق شاملة، وتطبيقات نموذجية تسرّع دورات التطوير.

## أهداف التعلم

عند إكمال هذا الدليل لتطوير الذكاء الاصطناعي على Windows Edge، ستتقن المهارات الأساسية لبناء تطبيقات ذكاء اصطناعي جاهزة للإنتاج على منصة Windows.

### الكفاءات التقنية الأساسية

**إتقان منصة Windows AI Foundry**
- فهم بنية ومكونات منصة Windows AI Foundry
- التنقل عبر دورة حياة تطوير الذكاء الاصطناعي بالكامل داخل نظام Windows
- تنفيذ أفضل ممارسات الأمان لتطبيقات الذكاء الاصطناعي على الأجهزة
- تحسين التطبيقات لتكوينات الأجهزة المختلفة على Windows

**خبرة في تكامل واجهات برمجية التطبيقات**
- إتقان واجهات برمجية Windows AI لتطبيقات النصوص والرؤية والتطبيقات متعددة الوسائط
- تنفيذ تكامل نموذج لغة Phi Silica لتوليد النصوص والاستدلال
- نشر قدرات الرؤية الحاسوبية باستخدام واجهات برمجية معالجة الصور المدمجة
- تخصيص النماذج المدربة مسبقًا باستخدام تقنيات LoRA (التكيف منخفض الرتبة)

**تنفيذ محلي لمنصة Foundry**
- تصفح وتقييم ونشر نماذج اللغة المفتوحة المصدر باستخدام Foundry Local CLI
- فهم تحسين النماذج وتكميمها للنشر المحلي
- تنفيذ قدرات الذكاء الاصطناعي غير المتصلة بالإنترنت التي تعمل دون اتصال بالإنترنت
- إدارة دورة حياة النماذج وتحديثاتها في بيئات الإنتاج

**نشر Windows ML**
- جلب نماذج ONNX المخصصة إلى تطبيقات Windows باستخدام Windows ML
- الاستفادة من تسريع الأجهزة التلقائي عبر معمارية CPU وGPU وNPU
- تنفيذ استدلال في الوقت الفعلي مع استخدام الموارد بشكل أمثل
- تصميم تطبيقات ذكاء اصطناعي قابلة للتوسع لفئات أجهزة Windows المتنوعة

### مهارات تطوير التطبيقات

**تطوير Windows عبر الأنظمة الأساسية**
- بناء تطبيقات مدعومة بالذكاء الاصطناعي باستخدام .NET MAUI للنشر العالمي على Windows
- دمج إمكانيات الذكاء الاصطناعي في تطبيقات Win32 وUWP وتطبيقات الويب التقدمية
- تنفيذ تصميمات واجهة مستخدم تستجيب لحالات معالجة الذكاء الاصطناعي
- التعامل مع عمليات الذكاء الاصطناعي غير المتزامنة بأنماط تجربة مستخدم مناسبة

**تحسين الأداء**
- تحليل وتحسين أداء استدلال الذكاء الاصطناعي عبر تكوينات الأجهزة المختلفة
- تنفيذ إدارة ذاكرة فعالة للنماذج اللغوية الكبيرة
- تصميم تطبيقات تتكيف بشكل جيد مع قدرات الأجهزة المتاحة
- تطبيق استراتيجيات التخزين المؤقت لعمليات الذكاء الاصطناعي المستخدمة بشكل متكرر

**جاهزية الإنتاج**
- تنفيذ معالجة شاملة للأخطاء وآليات التراجع
- تصميم التتبع والمراقبة لأداء تطبيقات الذكاء الاصطناعي
- تطبيق أفضل ممارسات الأمان لتخزين النماذج المحلية وتنفيذها
- تخطيط استراتيجيات النشر للتطبيقات المؤسسية والاستهلاكية

### الفهم التجاري والاستراتيجي

**هندسة تطبيقات الذكاء الاصطناعي**
- تصميم بنى هجينة تحقق التوازن بين معالجة الذكاء الاصطناعي المحلية والسحابية
- تقييم التوازن بين حجم النموذج ودقته وسرعة الاستدلال
- تخطيط بنى تدفق البيانات التي تحافظ على الخصوصية مع تمكين الذكاء
- تنفيذ حلول ذكاء اصطناعي فعالة من حيث التكلفة تتوسع مع طلبات المستخدمين

**وضع السوق**
- فهم المزايا التنافسية لتطبيقات الذكاء الاصطناعي الأصلية على Windows
- تحديد حالات الاستخدام التي توفر فيها الذكاء الاصطناعي على الأجهزة تجارب مستخدم فائقة
- تطوير استراتيجيات الدخول إلى السوق لتطبيقات Windows المعززة بالذكاء الاصطناعي
- وضع التطبيقات للاستفادة من فوائد نظام Windows البيئي

## عينات Windows App SDK للذكاء الاصطناعي

يوفر Windows App SDK عينات شاملة توضح تكامل الذكاء الاصطناعي عبر أطر عمل متعددة وسيناريوهات نشر. هذه العينات مراجع أساسية لفهم أنماط تطوير الذكاء الاصطناعي على Windows.

