مهندس الذكاء الاصطناعي

Client of S&K HR Consulting

عميلنا هو منظمة رائدة في حلول البرمجيات، متخصصة في تمكين الأعمال بالتقنيات الابتكارية من خلال توفير حلول SaaS مصممة لتلبية احتياجات الأعمال.

هم حاليًا يقومون بالتوظيف من أجل مهندس ذكاء اصطناعي لإدارة دورة حياة ميزات الذكاء الاصطناعي من البداية إلى النهاية، بدءًا من استيعاب البيانات وإعداد RAG إلى الضبط الدقيق، والتقييم، والنشر، والتحسين المستمر، بحيث يمكنهم شحن منتجات ذكاء اصطناعي موثوقة وفعالة من حيث التكلفة.

الموقع: في الموقع (دبي، الإمارات العربية المتحدة)

النوع: دوام كامل

ما ستقوم به '

• تصميم وتنفيذ خطوط أنابيب RAG (التقسيم، التضمينات، تخزين المتجهات، استراتيجيات الاسترجاع) باستخدام أدوات مثل Ollama، LangChain، LlamaIndex، أو ما يعادلها.
• إنشاء نظام تنسيق محلي وسحابي لـ LLM (توجيه الطلبات، استخدام الأدوات، استدعاء الوظائف، الحراس) مع مراقبة قوية.
• تنفيذ الضبط الدقيق / LoRA / المحولات؛ بناء حلقات إعادة إدخال البيانات لالتقاط المخرجات والتعليقات للتدريب الثانوي.
• إنشاء أنماط قوية لهندسة الطلبات (القوالب، الحراس، التقييمات، إصدار النسخ) والتحكم في التكلفة / الكمون.
• بناء مجموعات تقييم (RAGAS، مجموعات ذهبية مخصصة، اختبارات A/B غير متصلة بالإنترنت + عبر الإنترنت) ولوحات معلومات الجودة.
• إنتاج النماذج باستخدام أفضل ممارسات MLOps (CI/CD، سجلات النماذج، مخازن الميزات، تتبع التجارب).
• ضمان الخصوصية والسلامة والامتثال (معالجة المعلومات الشخصية، فرق الاختراق، دفاعات حقن الطلبات، فلاتر المحتوى).
• التعاون مع PM/Design/Eng لتحديد ميزات وتسليم الزيادات بسرعة.

المؤهلات المطلوبة

• 3+ سنوات في شحن أنظمة ML/AI، بما في ذلك على الأقل نشر RAG واحد في الإنتاج.
• خبرة عملية مع LangChain/Ollama (أو ما يماثلها)، قواعد بيانات المتجهات (Pinecone، Weaviate، Milvus، pgvector)، ونماذج التضمين.
• خبرة في الضبط الدقيق (HF Transformers، PEFT/LoRA) وتنظيم/تنظيف مجموعات البيانات.
• مهارات قوية في بايثون؛ فهم جيد لـ APIs، والخدمات الصغيرة، وأنماط الاستجابة غير المتزامنة.
• مألوف مع تقييمات LLM، المقاييس (EMAIL_ADDRESS، الأمانة، التأسيس)، وضبط التكلفة / الأداء.
• السحابة / الحاويات: Docker، أي من AWS/GCP/Azure، معرفة أساسية بـ GPU / المعززات.

من الجيد أن تمتلك

• Llama 3/4، Mistral، OpenAI/Anthropic APIs؛ Guardrails/Gandalf؛ Weights & Biases أو MLflow.
• مخازن الميزات، Kafka، Airflow؛ تعزيز الأمان وإدارة الأسرار.
• واجهة أمامية أساسية لتجربة أدوات الإدارة / التقييم (React/Next.js).

مؤشرات النجاح

• جودة إجابات RAG (مثل، >85% تأسيس على مجموعة التقييم) وتكلفة الوحدة بمرور الوقت.
• زمن الاستجابة P50 ضمن الهدف؛ معدل حدوث النموذج (الهلاوس، فتح السجن) شهريًا.
• الوقت المطلوب لشحن مجموعات البيانات / الميزات الجديدة.