قائد تقني في الذكاء الاصطناعي

Market Securities Group

مصمم وبناء أنظمة الذكاء الاصطناعي: تصميم وتنفيذ تطبيقات الذكاء الاصطناعي من البداية إلى النهاية باستخدام LLMs، وسير العمل متعددة الوكلاء، وأطر الأتمتة (مثل LangChain، LangGraph)، الانتقال بسرعة من إثبات المفهوم إلى الإنتاج.

تطوير النموذج العملي: ضبط دقيق، ربط، ونشر LLMs ونماذج تعلم الآلة الأخرى مع كتابة ومراجعة الكود بنشاط.

دمج الذكاء الاصطناعي في المنتجات الأساسية: التعاون مع فرق الهندسة لدمج قدرات الذكاء الاصطناعي في المنتجات الجديدة والقائمة، مع ضمان القابلية للتوسع، وقابلية الصيانة، وتأثير الأعمال.

تشكيل عمليات الذكاء الاصطناعي والحوكمة: وضع معايير لجودة البيانات، تحقق النموذج، ممارسات الذكاء الاصطناعي المسؤولة، وسير العمل للنشر بالتعاون مع فرق الامتثال والحوكمة.

البقاء في صدارة المنحنى: مراقبة واستكشاف الأدوات والاتجاهات الناشئة في الذكاء الاصطناعي/تعلم الآلة، والأتمتة، وهندسة البيانات للحفاظ على الميزة التنافسية.

قياس وتكرار: تحديد مؤشرات الأداء الرئيسية ومعايير النجاح لمبادرات الذكاء الاصطناعي، باستخدام أساليب قائمة على البيانات لتحسين النماذج، وسير العمل، واتجاه المنتج.

المؤهلات

• الخبرة: 5+ سنوات في القيادة الفنية أو المنتجات مع سجل حافل في تقديم منتجات تكنولوجيا معقدة وكثيفة البيانات.
• برمجة وتطوير: إتقان في بايثون، Jscript، قواعد البيانات (SQL، NoSQL)، C#
• أطر الذكاء الاصطناعي/تعلم الآلة: خبرة عملية مع PyTorch، TensorFlow، Hugging Face، Scikit-learn، Transformers....
• الكفاءات الأساسية في تعلم الآلة:
  
  • التعلم تحت الإشراف: تصنيف البيانات، الانحدار، وتوقعات السلاسل الزمنية.
  • التعلم غير المراقب: التجميع، كشف الشذوذ، وتقليل الأبعاد.
  • معالجة اللغة الطبيعية: LLMs، التضمينات، RAG، هندسة المحفزات، تصنيف النص، وتحليل المشاعر.
  • تحسين النماذج: الضبط الدقيق، التعلم الانتقالي، ضبط المعلمات، وتقييم/تحقق النموذج.
  • الأتمتة والتنظيم: N8n، وكلاء الذكاء الاصطناعي، LangChain، LangGraph، محركات سير العمل، وMCP.
• الطلاقة التقنية: فهم قوي لممارسات تطوير البرمجيات، واجهات برمجة التطبيقات، ومنصات السحابة (AWS، Azure، GCP). الخبرة في هياكل البيانات وبناء/صيانة خطوط البيانات موضع تقدير كبير.
• متطلبات المحفظة: محفظة مثبتة من مشاريع الذكاء الاصطناعي/تعلم الآلة (مثل مستودعات GitHub، دراسات حالة تقنية، نشرات الذكاء الاصطناعي الإنتاجية، أو الأبحاث المنشورة) تعرض تطوير الحلول من البداية إلى النهاية والتكامل.