### عينات Windows AI Foundry

| العينة | الإطار | مجال التركيز | الميزات الرئيسية |
|--------|-----------|------------|-------------|
| [cs-winui](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsAIFoundry/cs-winui) | C# WinUI 3 | تكامل واجهات برمجية Windows AI | تطبيق WinUI كامل يوضح واجهات برمجية Windows AI، تحسين ARM64، نشر معبأ |

**التقنيات الرئيسية:**
- واجهات برمجية Windows AI
- إطار عمل WinUI 3
- تحسين منصة ARM64
- توافق مع Copilot+ PC
- نشر التطبيقات المعبأة

**المتطلبات المسبقة:**
- Windows 11 مع Copilot+ PC موصى به
- Visual Studio 2022
- تكوين بناء ARM64
- Windows App SDK 1.8.1+

### عينات Windows ML

#### عينات C++

| العينة | النوع | مجال التركيز | الميزات الرئيسية |
|--------|------|------------|-------------|
| [CppConsoleDesktop](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cpp) | تطبيق كونسول | أساسيات Windows ML | اكتشاف EP، خيارات سطر الأوامر، تجميع النموذج |
| [CppConsoleDesktop.FrameworkDependent](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cpp) | تطبيق كونسول | نشر الإطار | تشغيل مشترك، بصمة نشر أصغر |
| [CppConsoleDesktop.SelfContained](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cpp) | تطبيق كونسول | نشر مستقل | نشر مستقل، بدون تبعيات تشغيل |
| [CppConsoleDll](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cpp) | مكتبة DLL | استخدام المكتبة | WindowsML في مكتبة مشتركة، إدارة الذاكرة |
| [CppResnetBuildDemo](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cpp) | عرض توضيحي | دليل ResNet | تحويل النموذج، تجميع EP، دليل Build 2025 |

#### عينات C#

**تطبيقات كونسول**

| العينة | النوع | مجال التركيز | الميزات الرئيسية |
|--------|------|------------|-------------|
| [CSharpConsoleDesktop](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cs) | تطبيق كونسول | تكامل C# الأساسي | استخدام المساعد المشترك، واجهة سطر الأوامر |
| [ResnetBuildDemoCS](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cs) | عرض توضيحي | دليل ResNet | تحويل النموذج، تجميع EP، دليل Build 2025 |

**تطبيقات واجهة المستخدم الرسومية**

| العينة | الإطار | مجال التركيز | الميزات الرئيسية |
|--------|-----------|------------|-------------|
| [cs-wpf](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cs-wpf) | WPF | واجهة مستخدم سطح المكتب | تصنيف الصور مع واجهة WPF |
| [cs-winforms](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cs-winforms) | Windows Forms | واجهة مستخدم تقليدية | تصنيف الصور مع Windows Forms |
| [cs-winui](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/cs-winui) | WinUI 3 | واجهة مستخدم حديثة | تصنيف الصور مع واجهة WinUI 3 |

#### عينات Python

| العينة | اللغة | مجال التركيز | الميزات الرئيسية |
|--------|----------|------------|-------------|
| [SqueezeNetPython](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML/python) | Python | تصنيف الصور | روابط WinML لـ Python، معالجة الصور على دفعات |

### المتطلبات المسبقة للعينات

**متطلبات النظام:**
- جهاز Windows 11 يعمل بالإصدار 24H2 (البناء 26100) أو أحدث
- Visual Studio 2022 مع أعباء عمل C++ و.NET
- Windows App SDK 1.8.1 أو أحدث
- Python 3.10-3.13 لعينات Python على أجهزة x64 وARM64

**متطلبات Windows AI Foundry:**
- Copilot+ PC موصى به للحصول على أداء مثالي
- تكوين بناء ARM64 لعينات Windows AI
- هوية الحزمة مطلوبة (التطبيقات غير المعبأة لم تعد مدعومة)

### سير العمل المشترك للعينات

تتبع معظم عينات Windows ML هذا النمط القياسي:

1. **تهيئة البيئة** - إنشاء بيئة تشغيل ONNX
2. **تسجيل مزودي التنفيذ** - اكتشاف وتسجيل مسرعات الأجهزة المتاحة (CPU، GPU، NPU)
3. **تحميل النموذج** - تحميل نموذج ONNX، مع إمكانية تجميعه للأجهزة المستهدفة
4. **معالجة المدخلات مسبقًا** - تحويل الصور/البيانات إلى تنسيق مدخلات النموذج
5. **تشغيل الاستدلال** - تنفيذ النموذج والحصول على التنبؤات
6. **معالجة النتائج** - تطبيق softmax وعرض التنبؤات الأعلى

