عالم تطبيقي II، بنية الذكاء الاصطناعي للإعلانات

تعتبر إعلانات أمازون واحدة من أسرع الأعمال نموًا والأكثر ربحية في أمازون، حيث تتحمل مسؤولية تحديد وتقديم الحلول المدفوعة بالذكاء الاصطناعي التي تحول كيفية اتخاذ المعلنين للقرارات الاستراتيجية. نحن نقدم مليارات الانطباعات الإعلانية ونعالج كميات هائلة من بيانات المعلنين كل يوم. ستعمل معنا على ريادة أساليب جديدة في كيفية وصول وكلاء الذكاء الاصطناعي إلى بيانات المعلنين والتفكير فيها في الوقت الحقيقي على نطاق واسع.
نستخدم الذكاء الاصطناعي التوليدي والأنظمة الوكيلة لمساعدة وكلاء الإعلانات على تقديم نصائح استراتيجية فورية لملايين المعلنين. ستحتاج إلى اختراع تقنيات جديدة لتنسيق الوكلاء، وتحسين السياق، وتوليد الشفرات لضمان تقديم رؤى دقيقة وموثوقة مع الحد الأدنى من التأخير واستهلاك الرموز. ستقوم بإنشاء حلقات تغذية راجعة لضمان تقييم حلولنا باستمرار وتحسينها.
تسعى فريق خدمة بيانات الإعلانات في الوقت الحقيقي إلى العثور على عالم تطبيقي استثنائي للبحث وتطوير أساليب جديدة لتفاعل الوكلاء مع البيانات. يحل فريق خدمة بيانات الإعلانات في الوقت الحقيقي واحدة من أكبر التحديات في الذكاء الاصطناعي للإعلانات: الوصول الفوري إلى سياق المعلن. نحن نبني البنية التحتية التي توفر وصولًا فوريًا مسبق الحساب إلى بيانات المعلنين عبر خوادم بروتوكول سياق النموذج (MCP) - معيار ناشئ لتفاعل الوكلاء مع البيانات. نحن نبني بيانات ملخصة للسياق باستخدام مزيج من التقنيات الحديثة مثل CodeAct وRAG-based embeddings، مما يحقق تحولًا أساسيًا في كيفية تفاعل وكلاء الذكاء الاصطناعي مع البيانات.
هذا الدور يوازن بين البحث التطبيقي (60%) والإنتاج (40%)، مما يمنحك الفرصة لتقديم تقدم في حالة الفن ورؤية ابتكاراتك تُطبق على نطاق أمازون.
المسؤوليات الرئيسية
أبحاث تنسيق الوكلاء وتحسين الأداء
- البحث وتطوير خوارزميات جديدة لأنماط تفاعل الوكلاء مع البيانات تقلل من التأخير واستهلاك الرموز ومعدلات الخطأ
- تصميم وتنفيذ متغيرات نمط CodeAct تمكّن الوكلاء من كتابة وتنفيذ الشفرات التحليلية في صناديق رمل معزولة
- التحقيق في استراتيجيات تنسيق الوكلاء المتعددة لاستفسارات المعلنين المعقدة التي تتطلب بيانات من مصادر متعددة
- تطوير تقنيات لتحسين الاستفسارات تلقائيًا واستراتيجيات التخزين المؤقت بناءً على أنماط سلوك الوكلاء
سياق نموذج اللغة الكبيرة وتحسين الرموز
- اختراع طرق جديدة لضغط تمثيلات سياق المعلن مع الحفاظ على المعنى الدلالي والفائدة التحليلية
- البحث في تقنيات توليد البيانات الوصفية المثلى التي تساعد نماذج اللغة الكبيرة على فهم والتفكير في البيانات الهيكلية للمعلنين
- تصميم تجارب لقياس تأثير تمثيلات البيانات المختلفة على جودة استجابة الوكلاء وكفاءة الرموز
- تطوير خوارزميات اختيار السياق التكيفية التي تختار ديناميكيًا البيانات ذات الصلة بناءً على نية الاستفسار
RAG-based embeddings والبحث الدلالي
- ريادة أساليب جديدة مبنية على RAG مخصصة لتوصيل بيانات المعلنين في الوقت الحقيقي مع تأخير أقل من ثانية
- البحث وتنفيذ تقنيات البحث والاسترجاع الدلالية لمجموعات بيانات المعلنين باستخدام تمثيلات متجهية
- تصميم أطر سياق المعلنين التي تمكّن من رسم المخطط تلقائيًا من مفاهيم المعلنين إلى تمثيلات البيانات
- تطوير أطر تقييم لقياس الأداء عبر أبعاد التأخير والدقة وتجربة المطور
التجريب والإنتاج
- تصميم وتنفيذ تجارب صارمة تقارن بين تنسيق API التقليدي مقابل أنماط CodeAct والأساليب المعتمدة على RAG عبر مقاييس مثل معدل النجاح، والتأخير، واستهلاك الرموز، وجودة الاستجابة
- تحليل بيانات تفاعل المعلنين على نطاق واسع لتحديد الأنماط، والاختناقات، وفرص التحسين
- التعاون مع فرق الهندسة لإنتاج ابتكارات البحث ونشرها لوكلاء الإعلانات والمهارات
- إنشاء مقاييس تقييم ومعايير لأداء تفاعل الوكلاء مع البيانات
يوم في الحياة
تبدأ صباحك بتحليل نتائج التجارب من عمليات التشغيل الليلية التي تقارن بين ثلاثة تقييمات لأساليب مختلفة تعتمد على RAG. تظهر البيانات أن أحد أنماط التضمين يعود بتحسن كبير في الدقة. تقوم بإنشاء ملف مواصفات مع النتائج وتبدأ في صياغة ورقة تقنية لمشاركتها مع منتدى الذكاء الاصطناعي في أمازون.
