قائد مساعد

الغرض من الوظيفة كمهندس ذكاء اصطناعي في وحدة الذكاء البياني، ستساعد في بناء وتشغيل اللبنات الأساسية لتعلم تمثيل البيانات وهندسة السياق عبر مخاطر الائتمان، الاحتيال، المبيعات، التحصيل والاسترداد.
ستعمل مع مهندسين كبار وعلماء بيانات لتحويل البيانات الخام المنظمة وغير المنظمة إلى ميزات موثوقة، وموارد معرفية جاهزة للاسترجاع، وأنابيب تقييم قابلة للتكرار - بحيث يمكن لوحدات الذكاء الاصطناعي السفلية شحن النماذج بشكل أسرع وأكثر أمانًا وبجودة قابلة للقياس.
المهام والمسؤوليات 1) أنابيب تمثيل البيانات · إعداد والتحقق من صحة مجموعات البيانات من مصادر متعددة (المعاملات، المكتب، الجهاز/الرقمي، الوثائق، CRM/العمليات) · تنفيذ أنابيب هندسة الميزات (التجميعات، النسب، إشارات السلوك) والحفاظ على تعريفات الميزات.
· بناء أنظمة ML على نطاق واسع: أنابيب تدريب موزعة، متاجر ميزات، سجل النماذج، CI/CD لـ ML، وخدمات تسجيل الدفعات + التقييم القريب من الوقت الحقيقي القابلة للتوسع.
· دعم سير عمل التضمين (النص/العميل/الجهاز/التاجر/الجغرافيا) بما في ذلك التحديثات الدفعة، وإصدار النسخ، والنسب.
2) دعم هندسة المعرفة (الأشياء القياسية والأصول الوصفية) · المساعدة في إنشاء/الحفاظ على الأشياء القياسية، وقوائم الكيانات، والتصنيفات/الأنطولوجيات، وإرشادات التسمية.
· دعم سير عمل التسمية/التعليق (فحوصات الجودة، التناسق، العينة) للتدريب والتقييم.
3) التجريب وعمليات النماذج · تنفيذ وظائف التدريب/الاستدلال باستخدام الأطر المعتمدة، وتسجيل التجارب والنتائج.
· إجراء تحليل الأخطاء، وفحوصات تسرب البيانات، ومراقبة النموذج الأساسية (إشارات الانجراف، الشذوذ في البيانات) · المساهمة في جاهزية النشر: الاختبارات، التكوينات القابلة للتكرار، ودعم تصنيف الحوادث.
4) دعم استرجاع وهندسة السياق (تمكين LLM/RAG) · المساعدة في معالجة الوثائق: تقسيم، تنظيف، وضع علامات وصفية، تصفية الوصول إلى الفهرس.
· الحفاظ على قوالب السياق/المطالبة، وقواعد التأسيس، ومجموعات التقييم لمساعدي RAG/LLM المستخدمة من قبل الوحدات.
· إجراء تقييمات غير متصلة (جودة الاسترجاع، جودة الإجابة، الانحدارات) وتتبع المقاييس عبر الإصدارات.
5) نظافة الهندسة والحوكمة · كتابة كود نظيف وقابل للاختبار؛ اتباع تدفقات عمل Git وفحوصات CI.
· الحفاظ على الوثائق: بطاقات مجموعات البيانات، ملاحظات الميزات، إجراءات التشغيل القياسية للأنابيب، وقوائم التحقق من الإصدارات.
· اتباع ضوابط الأمان/الخصوصية للبيانات المنظمة، وضمان تتبعها وقابليتها للتدقيق.
التحديات الرئيسية 1) أنابيب تمثيل البيانات · إعداد والتحقق من صحة مجموعات البيانات من مصادر متعددة (المعاملات، المكتب، الجهاز/الرقمي، الوثائق، CRM/العمليات) · تنفيذ أنابيب هندسة الميزات (التجميعات، النسب، إشارات السلوك) والحفاظ على تعريفات الميزات.
· بناء أنظمة ML على نطاق واسع: أنابيب تدريب موزعة، متاجر ميزات، سجل النماذج، CI/CD لـ ML، وخدمات تسجيل الدفعات + التقييم القريب من الوقت الحقيقي القابلة للتوسع.