### ملفات النماذج المستخدمة

| النموذج | الغرض | مرفق | ملاحظات |
|-------|---------|----------|-------|
| SqueezeNet | تصنيف الصور خفيف الوزن | ✅ مرفق | مدرب مسبقًا، جاهز للاستخدام |
| ResNet-50 | تصنيف الصور بدقة عالية | ❌ يتطلب تحويل | استخدم [أداة الذكاء الاصطناعي](https://code.visualstudio.com/docs/intelligentapps/modelconversion) للتحويل |

### دعم الأجهزة

تكتشف جميع العينات تلقائيًا الأجهزة المتاحة وتستخدمها:
- **CPU** - دعم عالمي عبر جميع أجهزة Windows
- **GPU** - اكتشاف وتحسين تلقائي للأجهزة الرسومية المتاحة
- **NPU** - الاستفادة من وحدات المعالجة العصبية على الأجهزة المدعومة (أجهزة Copilot+)

## مكونات منصة Windows AI Foundry

### 1. واجهات برمجية Windows AI

توفر واجهات برمجية Windows AI إمكانيات ذكاء اصطناعي جاهزة للاستخدام مدعومة بنماذج على الأجهزة، محسنة للكفاءة والأداء على أجهزة Copilot+ PC مع إعداد بسيط.

#### فئات واجهات برمجية أساسية

**نموذج لغة Phi Silica**
- نموذج لغة صغير ولكنه قوي لتوليد النصوص والاستدلال
- محسّن للاستدلال في الوقت الفعلي مع استهلاك طاقة منخفض
- دعم لتخصيص النموذج باستخدام تقنيات LoRA
- تكامل مع البحث الدلالي واسترجاع المعرفة على Windows

**واجهات برمجية الرؤية الحاسوبية**
- **التعرف على النصوص (OCR)**: استخراج النصوص من الصور بدقة عالية
- **تحسين دقة الصور**: تحسين جودة الصور باستخدام نماذج الذكاء الاصطناعي المحلية
- **تجزئة الصور**: تحديد وعزل الكائنات المحددة في الصور
- **وصف الصور**: إنشاء أوصاف نصية مفصلة للمحتوى البصري
- **إزالة الكائنات**: إزالة الكائنات غير المرغوب فيها من الصور باستخدام التلوين المدعوم بالذكاء الاصطناعي

**القدرات متعددة الوسائط**
- **تكامل الرؤية والنصوص**: الجمع بين فهم النصوص والصور
- **البحث الدلالي**: تمكين الاستفسارات الطبيعية عبر المحتوى متعدد الوسائط
- **استرجاع المعرفة**: بناء تجارب بحث ذكية مع البيانات المحلية

### 2. Foundry Local

يوفر Foundry Local للمطورين وصولًا سريعًا إلى نماذج اللغة المفتوحة المصدر الجاهزة للاستخدام على Windows Silicon، مع إمكانية تصفح النماذج واختبارها والتفاعل معها ونشرها في التطبيقات المحلية.

#### تطبيقات عينات Foundry Local

يوفر [مستودع Foundry Local](https://github.com/microsoft/Foundry-Local/tree/main/samples) عينات شاملة عبر لغات البرمجة وأطر العمل المختلفة، توضح أنماط التكامل وحالات الاستخدام المتنوعة.

| العينة | اللغة/الإطار | مجال التركيز | الميزات الرئيسية |
|--------|-------------------|------------|-------------|
| [dotNET/rag](https://github.com/microsoft/Foundry-Local/tree/main/samples/dotNET/rag) | C# / .NET | تنفيذ RAG | تكامل مع Kernel الدلالي، تخزين متجه Qdrant، تضمينات JINA، استيعاب المستندات، دردشة متدفقة |
| [electron/foundry-chat](https://github.com/microsoft/Foundry-Local/tree/main/samples/electron/foundry-chat) | JavaScript / Electron | تطبيق دردشة سطح المكتب | دردشة عبر الأنظمة الأساسية، تبديل النموذج المحلي/السحابي، تكامل SDK OpenAI، بث في الوقت الفعلي |
| [js/hello-foundry-local](https://github.com/microsoft/Foundry-Local/tree/main/samples/js/hello-foundry-local) | JavaScript / Node.js | تكامل أساسي | استخدام SDK بسيط، تهيئة النموذج، وظيفة دردشة أساسية |
| [python/hello-foundry-local](https://github.com/microsoft/Foundry-Local/tree/main/samples/python/hello-foundry-local) | Python | تكامل أساسي | استخدام SDK لـ Python، استجابات متدفقة، واجهة برمجية متوافقة مع OpenAI |
| [rust/hello-foundry-local](https://github.com/microsoft/Foundry-Local/tree/main/samples/rust/hello-foundry-local) | Rust | تكامل الأنظمة | استخدام SDK منخفض المستوى، العمليات غير المتزامنة، عميل HTTP reqwest |

