مهندس تعلم آلي

تبحث شركة ديفسينك عن مهندس ذكاء اصطناعي وتعلم آلي ماهر لديه أكثر من عامين من الخبرة المهنية في بناء وتحسين نماذج الذكاء الاصطناعي التوليدية (نماذج اللغة الكبيرة، نماذج الانتشار)، ونماذج اللغة-الرؤية، وأنظمة التعلم التقليدي والعميق، وتطوير الحلول من الصفر وأخذها إلى الإنتاج.
يجمع هذا الدور بين خبرة النمذجة وMLOps، ويتضمن ملكية كاملة من تدريب النموذج وتحسينه إلى التحسين والنشر والخدمة.
ستعمل على مشاريع متنوعة وعالية التأثير مثل تطبيقات الذكاء الاصطناعي التوليدية، الانتشار المستقر، التعرف على النصوص، كشف السرقة، وأنظمة التوصية، وتصميم وتحسين وتقديم نماذج مخصصة للاستخدام في الإنتاج الواقعي.
المسؤوليات الرئيسية: تطوير حزم استنتاج الإنتاج: تحويل وتحسين النماذج (Torch → ONNX → TensorRT)، تقليل الحجم/التقليم، تحليل FLOPs والكمون، وتقديم استنتاج GPU منخفض الكمون مع الحد الأدنى من فقدان الدقة.
بناء بنية تحتية قوية لخدمة النماذج: تنفيذ خدمات استنتاج FastAPI/gRPC، تدفق على مستوى التوكن أو الإطار، إصدار النموذج والتوجيه، التوسع التلقائي، التراجع، واختبار A/B.
إنشاء حلول رؤية الكمبيوتر من الصفر: تصميم خطوط أنابيب لاكتشاف الكائنات، كشف السرقة، التعرف على النصوص (تحليل الوثائق، استخراج منظم)، وتحليلات المراقبة؛ تحسين نماذج Hugging Face المدربة مسبقًا عند الضرورة.
تحسين الانتشار المستقر ونماذج توليد أخرى لتوليد الصور المتوافقة مع العلامة التجارية أو النمط والمهام البصرية اللاحقة.
تدريب وتحسين نماذج اللغة-الرؤية (VLMs) لمهام متعددة الوسائط (التعليق، VQA، الاسترجاع متعدد الوسائط) باستخدام كل من الأساليب من الصفر والتعلم الانتقالي.
تصميم وتكييف أنظمة الذكاء الاصطناعي التوليدية المعتمدة على LLM لوكلاء المحادثة، والتلخيص، وخطوط أنابيب RAG، والتخصيص الخاص بالمجال.
تنفيذ ممارسات MLOps/LLMops/AIOps: أتمتة CI/CD للتدريب والنشر، إدارة مجموعات البيانات والتجارب، الحفاظ على سجلات النماذج، ومراقبة الكمون، والانجراف، والأداء مع تنبيهات وخطوط إعادة التدريب.
تطوير خطوط أنابيب اكتساب البيانات وعمليات الإدخال: بناء أدوات جمع متوافقة، وجامعي البيانات، وأنظمة إدخال قابلة للتوسع مع تدوير الوكيل ومعالجة حدود المعدل.
دمج نماذج وواجهات برمجة التطبيقات من جهات خارجية (Hugging Face، OpenAI، إلخ) وتصميم استراتيجيات استنتاج هجينة تجمع بين النماذج المحلية والسحابية لتحقيق الأداء الأمثل.
التعليم: درجة البكالوريوس أو الماجستير في علوم الكمبيوتر، الذكاء الاصطناعي، أو مجال ذي صلة.
الخبرة: أكثر من عامين من الخبرة المهنية في AI/ML أو المجالات ذات الصلة، مع سجل حافل في تطوير وتدريب ونشر نماذج التعلم الآلي أو التعلم العميق في بيئات العالم الحقيقي.
فهم ممتاز للتعلم الآلي التقليدي (scikit-learn): الانحدار، التصنيف، التجميع؛ قادر على تصميم التجارب والمعايير الأساسية.
خبرة قوية في رؤية الكمبيوتر: اكتشاف الكائنات، التقسيم، خطوط أنابيب التعرف على النصوص (التدريب من الصفر والتعلم الانتقالي).
فهم عميق لتحسين النماذج: تقليل الحجم، التقليم، التقطير، تحليل FLOPs، تحليل CUDA، الدقة المختلطة، وتجارة الأداء في الاستنتاج.
قدرة مثبتة على تصميم وتدريب النماذج من الصفر، (ليس فقط باستخدام نقاط التحقق المدربة مسبقًا): تصميم الهيكل، دوال الخسارة، حلقات التدريب، والتقييم.
خبرة عملية مع LLMs والنماذج المعتمدة على الانتشار (مثل، الانتشار المستقر).
إتقان ONNX، TensorRT، TorchScript، وأطر الخدمة (Triton، TorchServe، أو ONNX Runtime).
مهارات في برمجة GPU وتحسين CUDA (تحليل باستخدام nvprof/nsight، إدارة الذاكرة، إعدادات متعددة GPU).
هندسة خلفية قوية في بايثون (FastAPI، Flask)، البرمجة غير المتزامنة، WebSockets/SSE، وتصميم واجهات برمجة التطبيقات RESTful.
خبرة في الحاويات والتنظيم (Docker، Kubernetes، Helm) ونشر أحمال العمل GPU إلى AWS/GCP/Azure أو على مجموعات محلية.
انضباط قوي في هندسة البرمجيات: CI/CD، الاختبار، مراجعات الشيفرة، القابلية للتكرار، والتحكم في الإصدارات.
من الجيد أن يكون لديك: معرفة بالتعلم الآلي الذي يحافظ على الخصوصية (الخصوصية التفاضلية، التعلم الفيدرالي) وأدوات المراقبة مثل Prometheus، Grafana، Sentry، أو OpenTelemetry.
التعاون - منفتح على مشاركة المعرفة والعمل الجماعي.
لاعب فريق - مستعد لدعم الزملاء والمساهمة في النجاح الجماعي.
ذهني نمو - حريص على التعلم، والتحسين، والتكيف مع التقنيات الناشئة.
قابل للتكيف - مرن في بيئات ديناميكية وسريعة الوتيرة.
مركز على العميل - يركز على تقديم حلول تخلق قيمة حقيقية للأعمال.