نظام ذكاء اصطناعي للإجابة على الأسئلة باستخدام RAG و FastAPI

قمت بتطوير API ذكي للإجابة على الأسئلة بالاعتماد على تقنية Retrieval-Augmented Generation (RAG)، باستخدام FastAPI وLangChain وFAISS ونموذج Gemini من Google. مميزات المشروع: * بناء REST API باستخدام FastAPI لمعالجة طلبات المستخدمين وتقديم إجابات ذكية بشكل سريع. * استخراج محتوى ملفات PDF وتحويلها إلى نصوص قابلة للمعالجة باستخدام PyMuPDF. * تقسيم المستندات إلى أجزاء صغيرة (Chunks) لتحسين دقة البحث واسترجاع المعلومات. * إنشاء Embeddings للنصوص باستخدام نموذج all-MiniLM-L6-v2 من HuggingFace لتحسين فهم المعنى والسياق. * استخدام FAISS لتخزين الـ Vector Embeddings وتنفيذ عمليات البحث الدلالي بسرعة وكفاءة. * دمج نموذج Gemini 2.0 Flash عبر LangChain لتوليد إجابات ذكية اعتمادًا على محتوى المستند فقط. * تنفيذ Streaming Responses لعرض الإجابة بشكل تدريجي في الوقت الحقيقي لتحسين تجربة المستخدم. * تصميم Prompt Engineering لضمان أن تكون الإجابات مبنية على المعلومات الموجودة داخل المستند فقط. * إضافة معالجة للأخطاء والحالات التي لا تتوفر فيها إجابة داخل المحتوى. التقنيات المستخدمة: * Python * FastAPI * LangChain * FAISS * HuggingFace Embeddings * Gemini API * PyMuPDF * Uvicorn فكرة المشروع: يقوم النظام بقراءة ملفات PDF المتخصصة (مثل ملفات إنترنت الأشياء IoT)، ثم يسمح للمستخدم بطرح أسئلة باللغة الطبيعية، ليقوم الذكاء الاصطناعي بالبحث داخل المستند واسترجاع المعلومات الأكثر صلة وتوليد إجابة دقيقة في الوقت الحقيقي.