#### فئات العينات حسب حالة الاستخدام

**RAG (استرجاع معزز بالتوليد)**
- **dotNET/rag**: تنفيذ كامل لـ RAG باستخدام Semantic Kernel، قاعدة بيانات المتجهات Qdrant، وJINA embeddings
- **الهيكلية**: استيعاب المستندات → تقسيم النصوص → تضمين المتجهات → البحث عن التشابه → استجابات مدركة للسياق
- **التقنيات**: Microsoft.SemanticKernel، Qdrant.Client، BERT ONNX embeddings، إكمال الدردشة المتدفقة

**تطبيقات سطح المكتب**
- **electron/foundry-chat**: تطبيق دردشة جاهز للإنتاج مع تبديل بين النماذج المحلية والسحابية
- **الميزات**: محدد النماذج، استجابات متدفقة، معالجة الأخطاء، نشر عبر الأنظمة الأساسية
- **الهيكلية**: عملية رئيسية في Electron، اتصال IPC، سكربتات تحميل آمنة

**أمثلة تكامل SDK**
- **JavaScript (Node.js)**: تفاعل أساسي مع النماذج واستجابات متدفقة
- **Python**: استخدام API متوافق مع OpenAI مع تدفق غير متزامن
- **Rust**: تكامل منخفض المستوى مع reqwest وtokio للعمليات غير المتزامنة

#### المتطلبات الأساسية لعينات Foundry Local

**متطلبات النظام:**
- Windows 11 مع تثبيت Foundry Local
- Node.js v16+ لعينات JavaScript/Electron
- .NET 8.0+ لعينات C#
- Python 3.10+ لعينات Python
- Rust 1.70+ لعينات Rust

**التثبيت:**
```powershell
# Install Foundry Local
winget install Microsoft.FoundryLocal

# Verify installation
foundry --version
foundry model list
```

#### إعداد خاص بالعينات

**عينة dotNET RAG:**
```powershell
# Install required packages via NuGet
# Microsoft.SemanticKernel.Connectors.Onnx
# Microsoft.SemanticKernel.Connectors.Qdrant
# Qdrant.Client

# Start Qdrant vector database
docker run -p 6333:6333 qdrant/qdrant

# Run Jupyter notebook
jupyter notebook rag_foundrylocal_demo.ipynb
```

**عينة دردشة Electron:**
```powershell
# Set environment variables for cloud fallback
$env:YOUR_API_KEY="your-cloud-api-key"
$env:YOUR_ENDPOINT="your-cloud-endpoint"
$env:YOUR_MODEL_NAME="your-cloud-model"

# Install dependencies and run
npm install
npm start
```

**عينات JavaScript/Python/Rust:**
```powershell
# Download model (example with phi-3.5-mini)
foundry model run phi-3.5-mini

# Run respective sample
node src/app.js          # JavaScript
python src/app.py        # Python
cargo run               # Rust
```

#### الميزات الرئيسية

**كتالوج النماذج**
- مجموعة شاملة من النماذج مفتوحة المصدر المحسّنة مسبقًا
- نماذج محسّنة عبر وحدات المعالجة المركزية (CPU)، وحدات معالجة الرسومات (GPU)، ووحدات المعالجة العصبية (NPU) للنشر الفوري
- دعم لعائلات النماذج الشهيرة مثل Llama، Mistral، Phi، والنماذج المتخصصة في المجالات

**تكامل CLI**
- واجهة سطر الأوامر لإدارة النماذج ونشرها
- سير عمل تلقائي للتحسين والتكميم
- تكامل مع بيئات التطوير الشهيرة وخطوط أنابيب CI/CD

**النشر المحلي**
- تشغيل كامل دون الحاجة إلى الاعتماد على السحابة
- دعم لتنسيقات النماذج المخصصة والتكوينات
- تقديم النماذج بكفاءة مع تحسين تلقائي للأجهزة

### 3. Windows ML

Windows ML يعمل كمنصة الذكاء الاصطناعي الأساسية وبيئة التنفيذ المتكاملة على Windows، مما يتيح للمطورين نشر النماذج المخصصة بكفاءة عبر نظام الأجهزة الواسع الخاص بـ Windows.

