مهندس رئيسي في تعلم الآلة

العنوان: مهندس رئيسي في تعلم الآلة

الموقع: فاشي، نافى مومباي

الوردية: عامة

بصفتك مهندسًا رئيسيًا في تعلم الآلة، ستكون المالك الفني العملي لأنظمة تعلم الآلة التي تدعم جمع البيانات على نطاق واسع، واستخراجها، وإثرائها، وفهم المحتوى غير المنظم. ستقوم بتصميم وبناء وتشغيل حلول شاملة - من توليد الميزات والتدريب إلى الاستدلال منخفض الكمون والمراقبة. ستعمل هذه الحلول على تحسين التغطية، والحداثة، والجودة، وتكلفة الوحدة عبر خطوط أنابيب البيانات لدينا. تشمل أدواتك تعلم الآلة التقليدي، ومعالجة اللغة الطبيعية، ونماذج اللغة الكبيرة/الذكاء الاصطناعي التوليدي، والذكاء الاصطناعي الوكالي، وأطر العمل المعززة بالاسترجاع (RAG)، وبروتوكول سياق النموذج (MCP). ستستخدم هذه لتقديم قدرات الاسترجاع، والاستخراج، والتصنيف، والتلخيص، والمهام المستقلة المدمجة بشكل نظيف في سير العمل الإنتاجي.

ستكون مسؤولاً عن الهندسة المعمارية والتنفيذ عبر سحابات AWS وGCP، مع اختيار الخدمات المدارة بشكل عملي ونشر خدمات مرنة عبر Docker وKubernetes مع CI/CD، والتوسع التلقائي، وإصدارات الكاناري/الظل، وSLIs/SLOs محكمة. ستقوم بتطبيق أفضل ممارسات MLOps - تتبع التجارب، وسجلات النماذج والمطالبات، وأدوات التقييم، واكتشاف انحراف البيانات/الميزات، والقيود وفرض السياسات، وضوابط النسب والوصول - حتى تتمكن الفرق من الشحن بشكل أسرع وبثقة. في اليوم العادي، ستكتب كود Python وSQL بجودة إنتاج، وتطبق GitHub Copilot لتسريع التطوير بشكل مسؤول، وتتعاون مع الفرق المختلفة مثل المنتج، والبيانات، والمنصة/SRE، والأمان لتحويل المشكلات الغامضة إلى تسليمات مرحلية وقابلة للمراقبة.

ستجلب فضولًا لفهم المجال من خلال دراسة التطبيقات، وتدفق البيانات، ومخططات البيانات، وتستخدم هذا السياق لتصميم أنظمة أبسط وأكثر دقة. من الجيد إذا كان لديك معرفة ببيانات الأسهم العامة والخاصة ونماذج الكيانات ذات الصلة، مما يمكّن من ميزات أذكى، ومجموعات تقييم، وتكاملات لاحقة. بصفتك مهندسًا رئيسيًا، ستقوم بالإرشاد من خلال مراجعات التصميم/الكود، وتحديد الاتجاه الفني، وتحسين الموثوقية، والأمان، وتجربة المطور. ستكون رائدًا في تصميمات مدركة للتكلفة، تركز على الخصوصية؛ تقود الغوص العميق لحل القضايا المعقدة؛ وتكرر بسرعة لتحقيق نتائج قابلة للقياس (الدقة/الاسترجاع، الكمون، ميزانيات الأخطاء، وتكلفة الوثيقة). هذه الوظيفة مثالية لمهندس يزدهر في شحن أنظمة تعلم الآلة/LLM القوية على نطاق واسع والتأثير على الفرق متعددة الوظائف من خلال حكم فني استثنائي وتنفيذ.

نظرة عامة على الفريق

ستكون جزءًا من فريق متعدد التخصصات من مهندسي تعلم الآلة وعلماء البيانات المسؤولين عن بناء حلول وخدمات الذكاء الاصطناعي وتعلم الآلة كجزء من خطوط أنابيب جمع البيانات القوية التي تتعامل مع كميات كبيرة من البيانات غير المنظمة. سيركز الفريق على بناء أنظمة قابلة للتوسع وموثوقة لمعالجة وتصنيف البيانات التي تعتبر ضرورية لعمليات جمع البيانات اللاحقة.

ملخص الواجبات والمسؤوليات

• قيادة جمع بيانات الذكاء الاصطناعي وتعلم الآلة: تحويل الأهداف التجارية إلى خارطة طريق واضحة للذكاء الاصطناعي/تعلم الآلة لجمع البيانات، واستخراجها، وإثرائها، وتحقيق نتائج قابلة للقياس.

  
  

• الإشراف الفني: تصميم وشحن خدمات تعلم الآلة/معالجة اللغة الطبيعية/نماذج اللغة الكبيرة (RAG، التضمينات، إعادة التصنيف، الذكاء الاصطناعي الوكالي، MCP) ذات موثوقية وكفاءة عالية.

  
  

• قيادة الأقران والتطوير: إرشاد المهندسين وعلماء البيانات من خلال مراجعات التصميم/الكود، وتحديد المعايير الفنية ورفع مستوى الحرفية.

  
  

• تقنيات معالجة اللغة الطبيعية: بناء ودمج المصنفات، والمحولات، ونماذج اللغة الكبيرة، والمقيمين الذين يعالجون ويصنفون البيانات غير المنظمة على نطاق واسع.

