عالم البيانات

NoGood

نحن نبحث عن:

• العمل مع مجموعات بيانات كبيرة. امتلاك الاستعلام الفعال والتنظيف والتسمية وتوافق التصنيفات للعلامات التجارية، SKU، والفئات.
• تصميم استراتيجيات أخذ عينات وتصنيف تحول المخرجات الضوضائية من LLM وسجلات الزاحف إلى رؤى موثوقة للعلامة التجارية والمنتج.
• استخدام LLMs وNLP لاستخراج الهيكل من النص غير المنظم على نطاق واسع. تشمل الموضوعات تفريخ الاستعلام، المشاعر، استخراج الاقتباسات، وربط الكيانات للعلامات التجارية والمنتجات والمبدعين.
• تحديد مقاييس درجة المنتج. إنشاء تعريفات دائمة لدرجة الرؤية، تغطية الإجابة، وجود المنتج، واستعداد الخروج الوكيل.
• بناء وتشغيل أطر التجربة. اختبارات A/B، مجموعات التحكم، العوامل المضادة، ونمذجة الرفع لقياس التأثير على الاقتباسات، حصة الصوت، والتحويلات.
• تطوير وتنقيح النماذج التنبؤية التي تحلل وتوقع سلوك البحث بالذكاء الاصطناعي عبر النماذج والأسطح.
• ترجمة النتائج المعقدة إلى قرارات واضحة. الشراكة مع الفريق المؤسس لإبلاغ خارطة الطريق، التسعير، وكتيبات العملاء.
• إنشاء أجهزة تقييم. إنشاء تقييمات تلقائية وتسمية بمشاركة البشر لجودة النموذج، التحيز، والانزلاق عبر مزودي LLM.
• اكتشاف الشذوذ. بناء مراقبين لسلوك الزاحف، التصنيفات، وصحة التغذية لالتقاط الانحدارات قبل أن يفعل العملاء.

لديك:

• من 3 إلى 7 سنوات في التحليلات التطبيقية أو علم البيانات ضمن التكنولوجيا، التسويق، أو الإعلانات. يفضل وجود خبرة في الشركات الناشئة أو النمو السريع.
• قوة في بايثون وSQL. مرتاح في دفاتر الملاحظات ومراجعات الكود.
• مهارة مع أخذ العينات والتفسير. أخذ العينات المت stratified، bootstrapping، الاستقراء، إعادة الوزن، وتقدير التباين.
• مجموعة أدوات ML قوية. السلاسل الزمنية، التصنيف، الانحدار، الإشراف الضعيف، وطرق تقدير تواتر الأحداث من الملاحظات الجزئية.
• معرفة عملية بـ LLM. نقاط القوة في تصميم المطالبات، الاستخراج الهيكلي، التضمينات، وفهم حدود النموذج وأنماط الفشل.
• فضول ومعرفة حالية بأبحاث متعددة النماذج وLLM. تستمتع بقراءة الأوراق واختبار الأفكار في البيانات الحقيقية.
• عقلية البناء في فريق سريع. تقدر الوضوح، السرعة، والملكية.

من الجيد أن يكون لديك:

• خبرة في استخراج المعلومات على نطاق واسع أو جودة البحث
• خلفية في الاستنتاج السببي، MMM، أو نماذج النسبة
• عمل عملي مع تغذيات المنتجات وكatalogات التجزئة
• مساهمات في المصادر المفتوحة أو أعمال منشورة يمكننا قراءتها
• مشاريع جانبية مطبقة يمكننا النقر عليها

لوحة بياناتنا ونماذجنا

• المشاكل: قياس البحث بالذكاء الاصطناعي، تسجيل AEO، استعداد التجارة الوكيل، سلامة كتالوج المنتج والتغذية، تحولات التصنيف والاقتباس، النسبة لحركة المرور بالذكاء الاصطناعي
• الإشارات: استجابات LLM، سجلات الزاحف والوكيل، لقطات SERP وإجابات الذكاء الاصطناعي، تغذيات المنتجات، بيانات السوق، موصلات GA4 وGSC، بيانات CRM
• الأهداف: حصة الصوت، عدد الاقتباسات، تغطية الإجابة، وجود SKU، رفع التحويل، الوقت للقيمة للتحسينات

التكنولوجيا التي ستتعامل معها

• اللغات: بايثون، SQL
• المكتبات: pandas، NumPy، scikit-learn، PyTorch أو TensorFlow، Hugging Face، spaCy.
• البيانات: Postgres أو AlloyDB، BigQuery، dbt، DuckDB للعمل المحلي
• إنتاج ML/MLOps: تقديم النموذج (FastAPI/Flyte/Batch jobs)، CI/CD، النسخ، تتبع التجارب (MLflow/Weights & Biases)، المراقبة والتنبيه للأداء/الانزلاق.
• الأدوات السحابية والبيانات: AWS/GCP/Azure، الحاويات (Docker).
• النماذج والمزودون: OpenAI، Anthropic، Google، Meta، Mistral، Perplexity، جنبًا إلى جنب مع أجهزة التقييم الداخلية