#### فوائد الهيكلية

**دعم عالمي للأجهزة**
- تحسين تلقائي لوحدات AMD، Intel، NVIDIA، وQualcomm
- دعم تنفيذ على CPU، GPU، وNPU مع تبديل شفاف
- تجريد الأجهزة الذي يلغي الحاجة إلى العمل على تحسينات خاصة بالمنصة

**مرونة النماذج**
- دعم لتنسيق نماذج ONNX مع تحويل تلقائي من الأطر الشهيرة
- نشر نماذج مخصصة بأداء على مستوى الإنتاج
- تكامل مع هيكليات تطبيقات Windows الحالية

**تكامل المؤسسات**
- متوافق مع أطر الأمان والامتثال الخاصة بـ Windows
- دعم لأدوات نشر وإدارة المؤسسات
- تكامل مع أنظمة إدارة ومراقبة أجهزة Windows

## سير عمل التطوير

### المرحلة 1: إعداد البيئة وتكوين الأدوات

**تحضير بيئة التطوير**
1. تثبيت Visual Studio 2022 مع أعباء عمل C++ و.NET
2. تثبيت Windows App SDK 1.8.1 أو أحدث
3. تكوين أدوات CLI الخاصة بـ Windows AI Foundry
4. إعداد امتداد AI Toolkit لـ Visual Studio Code
5. إنشاء أدوات مراقبة الأداء والتحليل
6. ضمان تكوين بناء ARM64 لتحسين Copilot+ PC

**إعداد مستودع العينات**
1. استنساخ [مستودع عينات Windows App SDK](https://github.com/microsoft/WindowsAppSDK-Samples)
2. الانتقال إلى `Samples/WindowsAIFoundry/cs-winui` للحصول على أمثلة API الخاصة بـ Windows AI
3. الانتقال إلى `Samples/WindowsML` للحصول على أمثلة شاملة لـ Windows ML
4. مراجعة [متطلبات البناء](https://learn.microsoft.com/windows/apps/windows-app-sdk/system-requirements) للمنصات المستهدفة

**استكشاف معرض تطوير الذكاء الاصطناعي**
- استكشاف التطبيقات النموذجية والتنفيذات المرجعية
- اختبار واجهات برمجة التطبيقات الخاصة بـ Windows AI مع عروض تفاعلية
- مراجعة التعليمات البرمجية للحصول على أفضل الممارسات والأنماط
- تحديد العينات ذات الصلة بحالة الاستخدام الخاصة بك

### المرحلة 2: اختيار النماذج وتكاملها

**تحليل المتطلبات**
- تحديد المتطلبات الوظيفية لقدرات الذكاء الاصطناعي
- وضع قيود الأداء وأهداف التحسين
- تقييم متطلبات الخصوصية والأمان
- تخطيط هيكلية النشر واستراتيجيات التوسع

**تقييم النماذج**
- استخدام Foundry Local لاختبار النماذج مفتوحة المصدر لحالة الاستخدام الخاصة بك
- قياس واجهات برمجة التطبيقات الخاصة بـ Windows AI مقابل متطلبات النماذج المخصصة
- تقييم التوازن بين حجم النموذج، الدقة، وسرعة الاستدلال
- إنشاء نماذج أولية لطرق التكامل مع النماذج المختارة

### المرحلة 3: تطوير التطبيق

**التكامل الأساسي**
- تنفيذ تكامل واجهات برمجة التطبيقات الخاصة بـ Windows AI مع معالجة الأخطاء بشكل صحيح
- تصميم واجهات المستخدم التي تستوعب سير عمل معالجة الذكاء الاصطناعي
- تنفيذ استراتيجيات التخزين المؤقت والتحسين لاستدلال النماذج
- إضافة التتبع والمراقبة لأداء عمليات الذكاء الاصطناعي

**الاختبار والتحقق**
- اختبار التطبيقات عبر تكوينات الأجهزة المختلفة لـ Windows
- التحقق من مقاييس الأداء تحت ظروف التحميل المختلفة
- تنفيذ اختبارات تلقائية لضمان موثوقية وظائف الذكاء الاصطناعي
- إجراء اختبارات تجربة المستخدم مع الميزات المعززة بالذكاء الاصطناعي

### المرحلة 4: التحسين والنشر

**تحسين الأداء**
- قياس أداء التطبيق عبر تكوينات الأجهزة المستهدفة
- تحسين استخدام الذاكرة واستراتيجيات تحميل النماذج
- تنفيذ سلوك تكيفي بناءً على قدرات الأجهزة المتاحة
- تحسين تجربة المستخدم لسيناريوهات الأداء المختلفة

**النشر الإنتاجي**
- حزم التطبيقات مع تبعيات نماذج الذكاء الاصطناعي المناسبة
- تنفيذ آليات التحديث للنماذج ومنطق التطبيق
- تكوين المراقبة والتحليلات لبيئات الإنتاج
- تخطيط استراتيجيات الطرح للنشر المؤسسي والاستهلاكي

## أمثلة تنفيذ عملية

### المثال 1: تطبيق معالجة المستندات الذكي

إنشاء تطبيق Windows يعالج المستندات باستخدام قدرات متعددة للذكاء الاصطناعي:

**التقنيات المستخدمة:**
- Phi Silica للتلخيص والإجابة على الأسئلة
- واجهات برمجة التطبيقات OCR لاستخراج النصوص من المستندات الممسوحة ضوئيًا
- واجهات برمجة التطبيقات لوصف الصور لتحليل الرسوم البيانية والمخططات
- نماذج ONNX مخصصة لتصنيف المستندات

