"""
وحدة نماذج الذكاء الاصطناعي المتكاملة
"""
import streamlit as st
import pandas as pd
import random
from datetime import datetime
import time
class AIModelsApp:
"""
وحدة نماذج الذكاء الاصطناعي المتكاملة للنظام
"""
def __init__(self):
"""
تهيئة وحدة نماذج الذكاء الاصطناعي
"""
# تهيئة حالة الجلسة الخاصة بنماذج الذكاء الاصطناعي إذا لم تكن موجودة
if 'ai_models' not in st.session_state:
# إنشاء بيانات تجريبية لنماذج الذكاء الاصطناعي
st.session_state.ai_models = self._generate_sample_models()
if 'api_keys' not in st.session_state:
# إنشاء بيانات تجريبية لمفاتيح API
st.session_state.api_keys = {
'openai': 'sk-**************************',
'huggingface': 'hf_**************************',
'azure': 'az_**************************',
'local': 'local_key_not_required'
}
if 'model_usage' not in st.session_state:
# إنشاء بيانات تجريبية لاستخدام النماذج
st.session_state.model_usage = self._generate_sample_usage()
def run(self):
"""
تشغيل وحدة نماذج الذكاء الاصطناعي
"""
st.markdown("<h2 class='module-title'>وحدة نماذج الذكاء الاصطناعي</h2>", unsafe_allow_html=True)
# إنشاء تبويبات لنماذج الذكاء الاصطناعي المختلفة
tabs = st.tabs(["النماذج المتاحة", "استخدام النماذج", "إدارة API", "سجل الاستخدام"])
with tabs[0]:
self._render_available_models()
with tabs[1]:
self._render_model_usage()
with tabs[2]:
self._render_api_management()
with tabs[3]:
self._render_usage_history()
def _render_available_models(self):
"""
عرض النماذج المتاحة
"""
st.markdown("### النماذج المتاحة")
st.markdown("عرض نماذج الذكاء الاصطناعي المتاحة للاستخدام في النظام")
# فلترة النماذج
col1, col2 = st.columns(2)
with col1:
filter_type = st.multiselect(
"نوع النموذج",
options=["الكل", "تحليل نصوص", "استخراج بيانات", "تصنيف مستندات", "تلخيص", "ترجمة", "تنبؤ"],
default=["الكل"]
)
with col2:
filter_provider = st.multiselect(
"مزود الخدمة",
options=["الكل", "OpenAI", "HuggingFace", "Azure", "محلي"],
default=["الكل"]
)
# تطبيق التصفية
filtered_models = st.session_state.ai_models
if "الكل" not in filter_type:
filtered_models = [m for m in filtered_models if m['type'] in filter_type]
if "الكل" not in filter_provider:
filtered_models = [m for m in filtered_models if m['provider'] in filter_provider]
# عرض النماذج
if filtered_models:
# تقسيم النماذج إلى صفوف
for i in range(0, len(filtered_models), 3):
cols = st.columns(3)
for j in range(3):
if i + j < len(filtered_models):
model = filtered_models[i + j]
with cols[j]:
st.markdown(f"""
<div style="border: 1px solid #dee2e6; border-radius: 8px; padding: 15px; height: 100%;">
<h4 style="color: var(--primary-color);">{model['name']}</h4>
<p><strong>النوع:</strong> {model['type']}</p>
<p><strong>المزود:</strong> {model['provider']}</p>
<p><strong>الإصدار:</strong> {model['version']}</p>
<p><strong>الحالة:</strong> <span style="color: {'green' if model['status'] == 'متاح' else 'orange'};">{model['status']}</span></p>
