مهندس بحث الذكاء الاصطناعي

Tether Operations Limited

كعضو في فريق نموذج الذكاء الاصطناعي لدينا، ستقود الابتكار في تقديم النماذج والهندسة المعمارية للاستدلال للأنظمة المتقدمة للذكاء الاصطناعي. سيركز عملك على تحسين نشر النماذج واستراتيجيات الاستدلال لتقديم أداء سريع الاستجابة وفعال وقابل للتوسع عبر التطبيقات الواقعية. ستعمل على مجموعة واسعة من الأنظمة، تتراوح بين النماذج الموفرة للموارد المصممة للبيئات ذات الأجهزة المحدودة إلى المعماريات المعقدة متعددة الأنماط التي تدمج البيانات مثل النصوص والصور والصوت.

نتوقع أن يكون لديك خبرة عميقة في تصميم وتحسين خطوط تقديم النماذج وأطر الاستدلال بالإضافة إلى خلفية قوية في المعماريات المتقدمة للنماذج. ستعتمد نهجًا عمليًا مدفوعًا بالبحث لتطوير واختبار وتنفيذ استراتيجيات تقديم جديدة وخوارزميات استدلال. تشمل مسؤولياتك هندسة خطوط استدلال قوية، وتحديد مقاييس أداء شاملة، وتحديد وحل الاختناقات في بيئات الإنتاج. الهدف النهائي هو تمكين أداء ذكاء اصطناعي عالي الإنتاجية، منخفض الكمون، ذو بصمة ذاكرة منخفضة، وقابل للتوسع يوفر قيمة ملموسة في سيناريوهات ديناميكية واقعية.

المسؤوليات

• تصميم ونشر معمارية تقديم النماذج الحديثة التي تقدم إنتاجية عالية وكمون منخفض مع تحسين استخدام الذاكرة. تأكد من أن هذه الخطوط تعمل بكفاءة عبر بيئات متنوعة، بما في ذلك الأجهزة ذات الموارد المحدودة ومنصات الحافة. تحديد أهداف أداء واضحة مثل تقليل الكمون، وتحسين استجابة الرموز، وتقليل بصمة الذاكرة.

• بناء وتشغيل ومراقبة اختبارات استدلال محكومة في كل من البيئات الإنتاجية المحاكية والحقيقية. تتبع مؤشرات الأداء الرئيسية مثل كمون الاستجابة، والإنتاجية، واستهلاك الذاكرة، ومعدلات الأخطاء، مع اهتمام خاص بالمقاييس المحددة للأجهزة ذات الموارد المحدودة. وثق النتائج التدريجية وقارن النتائج مع المعايير المحددة للتحقق من الأداء عبر المنصات.

• تحديد وإعداد مجموعات بيانات اختبار عالية الجودة وسيناريوهات محاكاة مصممة لتحديات النشر الواقعية، وتحديدًا تلك التي تواجهها على الأجهزة ذات الموارد المنخفضة. وضع معايير قابلة للقياس لضمان أن هذه الموارد تقيم أداء النموذج والكمون واستخدام الذاكرة بشكل فعال تحت ظروف تشغيل متنوعة.

• تحليل الكفاءة الحسابية وتشخيص الاختناقات في خط تقديم النماذج من خلال مراقبة كل من مقاييس المعالجة والذاكرة. معالجة القضايا مثل معالجة الدفعات غير المثلى، وتأخيرات الشبكة، واستخدام الذاكرة العالي لتحسين بنية الخدمة من أجل قابلية التوسع والموثوقية على الأنظمة ذات الموارد المحدودة.

• العمل عن كثب مع الفرق متعددة الوظائف لدمج أطر تقديم وتحليل محسّنة في خطوط الإنتاج المصممة لتطبيقات الحافة وعلى الأجهزة. تحديد مقاييس نجاح واضحة مثل تحسين الأداء الواقعي، وانخفاض معدلات الأخطاء، وقابلية التوسع القوية، واستخدام الذاكرة الأمثل والتأكد من المراقبة المستمرة والتحسينات التدريجية لتحقيق تحسينات مستدامة.