· دعم سير عمل التضمين (النص/العميل/الجهاز/التاجر/الجغرافيا) بما في ذلك التحديثات الدفعة، وإصدار النسخ، والنسب.
2) دعم هندسة المعرفة (الأشياء القياسية والأصول الوصفية) · المساعدة في إنشاء/الحفاظ على الأشياء القياسية، وقوائم الكيانات، والتصنيفات/الأنطولوجيات، وإرشادات التسمية.
· دعم سير عمل التسمية/التعليق (فحوصات الجودة، التناسق، العينة) للتدريب والتقييم.
3) التجريب وعمليات النماذج · تنفيذ وظائف التدريب/الاستدلال باستخدام الأطر المعتمدة، وتسجيل التجارب والنتائج.
· إجراء تحليل الأخطاء، وفحوصات تسرب البيانات، ومراقبة النموذج الأساسية (إشارات الانجراف، الشذوذ في البيانات) · المساهمة في جاهزية النشر: الاختبارات، التكوينات القابلة للتكرار، ودعم تصنيف الحوادث.
4) دعم استرجاع وهندسة السياق (تمكين LLM/RAG) · المساعدة في معالجة الوثائق: تقسيم، تنظيف، وضع علامات وصفية، تصفية الوصول إلى الفهرس.
· الحفاظ على قوالب السياق/المطالبة، وقواعد التأسيس، ومجموعات التقييم لمساعدي RAG/LLM المستخدمة من قبل الوحدات.
· إجراء تقييمات غير متصلة (جودة الاسترجاع، جودة الإجابة، الانحدارات) وتتبع المقاييس عبر الإصدارات.
5) نظافة الهندسة والحوكمة · كتابة كود نظيف وقابل للاختبار؛ اتباع تدفقات عمل Git وفحوصات CI.
· الحفاظ على الوثائق: بطاقات مجموعات البيانات، ملاحظات الميزات، إجراءات التشغيل القياسية للأنابيب، وقوائم التحقق من الإصدارات.
· اتباع ضوابط الأمان/الخصوصية للبيانات المنظمة، وضمان تتبعها وقابليتها للتدقيق.
المؤهلات والخبرات المطلوبة المؤهلات الأساسية: · بكاليوس/ماجستير في علوم الحاسوب/الرياضيات/الهندسة · 0 - 2 سنوات من الخبرة في علم البيانات/ML التطبيقي/هندسة ML مع قيادة مثبتة في تقديم أنظمة ML على نطاق واسع.
المهارات والكفاءات المطلوبة الأساسية (يجب أن تكون موجودة) · البرمجة: بايثون (قوي)، SQL (قوي)؛ Git؛ اختبار الوحدات الأساسية.
· البيانات: أساسيات Pandas/PySpark، الانضمامات/التجميعات/وظائف النوافذ، التحقق من البيانات والتوصيف.
· أساسيات ML: التعلم تحت الإشراف/غير المراقب، التضمينات، الانضباط في التدريب/التقييم/الاختبار، المقاييس، وتحليل الأخطاء.
· عقلية النظام التطبيقي: القابلية للتكرار، تصحيح الأخطاء المنظم، أساسيات التسجيل/المراقبة.
المهارات الجيدة أن تكون موجودة · أطر ML: Pytorch/TensorFlow؛ تتبع التجارب (MLFlow) · مجموعة الاسترجاع: مفاهيم فهرسة المتجهات، استراتيجيات التقسيم، أفكار البحث الهجين، مجموعات بيانات التقييم.
· البيانات/البنية التحتية: Airflow/Prefect، Spark، Elasticsearch/OpenSearch، MongoDB، متاجر الميزات، قاعدة بيانات الرسم البياني، قاعدة بيانات المتجهات، أساسيات تقديم النماذج.
المؤهلات المفضلة · خبرة في بناء منصات اتخاذ القرار من البداية إلى النهاية مع تنسيق الوقت الحقيقي والدفعات.
· خبرة في ML الرسومي/حل الكيانات لتحليل المخاطر والاحتيال القائم على العلاقات.
· خبرة في تشغيل أنظمة ML عبر منتجات/قطاعات متعددة مع ضوابط متعددة المستأجرين.
· منشورات/براءات اختراع أو سجل قوي من الابتكار في ML التطبيقي، وأنظمة ML على نطاق واسع.