<p>{model['description']}</p>
</div>
""", unsafe_allow_html=True)
else:
st.info("لا توجد نماذج تطابق معايير التصفية", icon="ℹ️")
def _render_model_usage(self):
"""
عرض واجهة استخدام النماذج
"""
st.markdown("### استخدام نماذج الذكاء الاصطناعي")
st.markdown("استخدام نماذج الذكاء الاصطناعي لمعالجة البيانات والمستندات")
# اختيار النموذج
model_names = [m['name'] for m in st.session_state.ai_models if m['status'] == 'متاح']
selected_model = st.selectbox("اختر النموذج", options=model_names, key="selected_model")
# الحصول على معلومات النموذج المحدد
model_info = next((m for m in st.session_state.ai_models if m['name'] == selected_model), None)
if model_info:
st.markdown(f"""
<div style="background-color: var(--gray-100); padding: 15px; border-radius: 8px; margin-bottom: 20px;">
<h4 style="color: var(--primary-color);">{model_info['name']}</h4>
<p><strong>النوع:</strong> {model_info['type']}</p>
<p><strong>المزود:</strong> {model_info['provider']}</p>
<p><strong>الوصف:</strong> {model_info['description']}</p>
</div>
""", unsafe_allow_html=True)
# واجهة الاستخدام حسب نوع النموذج
if model_info['type'] in ["تحليل نصوص", "تلخيص", "ترجمة"]:
self._render_text_model_interface(model_info)
elif model_info['type'] in ["استخراج بيانات", "تصنيف مستندات"]:
self._render_document_model_interface(model_info)
elif model_info['type'] == "تنبؤ":
self._render_prediction_model_interface(model_info)
def _render_text_model_interface(self, model_info):
"""
عرض واجهة استخدام نماذج النصوص
"""
# إدخال النص
input_text = st.text_area(
"أدخل النص",
height=150,
placeholder="أدخل النص للمعالجة...",
key="model_input_text"
)
# خيارات النموذج
st.markdown("#### خيارات النموذج")
col1, col2, col3 = st.columns(3)
with col1:
temperature = st.slider("درجة الإبداعية", 0.0, 1.0, 0.7, 0.1, key="temperature")
with col2:
max_tokens = st.slider("الحد الأقصى للكلمات", 100, 2000, 500, 100, key="max_tokens")
with col3:
if model_info['type'] == "ترجمة":
target_lang = st.selectbox(
"اللغة الهدف",
options=["الإنجليزية", "العربية", "الفرنسية", "الإسبانية", "الألمانية"],
key="target_lang"
)
# زر المعالجة
if st.button("معالجة النص", key="process_text_btn"):
if input_text:
# محاكاة عملية المعالجة
with st.spinner("جاري معالجة النص..."):
# محاكاة وقت المعالجة
time.sleep(2)
# إنشاء نص ناتج تجريبي
if model_info['type'] == "تحليل نصوص":
output_text = f"تحليل النص:\n\n1. يحتوي النص على {len(input_text.split())} كلمة.\n2. الموضوع الرئيسي: مناقصات ومشاريع.\n3. المشاعر: محايدة.\n4. الكلمات المفتاحية: مشروع، مناقصة، تحليل، تسعير."
elif model_info['type'] == "تلخيص":
output_text = f"ملخص النص:\n\n{input_text.split('.')[0]}. " + "هذا ملخص تجريبي للنص المدخل يحتوي على أهم النقاط والمعلومات."
elif model_info['type'] == "ترجمة":
output_text = f"الترجمة إلى {target_lang}:\n\n" + "This is a sample translation of the input text. It contains the main points and information."
