مهندس حلول II (رائد الذكاء الاصطناعي وتعلم الآلة)

المسؤوليات الرئيسية:

• التعاون مع الفرق لترجمة متطلبات العمل إلى مواصفات تقنية، وهندسة النظام، وأنابيب تعلم الآلة.
• قيادة تسليم الحلول من البداية إلى النهاية - بما في ذلك إعداد البيانات، وتطوير النماذج، والتحسين، والتحقق، والنشر، والتحسين المستمر.
• تقديم التوجيه الفني والإرشاد للمهندسين المبتدئين وعلماء البيانات؛ مراجعة وتحسين تصاميمهم وتنفيذاتهم البرمجية.
• تطوير أطر تعلم آلة قابلة لإعادة الاستخدام، وتدفقات عمل تدريب النماذج، وأنابيب الاستدلال للنماذج السريعة والنشر.
• تقييم ودمج تقنيات الذكاء الاصطناعي وتعلم الآلة الحديثة لتحسين كفاءة النماذج وتصميم الأنظمة باستمرار.
• الرد على طلبات عروض الأسعار من العملاء وتقديم مقترحات فنية قوية وهندسة الحلول.
• التعاون عبر الوظائف مع مهندسي الأنظمة، والمطورين المدمجين، وفرق التطبيقات لتسليم نظام الذكاء الاصطناعي المتكامل.

تعقيد الوظيفة وتأثيرها:

• يظهر عمقًا خبيرًا في تعلم الآلة، ودمج الأنظمة، وتحسين النماذج.
• يرشد فرق تعلم الآلة مع الحد الأدنى من الإشراف.
• يحدد أفضل الممارسات لإدارة دورة حياة نماذج الذكاء الاصطناعي وتحسين العمليات.
• يحل المشكلات المعقدة من خلال دمج الأساليب المبتكرة والوجودية لتقديم حلول ذكاء اصطناعي جاهزة للإنتاج.
• يمثل المستوى الذي قد تستقر فيه المسيرة المهنية لسنوات عديدة أو حتى حتى التقاعد.

المسؤوليات العملية:

• إرشاد فريق هندسة الذكاء الاصطناعي المكون من 2-5 أعضاء لتطوير منتجات تعلم الآلة بشكل كامل.
• تصميم وتنفيذ وتحسين نماذج الذكاء الاصطناعي لمنصات الحوسبة الطرفية مع ضمان إنتاجية عالية، ودقة، وزمن استجابة منخفض.
• تطوير ومعايرة أنابيب نماذج الذكاء الاصطناعي على منصات NVIDIA Jetson (Nano وXavier)، Qualcomm Snapdragon 835 وi.MX8 أو أي منصة مقيدة أخرى.
• العمل على منصات مثل محرك معالجة الشبكات العصبية Snapdragon (SNPE)، FastCV، Halide، Deep stream وغيرها حسب الحاجة.
• التعاون عن كثب مع فرق المدمجة والتطبيقات لضمان تكامل نظام الذكاء الاصطناعي بنجاح.

المهارات التقنية الأساسية:

• أطر التعلم العميق: TensorFlow، PyTorch، ONNX، Keras، Caffe وTensorRT.
• رؤية الكمبيوتر والإدراك: كشف الكائنات، تقسيم الكائنات، تقدير العمق، تقدير الوضع، التعرف على الأنشطة، تحسين الصورة، GANs.
• هندسة نظام تعلم الآلة: تصميم أنابيب تعلم آلة قابلة للتوسع للتدريب، والتحقق، والاستدلال على الحافة والسحابة.
• تسريع الأجهزة والتحسين: CUDA، TensorRT، OpenCL وDeepStream.
• المنصات الطرفية والمدمجة: NVIDIA Jetson (Nano/Xavier/Orin)، Qualcomm Snapdragon، NXP i.MX8، Google Coral، Raspberry Pi.
• خبرة البرمجة: Python، C++، Java (اختياري: Rust، Go).
• بيانات وأنابيب النماذج: Docker، Kubernetes لتنسيق تعلم الآلة.
• النشر والخدمة: Flask/FastAPI/Django لواجهات برمجة التطبيقات REST، ONNX Runtime.
• MLOps: تكامل CI/CD لتعلم الآلة (Git، Jenkins، Docker)، النسخ، القابلية للتكرار، وإدارة النماذج.
• خدمات الذكاء الاصطناعي السحابية: AWS Sagemaker، Azure ML (يفضل أن يكون متوفرًا).
• الإلمام بمنصات NVIDIA RTX وDGX لتدريب النماذج الكبيرة.

المؤهلات المطلوبة:

• B.Tech/M.Tech أو دكتوراه في علوم الكمبيوتر، الإلكترونيات، أو مجال هندسي ذي صلة.
• يتطلب عادةً 8-12 عامًا من الخبرة العملية المعادلة.
• 3-5 سنوات من الخبرة في تعلم الآلة، والتعلم العميق، ورؤية الكمبيوتر.
• سجل حافل في تصميم ونشر أنظمة قائمة على تعلم الآلة من الفكرة إلى الإنتاج.
• نشر أكاديمي في أبحاث رؤية الكمبيوتر في مؤتمرات ومجلات مرموقة.
• مهارات ممتازة في التواصل، وحل المشكلات، والعرض.