**نهج التنفيذ:**
- تصميم هيكلية معيارية بمكونات ذكاء اصطناعي قابلة للإضافة
- تنفيذ معالجة غير متزامنة لدفعات المستندات الكبيرة
- إضافة مؤشرات تقدم ودعم الإلغاء للعمليات الطويلة
- تضمين القدرة على العمل دون اتصال لمعالجة المستندات الحساسة

### المثال 2: نظام إدارة مخزون التجزئة

إنشاء نظام مخزون مدعوم بالذكاء الاصطناعي لتطبيقات التجزئة:

**التقنيات المستخدمة:**
- تقسيم الصور لتحديد المنتجات
- نماذج رؤية مخصصة لتصنيف العلامات التجارية والفئات
- نشر Foundry Local لنماذج اللغة المتخصصة في التجزئة
- التكامل مع أنظمة نقاط البيع والمخزون الحالية

**نهج التنفيذ:**
- بناء تكامل الكاميرا لمسح المنتجات في الوقت الفعلي
- تنفيذ التعرف على الباركود والمنتجات البصرية
- إضافة استفسارات المخزون بلغة طبيعية باستخدام نماذج اللغة المحلية
- تصميم هيكلية قابلة للتوسع للنشر في المتاجر المتعددة

### المثال 3: مساعد توثيق الرعاية الصحية

تطوير أداة توثيق الرعاية الصحية مع الحفاظ على الخصوصية:

**التقنيات المستخدمة:**
- Phi Silica لإنشاء الملاحظات الطبية ودعم اتخاذ القرارات السريرية
- OCR لتحويل السجلات الطبية المكتوبة بخط اليد إلى صيغة رقمية
- نماذج لغة طبية مخصصة يتم نشرها عبر Windows ML
- تخزين متجه محلي لاسترجاع المعرفة الطبية

**نهج التنفيذ:**
- ضمان التشغيل الكامل دون اتصال للحفاظ على خصوصية المرضى
- تنفيذ التحقق من المصطلحات الطبية واقتراحها
- إضافة تسجيل التدقيق للامتثال التنظيمي
- تصميم التكامل مع أنظمة السجلات الصحية الإلكترونية الحالية

## استراتيجيات تحسين الأداء

### تطوير واعٍ للأجهزة

**تحسين NPU**
- تصميم التطبيقات للاستفادة من قدرات NPU على أجهزة Copilot+ PCs
- تنفيذ تراجع سلس إلى GPU/CPU على الأجهزة التي لا تحتوي على NPU
- تحسين تنسيقات النماذج لتسريع خاص بـ NPU
- مراقبة استخدام NPU وخصائصه الحرارية

**إدارة الذاكرة**
- تنفيذ استراتيجيات تحميل النماذج والتخزين المؤقت بكفاءة
- استخدام تعيين الذاكرة للنماذج الكبيرة لتقليل وقت بدء التشغيل
- تصميم تطبيقات واعية للذاكرة للأجهزة ذات الموارد المحدودة
- تنفيذ تكميم النماذج لتحسين استخدام الذاكرة

**كفاءة البطارية**
- تحسين عمليات الذكاء الاصطناعي لتقليل استهلاك الطاقة
- تنفيذ معالجة تكيفية بناءً على حالة البطارية
- تصميم معالجة خلفية فعالة لعمليات الذكاء الاصطناعي المستمرة
- استخدام أدوات قياس الطاقة لتحسين استخدام الطاقة

### اعتبارات التوسع

**التعددية**
- تصميم عمليات ذكاء اصطناعي آمنة للخيوط للمعالجة المتزامنة
- تنفيذ توزيع العمل بكفاءة عبر النوى المتاحة
- استخدام أنماط async/await للعمليات غير المحظورة
- تخطيط تحسين تجمع الخيوط لتكوينات الأجهزة المختلفة

**استراتيجيات التخزين المؤقت**
- تنفيذ تخزين مؤقت ذكي للعمليات المتكررة للذكاء الاصطناعي
- تصميم استراتيجيات إبطال التخزين المؤقت لتحديث النماذج
- استخدام التخزين المؤقت المستمر لعمليات المعالجة المسبقة المكلفة
- تنفيذ التخزين المؤقت الموزع لسيناريوهات متعددة المستخدمين

## أفضل الممارسات للأمان والخصوصية

### حماية البيانات

**المعالجة المحلية**
- ضمان عدم مغادرة البيانات الحساسة للجهاز المحلي
- تنفيذ تخزين آمن للنماذج المؤقتة وبيانات المعالجة
- استخدام ميزات أمان Windows لتقييد التطبيقات
- تطبيق التشفير للنماذج المخزنة ونتائج المعالجة الوسيطة

**أمان النماذج**
- التحقق من سلامة النماذج قبل التحميل والتنفيذ
- تنفيذ آليات تحديث النماذج الآمنة
- استخدام نماذج موقعة لمنع العبث
- تطبيق ضوابط الوصول لملفات النماذج والتكوين