# عرض النتيجة
st.markdown("#### نتيجة المعالجة")
st.text_area("النص الناتج", value=output_text, height=150, key="model_output_text")
# إضافة الاستخدام إلى السجل
self._add_usage_to_history(model_info['name'], model_info['type'], len(input_text.split()))
else:
st.warning("يرجى إدخال نص للمعالجة", icon="⚠️")
def _render_document_model_interface(self, model_info):
"""
عرض واجهة استخدام نماذج المستندات
"""
# رفع المستند
uploaded_file = st.file_uploader(
"اختر مستنداً للمعالجة",
type=["pdf", "docx", "txt"],
key="model_doc_upload"
)
# خيارات النموذج
st.markdown("#### خيارات النموذج")
col1, col2 = st.columns(2)
with col1:
if model_info['type'] == "استخراج بيانات":
extraction_type = st.multiselect(
"نوع البيانات المستخرجة",
options=["جداول الكميات", "الأسعار", "المواصفات الفنية", "الشروط التعاقدية", "المعلومات العامة"],
default=["جداول الكميات", "الأسعار"],
key="extraction_type"
)
elif model_info['type'] == "تصنيف مستندات":
classification_type = st.selectbox(
"نوع التصنيف",
options=["نوع المستند", "مجال المشروع", "مستوى المخاطر"],
key="classification_type"
)
with col2:
confidence_threshold = st.slider("حد الثقة", 0.0, 1.0, 0.7, 0.1, key="confidence_threshold")
# زر المعالجة
if st.button("معالجة المستند", key="process_doc_btn"):
if uploaded_file is not None:
# محاكاة عملية المعالجة
with st.spinner("جاري معالجة المستند..."):
# محاكاة وقت المعالجة
time.sleep(3)
st.success("تمت معالجة المستند بنجاح!", icon="✅")
# عرض النتائج حسب نوع النموذج
if model_info['type'] == "استخراج بيانات":
st.markdown("#### البيانات المستخرجة")
# عرض بيانات تجريبية للجداول المستخرجة
if "جداول الكميات" in extraction_type:
st.markdown("##### جدول الكميات")
# إنشاء بيانات تجريبية
quantities_data = []
for i in range(5):
quantities_data.append({
"البند": f"بند {i+1}",
"الوصف": f"وصف البند {i+1}",
"الوحدة": random.choice(["متر", "متر مربع", "متر مكعب", "طن", "قطعة"]),
"الكمية": random.randint(10, 1000),
"السعر الوحدة": random.randint(100, 5000),
"الإجمالي": 0
})
quantities_data[i]["الإجمالي"] = quantities_data[i]["الكمية"] * quantities_data[i]["السعر الوحدة"]
# عرض الجدول
quantities_df = pd.DataFrame(quantities_data)
st.dataframe(quantities_df, use_container_width=True)
if "الأسعار" in extraction_type:
st.markdown("##### ملخص الأسعار")
# إنشاء بيانات تجريبية
price_summary = {
"إجمالي قيمة المشروع": f"{random.randint(1000000, 10000000)} ريال",
"مدة التنفيذ": f"{random.randint(6, 36)} شهر",
"قيمة الدفعة المقدمة": f"{random.randint(10, 30)}%",
"غرامة التأخير": f"{random.randint(1, 10)}% (بحد أقصى 10% من قيمة العقد)"
}
# عرض الملخص
for key, value in price_summary.items():
st.markdown(f"**{key}:** {value}")
elif model_info['type'] == "تصنيف مستندات":
st.markdown("#### نتائج التصنيف")
if classification_type == "نوع المستند":
# إنشاء بيانات تجريبية
doc_types = [
{"نوع المستند": "كراسة شروط", "نسبة الثقة": 0.92},
{"نوع المستند": "عقد", "نسبة الثقة": 0.05},
{"نوع المستند": "مواصفات فنية", "نسبة الثقة": 0.02},
{"نوع المستند": "جدول كميات", "نسبة الثقة": 0.01}
]
# عرض النتائج
doc_types_df = pd.DataFrame(doc_types)
st.dataframe(doc_types_df, use_container_width=True)
st.markdown(f"**التصنيف النهائي:** كراسة شروط (بثقة 92%)")