في منتصف الصباح، تكون في جلسة تصميم مع فريق الهندسة تناقش كيفية تحسين التضمينات المعتمدة على RAG للبحث الدلالي على بيانات المعلنين. تقترح استخدام نهج هجين يجمع بين التضمينات الكثيفة والنادرة لتمثيل بيانات الحملة، مما يمكّن الوكلاء من العثور على الحملات ذات الصلة من خلال استفسارات اللغة الطبيعية مع الحفاظ على تأخير أقل من ثانية. تقوم برسم هيكل النظام ومناقشة التبادلات بين حجم نموذج التضمين، وتأخير البحث، والدقة.
بعد الغداء، تغوص في سجلات تفاعل المعلنين من وكلاء الإعلانات والمهارات. تبحث عن أنماط في كيفية طرح المعلنين للأسئلة حول حملاتهم. تكتشف أن 60% من الاستفسارات تتبع هيكلًا مشابهًا: تصفية الحملات حسب المعايير، تجميع المقاييس، والمقارنة مع المعايير. تقودك هذه الرؤية إلى تصميم استراتيجية جديدة مسبقة الحساب باستخدام التضمينات المعتمدة على RAG يمكن أن تقلل من تأخير الاستفسار بنسبة 40%.
في فترة ما بعد الظهر، تتعاون مع عالم تطبيقي من فريق وكلاء الإعلانات. إنهم يرون نتائج غير متسقة عندما يحاول الوكلاء حساب مقاييس معقدة عبر حملات متعددة. تقوم بالتحقيق وتكتشف أن المشكلة تتعلق بكيفية تفسير الوكيل لسياق المعلن. تقترح إثراء التضمينات المعتمدة على RAG بأوصاف بيانات غنية وتقوم بتجارب تظهر أن هذا يحسن دقة الحساب من 85% إلى 98%.
في وقت متأخر من بعد الظهر، تقوم بتجريب نهج جديد لاختيار السياق التكيفي باستخدام التضمينات المعتمدة على RAG مع ملف المواصفات الذي أنشأته سابقًا. بدلاً من تقديم جميع بيانات المعلنين المتاحة للوكلاء، تريد اختيار مجموعات البيانات الأكثر صلة ديناميكيًا بناءً على نية الاستفسار باستخدام التشابه الدلالي. تقوم ببناء نموذج أولي سريع وتختبره على الاستفسارات التاريخية. النتائج واعدة: تقليل بنسبة 30% في الرموز دون فقدان جودة الاستجابة.
عن الفريق
فريق خدمة بيانات الإعلانات في الوقت الحقيقي هو مجموعة متحمسة، متعاونة ومحبّة للمرح من المهندسين الذين يبنون المنصة الأساسية لمستقبل الذكاء الاصطناعي للإعلانات في أمازون. نحن رواد أعمال ونفضل العمل مع وجود تفويض واسع للتجربة والابتكار. يعمل فريقنا عند تقاطع هندسة البيانات في الوقت الحقيقي، وبنية الوكيل الذكي، وهندسة الأنظمة الموزعة - حيث يحل مشاكل تؤثر مباشرة على كيفية تفاعل الملايين من المعلنين مع منتجات إعلانات أمازون.
نحن نقدر التميز الفني، واهتمام العملاء، وممارسات الهندسة المستدامة. يتضمن فريقنا مهندسين ذوي خلفيات متنوعة في الأنظمة الموزعة، ومعالجة البيانات في الوقت الحقيقي، وبنية الذكاء الاصطناعي/التعلم الآلي، وهندسة المنصات. نحن نحتفل بالابتكار (تقديم براءات الاختراع مشجع)، ومشاركة المعرفة (محاضرات تقنية أسبوعية)، والتعلم المستمر. نحن نحافظ على وتيرة مستدامة مع عبء نداءات منخفض، وترتيبات عمل مرنة، وتركيز قوي على التوازن بين العمل والحياة. نحن في طليعة التطوير المدعوم بالذكاء الاصطناعي، باستخدام أدوات مثل Kiro لتسريع دورات تطويرنا من أسابيع إلى أيام.
- 3+ سنوات من الخبرة في بناء نماذج لتطبيقات الأعمال
- دكتوراه، أو درجة الماجستير و4+ سنوات من الخبرة في علوم الحاسوب، أو الهندسة الكهربائية، أو التعلم الآلي أو مجال ذي صلة
- خبرة في براءات الاختراع أو المنشورات في مؤتمرات أو مجلات مراجعة من الدرجة الأولى
- خبرة في البرمجة بلغة Java أو C++ أو Python أو لغة ذات صلة
- خبرة في أي من المجالات التالية: الخوارزميات وهياكل البيانات، التحليل، التحسين العددي، استخراج البيانات، الحوسبة المتوازية والموزعة، الحوسبة عالية الأداء
- خبرة في استخدام Unix/Linux
- خبرة في تطوير البرمجيات المهنية
ثقافتنا الشاملة تمكّن موظفي أمازون من تقديم أفضل النتائج لعملائنا. إذا كان لديك إعاقة وتحتاج إلى تسهيلات أو تعديلات في مكان العمل خلال عملية التقديم والتوظيف، بما في ذلك الدعم خلال المقابلة أو عملية الانضمام، يرجى زيارة https://amazon.jobs/content/en/how-we-hire/accommodations لمزيد من المعلومات. إذا لم يكن البلد/المنطقة التي تتقدم إليها مدرجة، يرجى الاتصال بشريك التوظيف الخاص بك.