### اعتبارات الامتثال

**التوافق التنظيمي**
- تصميم التطبيقات لتلبية متطلبات GDPR، HIPAA، وغيرها
- تنفيذ تسجيل التدقيق لعمليات اتخاذ القرار بالذكاء الاصطناعي
- توفير ميزات الشفافية للنتائج التي يولدها الذكاء الاصطناعي
- تمكين التحكم من قبل المستخدم في معالجة بيانات الذكاء الاصطناعي

**أمان المؤسسات**
- التكامل مع سياسات أمان المؤسسات الخاصة بـ Windows
- دعم النشر المُدار من خلال أدوات إدارة المؤسسات
- تنفيذ ضوابط الوصول المستندة إلى الأدوار لميزات الذكاء الاصطناعي
- توفير ضوابط إدارية لوظائف الذكاء الاصطناعي

## استكشاف الأخطاء وإصلاحها

### تحديات التطوير الشائعة

**مشاكل تكوين البناء**
- ضمان تكوين منصة ARM64 لعينات واجهات برمجة التطبيقات الخاصة بـ Windows AI
- التحقق من توافق إصدار Windows App SDK (يتطلب 1.8.1+)
- التحقق من تكوين هوية الحزمة بشكل صحيح (مطلوب لواجهات برمجة التطبيقات الخاصة بـ Windows AI)
- التحقق من أن أدوات البناء تدعم إصدار الإطار المستهدف

**مشاكل تحميل النماذج**
- التحقق من توافق نماذج ONNX مع Windows ML
- التحقق من سلامة ملفات النماذج ومتطلبات التنسيق
- التحقق من متطلبات قدرات الأجهزة للنماذج المحددة
- تصحيح مشاكل تخصيص الذاكرة أثناء تحميل النماذج
- ضمان تسجيل موفر التنفيذ لتسريع الأجهزة

**اعتبارات وضع النشر**
- **الوضع المستقل**: مدعوم بالكامل مع حجم نشر أكبر
- **الوضع المعتمد على الإطار**: بصمة أصغر ولكن يتطلب وقت تشغيل مشترك
- **التطبيقات غير المعبأة**: لم تعد مدعومة لواجهات برمجة التطبيقات الخاصة بـ Windows AI
- استخدام `dotnet run -p:Platform=ARM64 -p:SelfContained=true` للنشر المستقل ARM64

**مشاكل الأداء**
- قياس أداء التطبيق عبر تكوينات الأجهزة المختلفة
- تحديد الاختناقات في خطوط معالجة الذكاء الاصطناعي
- تحسين عمليات المعالجة المسبقة واللاحقة للبيانات
- تنفيذ مراقبة الأداء والتنبيه

**صعوبات التكامل**
- تصحيح مشاكل تكامل واجهات برمجة التطبيقات مع معالجة الأخطاء بشكل صحيح
- التحقق من تنسيقات بيانات الإدخال ومتطلبات المعالجة المسبقة
- اختبار الحالات الحافة وظروف الخطأ بدقة
- تنفيذ تسجيل شامل لتصحيح مشاكل الإنتاج

### أدوات وتقنيات التصحيح

**تكامل Visual Studio**
- استخدام مصحح أخطاء AI Toolkit لتحليل تنفيذ النماذج
- تنفيذ قياس الأداء لعمليات الذكاء الاصطناعي
- تصحيح العمليات غير المتزامنة للذكاء الاصطناعي مع معالجة الاستثناءات بشكل صحيح
- استخدام أدوات قياس الذاكرة للتحسين

**أدوات Windows AI Foundry**
- الاستفادة من CLI الخاص بـ Foundry Local لاختبار النماذج والتحقق منها
- استخدام أدوات اختبار واجهات برمجة التطبيقات الخاصة بـ Windows AI للتحقق من التكامل
- تنفيذ تسجيل مخصص لمراقبة عمليات الذكاء الاصطناعي
- إنشاء اختبارات تلقائية لضمان موثوقية وظائف الذكاء الاصطناعي

## ضمان مستقبل تطبيقاتك

### التقنيات الناشئة

**الأجهزة من الجيل التالي**
- تصميم التطبيقات للاستفادة من قدرات NPU المستقبلية
- التخطيط لزيادة أحجام النماذج وتعقيدها
- تنفيذ هيكليات تكيفية للأجهزة المتطورة
- النظر في الخوارزميات الجاهزة للكم لتوافق المستقبل

**قدرات الذكاء الاصطناعي المتقدمة**
- الاستعداد لتكامل الذكاء الاصطناعي متعدد الوسائط عبر المزيد من أنواع البيانات
- التخطيط للتعاون الذكي في الوقت الفعلي بين الأجهزة المتعددة
- التصميم لقدرات التعلم الفيدرالي
- النظر في هيكليات الذكاء الاصطناعي الهجينة بين الحافة والسحابة