# إضافة الاستخدام إلى السجل
self._add_usage_to_history(model_info['name'], model_info['type'], 1)
else:
st.warning("يرجى رفع مستند للمعالجة", icon="⚠️")
def _render_prediction_model_interface(self, model_info):
"""
عرض واجهة استخدام نماذج التنبؤ
"""
# اختيار نوع التنبؤ
prediction_type = st.selectbox(
"نوع التنبؤ",
options=["تنبؤ بتكلفة المشروع", "تنبؤ بمدة التنفيذ", "تنبؤ بالمخاطر"],
key="prediction_type"
)
# إدخال البيانات حسب نوع التنبؤ
if prediction_type == "تنبؤ بتكلفة المشروع":
st.markdown("#### بيانات المشروع")
col1, col2 = st.columns(2)
with col1:
project_type = st.selectbox(
"نوع المشروع",
options=["طرق وجسور", "مباني", "بنية تحتية", "مياه وصرف صحي", "كهرباء"],
key="project_type"
)
project_size = st.selectbox(
"حجم المشروع",
options=["صغير", "متوسط", "كبير", "ضخم"],
key="project_size"
)
with col2:
project_location = st.selectbox(
"موقع المشروع",
options=["الرياض", "جدة", "الدمام", "مكة المكرمة", "المدينة المنورة", "تبوك", "أبها"],
key="project_location"
)
project_duration = st.slider("مدة التنفيذ (بالشهور)", 3, 60, 12, 3, key="project_duration")
elif prediction_type == "تنبؤ بمدة التنفيذ":
st.markdown("#### بيانات المشروع")
col1, col2 = st.columns(2)
with col1:
project_type = st.selectbox(
"نوع المشروع",
options=["طرق وجسور", "مباني", "بنية تحتية", "مياه وصرف صحي", "كهرباء"],
key="duration_project_type"
)
project_budget = st.number_input(
"ميزانية المشروع (بالمليون ريال)",
min_value=1.0,
max_value=1000.0,
value=10.0,
step=1.0,
key="project_budget"
)
with col2:
project_location = st.selectbox(
"موقع المشروع",
options=["الرياض", "جدة", "الدمام", "مكة المكرمة", "المدينة المنورة", "تبوك", "أبها"],
key="duration_project_location"
)
resources_level = st.selectbox(
"مستوى الموارد",
options=["منخفض", "متوسط", "عالي"],
key="resources_level"
)
elif prediction_type == "تنبؤ بالمخاطر":
st.markdown("#### بيانات المشروع")
col1, col2 = st.columns(2)
with col1:
project_type = st.selectbox(
"نوع المشروع",
options=["طرق وجسور", "مباني", "بنية تحتية", "مياه وصرف صحي", "كهرباء"],
key="risk_project_type"
)
project_complexity = st.selectbox(
"مستوى تعقيد المشروع",
options=["بسيط", "متوسط", "معقد", "معقد جداً"],
key="project_complexity"
)
with col2:
project_location = st.selectbox(
"موقع المشروع",
options=["الرياض", "جدة", "الدمام", "مكة المكرمة", "المدينة المنورة", "تبوك", "أبها"],
key="risk_project_location"
)
previous_experience = st.selectbox(
"الخبرة السابقة",
options=["لا توجد خبرة", "خبرة محدودة", "خبرة متوسطة", "خبرة واسعة"],
key="previous_experience"
)
# زر التنبؤ
if st.button("تنفيذ التنبؤ", key="predict_btn"):
# محاكاة عملية التنبؤ
with st.spinner("جاري تنفيذ التنبؤ..."):
# محاكاة وقت المعالجة
time.sleep(2)
st.success("تم تنفيذ التنبؤ بنجاح!", icon="✅")
# عرض النتائج حسب نوع التنبؤ
if prediction_type == "تنبؤ بتكلفة المشروع":
st.markdown("#### نتائج التنبؤ بالتكلفة")
# إنشاء بيانات تجريبية
base_cost = random.randint(5000000, 50000000)
min_cost = int(base_cost * 0.9)
max_cost = int(base_cost * 1.1)
st.markdown(f"""
<div style="background-color: var(--gray-100); padding: 20px; border-radius: 8px; text-align: center;">
