Post by Ziad Agamy

الحمدلله، وبعد 4 سنين من التعب والمجهود، الواحد قدر يختم بمشروع تخرج بيحاول يحل مشكلة حقيقية - مش مشكلة هتغير العالم ولا هتنقذ حياة حد، بس برأيي: أي مشكلة بتتكرر كل يوم مع ملايين الناس، تستحق إنها تتحل، بغض النظر عن حجمها. SeMedia بيحاول يحل مشكلة أي حد بيحب الأفلام والمسلسلات قابلها قبل كده: تفتح أي منصة، تلاقي قدامك عدد مالهوش آخر من الأفلام والمسلسلات، تبدأ تحتار وتفضل تدوّر على حاجة مناسبة، ووقت طويل جدا بيضيع وانت بس بتقلب، وفي الآخر تقفل التطبيق من غير ما تتفرج على حاجة أصلا. ودي ظاهرة معروفة باسم "Paradox of Choice": كل ما الاختيارات قدامنا تزيد، كل ما عقلنا يتعب أكتر في المفاضلة بينها، وبدل ما الاختيارات الكتير تساعدنا، بتعمل العكس وتخلينا نتجمد من غير قرار. وأه، كل المنصات الموجودة بتستخدم machine learning وخوارزميات زي collaborative filtering عشان تفهم زوقك وتعرف بتحب إيه ومش بتحب إيه، بس كل الخوارزميات دي بتتجاهل حاجة واحدة مهمة: الـ current emotional state بتاع المستخدم، يعني مزاجك دلوقتي بالظبط. وهنا بالظبط SeMedia بتدخل، زي ما هو موضح في الفيديو. في الأساس، SeMedia عبارة عن RAG system بيستخدم data لـ 12K فيلم بكل بياناتها، عشان يقدر يلبي احتياجات كل المستخدمين على اختلاف أذواقهم. في بناء السيستيم اعتمدت على LangChain و LangGraph، كل واحد لسبب مختلف. LangGraph استخدمته عشان أبني الـ pipeline بتاعي كـ multi-agent workflow بـ state محفوظة - فيه Feedback Agent بيفهم مزاجك، وGeneration Agent بيحول ده لوصف سينمائي تفصيلي، وبعدين Retriever بيجيب أقرب الأفلام، وكل ده محفوظ في ذاكرة بتخليك ترجع تكمل من نفس النقطة اللي وقفت عندها. أما LangChain فاستخدمته كطبقة موحدة تربط كل الأدوات دي مع بعض - من LLM (Groq) لـ vector store (Pinecone) لـ reranking (Cohere) - من غير ما أكتب integration منفصل لكل واحدة. في النهاية، SeMedia بالنسبالي مش مجرد مشروع تخرج، ده تجميع لكل اللي تعلمته في الـ AI/ML خلال آخر فترة - من بناء agents لحد التعامل مع vector databases وretrieval pipelines. لو حابب تشوف الكود وتفاصيل الـ architecture أكتر: 🔗 https://lnkd.in/em9ksSFa #GraduationProject #مشروع_تخرج #AI #MachineLearning #RAG #LangChain #LangGraph #FastAPI #React #ArtificialIntelligence #تخرج

Video Content