  
  

• هندسة خطوط أنابيب البيانات: تصميم وتشغيل وتحسين خطوط جمع البيانات ذات الإنتاجية العالية مع تنسيق قوي، ورسائل، وتخزين، وSLA.

  
  

• التعاون بين الوظائف: التعاون مع المنتج، وهندسة جمع البيانات، والمنصة/SRE، والأمان لتحويل الاحتياجات الغامضة إلى تسليمات مرحلية وقابلة للمراقبة.

  
  

• الابتكار والتحسين المستمر: قيادة وتطبيق التقدم في الذكاء الاصطناعي التوليدي، والذكاء الاصطناعي الوكالي، وRAG، وMCP لتحسين الجودة، والسرعة، والتكلفة.

  
  

• سلامة النظام والأمان: فرض حوكمة البيانات، والخصوصية، وشفافية النموذج مع أقل امتياز IAM، وإدارة الأسرار، وقابلية التدقيق.

  
  

• تحسين العمليات: تطبيق ممارسات Agile/Lean/Fast-Flow لتقليل وقت الدورة، وزيادة الجودة، وإزالة العمل الشاق من خلال الأتمتة.

  
  

• السحابة والنشر: تقديم حلول سحابية أصلية على AWS وGCP باستخدام Docker/Kubernetes، والتوسع التلقائي، وأنماط التسليم التدريجي.

  
  

• MLOps والموثوقية: إنشاء تتبع التجارب، والسجلات، وCI/CD، واكتشاف الانحراف، وSLIs/SLOs، وكتب التشغيل لعمليات موثوقة.

  
  

• جودة الاسترجاع والتقييم: تنفيذ تقييمات غير متصلة/متصلة (مثل nDCG/MRR/الدقة@k)، ومجموعات ذهبية، وقيود لـ RAG وملاءمة البحث.

  
  

• التكلفة، والأداء، والرؤية: تحسين الكمون وتكلفة الوحدة باستخدام التخزين المؤقت، والتجميع، والتقطير، والتعديل، ولوحات المعلومات/التنبيهات الواضحة.

  
  

• التوثيق ومشاركة المعرفة: إنتاج وثائق تصميم مختصرة، وADRs، وكتيبات لضمان نقل المعرفة المستدام عبر المواقع.

  
  

الخبرة، والمهارات، والمؤهلات

• بكالوريوس أو ماجستير أو دكتوراه في علوم الحاسوب، أو الرياضيات، أو علوم البيانات، أو مجال ذي صلة.

  
  

• 8+ سنوات من الخبرة في مجال هندسة تعلم الآلة وعلوم البيانات، مع التركيز على تقنيات نماذج اللغة الكبيرة والذكاء الاصطناعي التوليدي، خاصة في جمع البيانات ومعالجة البيانات غير المنظمة.

  
  

• 3+ سنوات من الخبرة في منصب قيادي تقني.

  
  

• خبرة قوية في معالجة اللغة الطبيعية وتعلم الآلة، مع خبرة عملية في المصنفات، ونماذج اللغة الكبيرة (LLMs)، وبروتوكول سياق النموذج (MCP)، والذكاء الاصطناعي الوكالي، وغيرها من التقنيات المتقدمة في معالجة اللغة الطبيعية.

  
  

• خبرة واسعة في تقنيات خطوط أنابيب البيانات والرسائل مثل Apache Kafka، وAirflow، ومنصات البيانات السحابية (مثل Snowflake).

  
  

• إتقان على مستوى الخبراء في Python وSQL وغيرها من لغات البرمجة والأدوات ذات الصلة.

  
  

• إجادة في خدمات أمازون ويب (AWS) ومنصة جوجل السحابية (GCP).

  
  

• فهم قوي للتقنيات الأصلية السحابية والتعبئة (مثل Kubernetes وDocker) مع خبرة في إدارة هذه الأنظمة على مستوى عالمي.

  
  

• قدرة مثبتة على حل التحديات التقنية المعقدة وتقديم حلول قابلة للتوسع.

  
  

• مهارات تواصل ممتازة مع نهج تعاوني للعمل مع الفرق العالمية وأصحاب المصلحة.

  
  

• خبرة في العمل في بيئات سريعة الوتيرة، خاصة في الصناعات التي تعتمد على تقنيات كثيفة البيانات (تعتبر الخبرة في التكنولوجيا المالية مرغوبة للغاية).

  
  

ظروف العمل

ظروف العمل لهذه الوظيفة هي في بيئة مكتبية قياسية. يستخدم الموظفون في هذا المنصب أجهزة الكمبيوتر والهواتف بشكل مستمر طوال اليوم. قد يتطلب الأمر سفرًا محدودًا إلى المكاتب البعيدة أو اجتماعات وأحداث تجارية أخرى.

يوفر بيئة العمل الهجينة في Morningstar الفرصة للتعاون شخصيًا كل أسبوع حيث وجدنا أننا في أفضل حالاتنا عندما نكون معًا بشكل مقصود بانتظام. في معظم مواقعنا، نموذج العمل الهجين لدينا هو أربعة أيام في المكتب كل أسبوع. تتوفر مجموعة من المزايا الأخرى لتعزيز المرونة مع تغير الاحتياجات. بغض النظر عن مكانك، سيكون لديك الأدوات والموارد للتفاعل بشكل هادف مع زملائك العالميين.