<h3 style="color: var(--primary-color);">{base_cost:,} ريال</h3>
<p>نطاق التكلفة المتوقع: {min_cost:,} - {max_cost:,} ريال</p>
</div>
""", unsafe_allow_html=True)
# عرض تفاصيل التكلفة
st.markdown("##### تفاصيل التكلفة")
cost_details = {
"المواد": int(base_cost * 0.6),
"العمالة": int(base_cost * 0.25),
"المعدات": int(base_cost * 0.1),
"أخرى": int(base_cost * 0.05)
}
# عرض الرسم البياني
cost_df = pd.DataFrame({
"البند": list(cost_details.keys()),
"التكلفة": list(cost_details.values())
})
st.bar_chart(cost_df.set_index("البند"))
elif prediction_type == "تنبؤ بمدة التنفيذ":
st.markdown("#### نتائج التنبؤ بمدة التنفيذ")
# إنشاء بيانات تجريبية
base_duration = random.randint(12, 36)
min_duration = int(base_duration * 0.9)
max_duration = int(base_duration * 1.2)
st.markdown(f"""
<div style="background-color: var(--gray-100); padding: 20px; border-radius: 8px; text-align: center;">
<h3 style="color: var(--primary-color);">{base_duration} شهر</h3>
<p>نطاق المدة المتوقع: {min_duration} - {max_duration} شهر</p>
</div>
""", unsafe_allow_html=True)
# عرض الجدول الزمني
st.markdown("##### الجدول الزمني التقديري")
timeline_data = [
{"المرحلة": "التجهيز والتخطيط", "المدة (شهر)": int(base_duration * 0.1), "النسبة": "10%"},
{"المرحلة": "الأعمال الأولية", "المدة (شهر)": int(base_duration * 0.2), "النسبة": "20%"},
{"المرحلة": "الأعمال الرئيسية", "المدة (شهر)": int(base_duration * 0.5), "النسبة": "50%"},
{"المرحلة": "التشطيبات", "المدة (شهر)": int(base_duration * 0.15), "النسبة": "15%"},
{"المرحلة": "الاختبار والتسليم", "المدة (شهر)": int(base_duration * 0.05), "النسبة": "5%"}
]
timeline_df = pd.DataFrame(timeline_data)
st.dataframe(timeline_df, use_container_width=True)
elif prediction_type == "تنبؤ بالمخاطر":
st.markdown("#### نتائج تحليل المخاطر")
# إنشاء بيانات تجريبية للمخاطر
risks = [
{"المخاطرة": "تأخر التوريدات", "الاحتمالية": random.randint(30, 70), "التأثير": random.randint(30, 70)},
{"المخاطرة": "نقص العمالة", "الاحتمالية": random.randint(30, 70), "التأثير": random.randint(30, 70)},
{"المخاطرة": "تغيير المواصفات", "الاحتمالية": random.randint(30, 70), "التأثير": random.randint(30, 70)},
{"المخاطرة": "ظروف جوية", "الاحتمالية": random.randint(30, 70), "التأثير": random.randint(30, 70)},
{"المخاطرة": "مشاكل تمويلية", "الاحتمالية": random.randint(30, 70), "التأثير": random.randint(30, 70)}
]
# حساب درجة المخاطرة
for risk in risks:
risk_score = (risk["الاحتمالية"] * risk["التأثير"]) / 100
if risk_score < 30:
risk["المستوى"] = "منخفض"
risk["اللون"] = "green"
elif risk_score < 60:
risk["المستوى"] = "متوسط"
risk["اللون"] = "orange"
else:
risk["المستوى"] = "مرتفع"
risk["اللون"] = "red"
# عرض جدول المخاطر
risks_df = pd.DataFrame([{k: v for k, v in risk.items() if k != "اللون"} for risk in risks])
st.dataframe(risks_df, use_container_width=True)
# عرض خطة الاستجابة للمخاطر
st.markdown("##### خطة الاستجابة للمخاطر")
for risk in risks:
if risk["المستوى"] == "مرتفع":
st.markdown(f"""
<div style="background-color: #f8d7da; padding: 10px; border-radius: 5px; margin-bottom: 10px;">
<strong>{risk['المخاطرة']} (مخاطرة مرتفعة):</strong> يجب وضع خطة استجابة فورية وتخصيص موارد إضافية للتعامل مع هذه المخاطرة.
