مدير، علوم البيانات والتحليلات Ma'aden Aluminium Company (MAC)

1. إدارة تسليم علوم البيانات من البداية إلى النهاية

• الإشراف على تطوير وتنفيذ وصيانة قواعد البيانات وأنظمة جمع البيانات.

• إدارة دورة حياة مبادرات التعلم الآلي/الذكاء الاصطناعي لدعم صياغة المشكلة، استكشاف البيانات، هندسة الميزات، تطوير النموذج، التحقق، والإعداد لنشر MLOps.

• ضمان تسليم نماذج قابلة للتوسع، جاهزة للإنتاج بما يتماشى مع حوكمة البيانات المؤسسية ومعايير الذكاء الاصطناعي.

• إجراء التحليل الإحصائي لتفسير رؤى البيانات ودعم اتخاذ القرار.

• تطبيق تقنيات تعدين البيانات لكشف الأنماط والاتجاهات والعلاقات في مجموعات البيانات الكبيرة.

• تطوير نماذج تنبؤية وخوارزميات تعلم آلي للتنبؤ بالنتائج المستقبلية حسب الحاجة.

• إنشاء تصورات بيانية واضحة للبيانات، لوحات المعلومات، وتقارير للتواصل الفعال للنتائج مع أصحاب المصلحة في الأعمال.

• التعاون مع الفرق متعددة الوظائف لفهم احتياجات الأعمال وترجمتها إلى حلول مدفوعة بالبيانات.

• ضمان التكامل السلس للنماذج التنبؤية ونماذج التحسين في المنصات المؤسسية، أنظمة التحكم، والتوائم الرقمية.

• البقاء على اطلاع بأحدث التقنيات والأدوات والتكنولوجيات في علوم البيانات والتحليلات.

• تشجيع التجريب، إصدار نماذج، إعادة التدريب التلقائي، وعمليات التحسين المستمر.

• التوصية بتحسينات على النماذج الحالية وسير عمل التحليلات لتحقيق كفاءة أكبر وتأثير أكبر.

2. عمليات البيانات

• الشراكة مع هندسة البيانات لتصميم وتشغيل وصيانة خطوط بيانات موثوقة ونماذج تحليلية، وضمان دقة البيانات، والتوقيت، والموثوقية.

• مراقبة جودة البيانات، حل مشكلات البيانات، وفرض أفضل الممارسات في البيانات عبر الفرق.

• دعم الامتثال لمعايير أمان البيانات واللوائح ذات الصلة

• الإشراف على تطوير ونشر نماذج التعلم الآلي المتقدمة، التحليلات التنبؤية، GenAI، وحلول التحسين، بما يتماشى مع مسؤوليات أدوار القيادة في التحليلات.

• ضمان الدقة التقنية عبر دورة حياة التعلم الآلي من البداية إلى النهاية: تحديد نطاق هندسة البيانات، نمذجة، تحقق، مراقبة MLOps.

• الإشراف على موثوقية الإنتاج، إدارة انحراف النموذج، والتحسين المستمر.

3. قيادة الفريق وبناء القدرات

• إدارة وتنمية فريق متعدد التخصصات (أخصائيين رئيسيين، أخصائيين كبار، علماء بيانات). الأدوار تحت هذا المدير مدرجة صراحة في هيكل المنظمة.

• بناء التميز الفني من خلال التدريب على التعلم الآلي، GenAI، الإحصائيات، هندسة الميزات، والتجريب.

• تعزيز ثقافة الابتكار، مراجعة الأقران، وأطر النمذجة القابلة لإعادة الاستخدام.

4. حوكمة الذكاء الاصطناعي، الجودة والمعايير

• توجيه المعايير العالية في تفسير النموذج، القدرة على التدقيق، النسب، وإدارة المخاطر.

• الدفع نحو الامتثال لحوكمة البيانات المؤسسية، PDPL، ومبادئ مخاطر النموذج المشار إليها في إرشادات مؤهلات DS/AI الداخلية.

• ضمان الالتزام بمتطلبات الذكاء الاصطناعي المسؤول المطبقة على أدوار DS/AI (إرشادات المهارات والمؤهلات).

• فرض معايير جودة البيانات، النسب، وإمكانية إعادة الإنتاج عبر مشاريع الفريق.

• دعم التوافق مع أطر الحوكمة المؤسسية، بما في ذلك الامتثال لـ PDPL.

المهارات:

• قيادة التعلم الآلي والذكاء الاصطناعي

• خبرة في البرمجة

• إجادة الذكاء الاصطناعي التوليدي

• مهارات تحليلية وإحصائية قوية

• استراتيجية الأعمال وتفكير المنتج

• الأخلاقيات، الحوكمة، والذكاء الاصطناعي المسؤول

• القيادة وإدارة الأفراد