### التعلم المستمر والتكيف

**تحديثات النماذج**
- تنفيذ آليات تحديث النماذج بسلاسة
- تصميم التطبيقات للتكيف مع قدرات النماذج المحسّنة
- التخطيط للتوافق العكسي مع النماذج الحالية
- تنفيذ اختبارات A/B لتقييم أداء النماذج

**تطور الميزات**
- تصميم هيكليات معيارية تستوعب قدرات الذكاء الاصطناعي الجديدة
- التخطيط لتكامل واجهات برمجة التطبيقات الناشئة الخاصة بـ Windows AI
- تنفيذ أعلام الميزات لطرح القدرات تدريجيًا
- تصميم واجهات المستخدم التي تتكيف مع الميزات المحسّنة للذكاء الاصطناعي

## الخاتمة

يمثل تطوير الذكاء الاصطناعي على حافة Windows تقاربًا بين قدرات الذكاء الاصطناعي القوية ومنصة Windows القوية والآمنة والقابلة للتوسع. من خلال إتقان نظام Windows AI Foundry، يمكن للمطورين إنشاء تطبيقات ذكية توفر تجارب مستخدم استثنائية مع الحفاظ على أعلى معايير الخصوصية والأمان والأداء.

يجمع مزيج واجهات برمجة التطبيقات الخاصة بـ Windows AI، Foundry Local، وWindows ML بين أساس لا مثيل له لبناء الجيل التالي من تطبيقات Windows الذكية. مع استمرار تطور الذكاء الاصطناعي، يضمن نظام Windows أن تطبيقاتك ستتوسع مع التقنيات الناشئة مع الحفاظ على التوافق والأداء عبر نظام الأجهزة المتنوع الخاص بـ Windows.

سواء كنت تبني تطبيقات استهلاكية، حلول مؤسسية، أو أدوات صناعية متخصصة، فإن تطوير الذكاء الاصطناعي على حافة Windows يمكّنك من إنشاء تجارب ذكية، مستجيبة، ومتكاملة بعمق تستفيد من الإمكانات الكاملة لأجهزة Windows الحديثة.

## موارد إضافية

### الوثائق والتعلم
- [وثائق Windows AI Foundry](https://learn.microsoft
- [نظرة عامة على Windows ML](https://learn.microsoft.com/windows/ai/new-windows-ml/overview/)
- [متطلبات نظام Windows App SDK](https://docs.microsoft.com/windows/apps/windows-app-sdk/system-requirements)
- [إعداد بيئة تطوير Windows App SDK](https://docs.microsoft.com/windows/apps/windows-app-sdk/set-up-your-development-environment)
- 

### مستودعات العينات والكود
- [عينات Windows App SDK - Windows AI Foundry](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsAIFoundry)
- [عينات Windows App SDK - Windows ML](https://github.com/microsoft/WindowsAppSDK-Samples/tree/main/Samples/WindowsML)
- [أمثلة استنتاج ONNX Runtime](https://github.com/microsoft/onnxruntime-inference-examples)
- [مستودع عينات Windows App SDK](https://github.com/microsoft/WindowsAppSDK-Samples)

### أدوات التطوير
- [مجموعة أدوات الذكاء الاصطناعي لـ Visual Studio Code](https://learn.microsoft.com/windows/ai/toolkit/)
- [معرض مطوري الذكاء الاصطناعي](https://learn.microsoft.com/windows/ai/ai-dev-gallery/)
- [عينات Windows AI](https://learn.microsoft.com/windows/ai/samples/)
- [أدوات تحويل النماذج](https://code.visualstudio.com/docs/intelligentapps/modelconversion)

### الدعم الفني
- [وثائق Windows ML](https://learn.microsoft.com/windows/ai/new-windows-ml/overview)
- [وثائق ONNX Runtime](https://onnxruntime.ai/docs/)
- [وثائق Windows App SDK](https://docs.microsoft.com/windows/apps/windows-app-sdk/)
- [الإبلاغ عن المشكلات - عينات Windows App SDK](https://github.com/microsoft/WindowsAppSDK-Samples/issues)

### المجتمع والدعم
- [مجتمع مطوري Windows](https://developer.microsoft.com/en-us/windows/)
- [مدونة Windows AI Foundry](https://blogs.windows.com/windowsdeveloper/)
- [تدريب Microsoft Learn AI](https://learn.microsoft.com/training/browse/?products=windows&subjects=artificial-intelligence)

---

*تم تصميم هذا الدليل ليتطور مع النظام البيئي المتقدم بسرعة لـ Windows AI. تضمن التحديثات المنتظمة التوافق مع أحدث قدرات المنصة وأفضل ممارسات التطوير.*

[08. العمل العملي مع Microsoft Foundry Local - مجموعة أدوات المطور الكاملة](../Module08/README.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 معلومات غير دقيقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.