</div>
""", unsafe_allow_html=True)
# إضافة الاستخدام إلى السجل
self._add_usage_to_history(model_info['name'], model_info['type'], 1)
def _render_api_management(self):
"""
عرض واجهة إدارة مفاتيح API
"""
st.markdown("### إدارة مفاتيح API")
st.markdown("إدارة مفاتيح API للوصول إلى خدمات الذكاء الاصطناعي")
# عرض مفاتيح API الحالية
st.markdown("#### مفاتيح API الحالية")
for provider, key in st.session_state.api_keys.items():
col1, col2, col3 = st.columns([3, 5, 2])
with col1:
st.markdown(f"**{provider.capitalize()}**")
with col2:
# عرض المفتاح بشكل آمن
st.text_input(
f"مفتاح {provider}",
value=key,
type="password",
key=f"api_key_{provider}",
label_visibility="collapsed"
)
with col3:
st.button("تحديث", key=f"update_{provider}_btn")
# إضافة مفتاح API جديد
st.markdown("#### إضافة مفتاح API جديد")
col1, col2, col3 = st.columns([3, 5, 2])
with col1:
new_provider = st.text_input("اسم المزود", key="new_provider")
with col2:
new_key = st.text_input("مفتاح API", type="password", key="new_key")
with col3:
st.markdown(" ") # فراغ للمحاذاة
if st.button("إضافة", key="add_api_key_btn"):
if new_provider and new_key:
st.success(f"تمت إضافة مفتاح API لـ {new_provider} بنجاح", icon="✅")
else:
st.warning("يرجى إدخال اسم المزود ومفتاح API", icon="⚠️")
# إعدادات الأمان
st.markdown("#### إعدادات الأمان")
st.checkbox("تشفير مفاتيح API في قاعدة البيانات", value=True, key="encrypt_api_keys")
st.checkbox("تسجيل استخدام مفاتيح API", value=True, key="log_api_usage")
st.checkbox("تحديد صلاحيات الوصول لمفاتيح API", value=False, key="api_access_control")
def _render_usage_history(self):
"""
عرض سجل استخدام النماذج
"""
st.markdown("### سجل استخدام النماذج")
st.markdown("عرض سجل استخدام نماذج الذكاء الاصطناعي مع إحصائيات الاستخدام")
# عرض إحصائيات الاستخدام
st.markdown("#### إحصائيات الاستخدام")
col1, col2, col3, col4 = st.columns(4)
with col1:
st.metric("إجمالي الاستخدامات", len(st.session_state.model_usage))
with col2:
total_tokens = sum(usage['tokens'] for usage in st.session_state.model_usage)
st.metric("إجمالي الرموز", f"{total_tokens:,}")
with col3:
unique_models = len(set(usage['model'] for usage in st.session_state.model_usage))
st.metric("النماذج المستخدمة", unique_models)
with col4:
# حساب تكلفة تقديرية
estimated_cost = total_tokens * 0.0001
st.metric("التكلفة التقديرية", f"{estimated_cost:.2f} $")
# عرض الرسم البياني للاستخدام
st.markdown("#### استخدام النماذج حسب النوع")
# تجميع البيانات حسب نوع النموذج
usage_by_type = {}
for usage in st.session_state.model_usage:
if usage['type'] in usage_by_type:
usage_by_type[usage['type']] += 1
else:
usage_by_type[usage['type']] = 1
# تحويل البيانات إلى DataFrame
usage_df = pd.DataFrame({
"نوع النموذج": list(usage_by_type.keys()),
"عدد الاستخدامات": list(usage_by_type.values())
})
# عرض الرسم البياني
st.bar_chart(usage_df.set_index("نوع النموذج"))
# عرض سجل الاستخدام
st.markdown("#### سجل الاستخدام")
# خيارات التصفية
col1, col2 = st.columns(2)
with col1:
filter_model_type = st.multiselect(
"نوع النموذج",
options=["الكل"] + list(set(usage['type'] for usage in st.session_state.model_usage)),
default=["الكل"]
)
with col2:
date_range = st.selectbox(
"النطاق الزمني",
options=["الكل", "اليوم", "الأسبوع الماضي", "الشهر الماضي"]
)
# تطبيق التصفية
filtered_usage = st.session_state.model_usage
if "الكل" not in filter_model_type:
filtered_usage = [u for u in filtered_usage if u['type'] in filter_model_type]
# تحويل البيانات إلى DataFrame
if filtered_usage:
usage_df = pd.DataFrame(filtered_usage)
usage_df = usage_df[['date', 'model', 'type', 'tokens', 'status']]
usage_df.columns = ['التاريخ', 'النموذج', 'النوع', 'الرموز', 'الحالة']
# عرض الجدول
st.dataframe(usage_df, use_container_width=True)
else:
st.info("لا توجد بيانات استخدام تطابق معايير التصفية", icon="ℹ️")
def _add_usage_to_history(self, model_name, model_type, tokens_count):
"""
إضافة استخدام إلى سجل الاستخدام
"""
new_usage = {
'id': len(st.session_state.model_usage) + 1,
'model': model_name,
'type': model_type,
'tokens': tokens_count,
'date': datetime.now().strftime("%Y-%m-%d %H:%M"),
'status': 'ناجح'
}
st.session_state.model_usage.insert(0, new_usage)
def _generate_sample_models(self):
"""
إنشاء بيانات تجريبية لنماذج الذكاء الاصطناعي
"""
models = [
{
'id': 1,
'name': 'GPT-4',
'type': 'تحليل نصوص',
'provider': 'OpenAI',
'version': '4.0',
'status': 'متاح',
'description': 'نموذج لغوي متقدم لتحليل النصوص وفهم المحتوى بدقة عالية'
},
{
'id': 2,
'name': 'BERT-Arabic',
'type': 'تحليل نصوص',
'provider': 'HuggingFace',
'version': '2.1',
'status': 'متاح',
'description': 'نموذج متخصص في تحليل النصوص العربية مع دعم للهجات المختلفة'
},
{
'id': 3,
'name': 'DocExtractor',
'type': 'استخراج بيانات',
'provider': 'محلي',
'version': '1.5',
'status': 'متاح',
'description': 'نموذج لاستخراج البيانات من المستندات والعقود بدقة عالية'
},
{
'id': 4,
'name': 'TenderClassifier',
'type': 'تصنيف مستندات',
'provider': 'محلي',
'version': '2.0',
'status': 'متاح',
'description': 'نموذج متخصص في تصنيف مستندات المناقصات والعقود'
},
{
'id': 5,
'name': 'AzureSummarizer',
'type': 'تلخيص',
'provider': 'Azure',
'version': '3.2',
'status': 'متاح',
'description': 'نموذج لتلخيص المستندات الطويلة مع الحفاظ على المعلومات الأساسية'
},
{
'id': 6,
'name': 'TranslateAI',
'type': 'ترجمة',
'provider': 'OpenAI',
'version': '2.5',
'status': 'متاح',
'description': 'نموذج للترجمة بين اللغات المختلفة مع دعم خاص للمصطلحات التقنية'
},
{
'id': 7,
'name': 'CostPredictor',
'type': 'تنبؤ',
'provider': 'محلي',
'version': '1.8',
'status': 'متاح',
'description': 'نموذج للتنبؤ بتكاليف المشاريع بناءً على البيانات التاريخية'
},
{
'id': 8,
'name': 'RiskAnalyzer',
'type': 'تنبؤ',
'provider': 'Azure',
'version': '2.1',
'status': 'متاح',
'description': 'نموذج لتحليل المخاطر المحتملة في المشاريع والمناقصات'
},
{
'id': 9,
'name': 'GPT-5',
'type': 'تحليل نصوص',
'provider': 'OpenAI',
'version': '5.0-beta',
'status': 'قيد التطوير',
'description': 'النسخة التجريبية من الجيل الخامس لنماذج GPT مع قدرات متقدمة'
},
{
'id': 10,
'name': 'MultiModalAnalyzer',
'type': 'تحليل نصوص',
'provider': 'HuggingFace',
'version': '1.0',
'status': 'قيد التطوير',
'description': 'نموذج متعدد الوسائط لتحليل النصوص والصور والمخططات'
}
]
return models
def _generate_sample_usage(self):
"""
إنشاء بيانات تجريبية لسجل استخدام النماذج
"""
models = self._generate_sample_models()
usage = []
for i in range(50):
# اختيار نموذج عشوائي من النماذج المتاحة
available_models = [m for m in models if m['status'] == 'متاح']
model = random.choice(available_models)
# تحديد عدد الرموز بناءً على نوع النموذج
if model['type'] in ['تحليل نصوص', 'تلخيص', 'ترجمة']:
tokens = random.randint(100, 2000)
else:
tokens = random.randint(500, 5000)
# تحديد تاريخ عشوائي خلال الشهر الماضي
days_ago = random.randint(0, 30)
usage_date = (datetime.now() - pd.Timedelta(days=days_ago)).strftime("%Y-%m-%d %H:%M")
entry = {
'id': i + 1,
'model': model['name'],
'type': model['type'],
'tokens': tokens,
'date': usage_date,
'status': 'ناجح' if random.random() < 0.95 else 'فشل'
}
usage.append(entry)
# ترتيب السجل حسب التاريخ (الأحدث أولاً)
usage.sort(key=lambda x: x['date'], reverse=True)
return usage