مهندس ضمان الجودة

AI71

ستكون الجسر بين تطوير الأجايل والهندسة النظامية الرسمية. مهمتك هي بناء أطر اختبار آلية لا تتحقق فقط من وظائف البرمجيات، بل تتحقق أيضا من سلوكيات الذكاء الاصطناعي مقابل مجموعات بيانات الحقيقة الأرضية. من خلال نموذج تسليم بوابة المرحلة المنظم، ستضمن أن وكلاء الذكاء الاصطناعي لدينا يجتازون مراجعات جاهزية الاختبار الصارمة (TRR) وتدقيقات التكوين الوظيفي (FCA) المطلوبة للنشر.

المسؤوليات الرئيسية

• التحقق من صحة الذكاء الاصطناعي ونماذج اللغة الكبيرة (LeverEDGE)

• الاختبارات غير الحتمية: قام المهندسون بتأتمت أطر عمل لتقييم مخرجات الذكاء الاصطناعي التوليدي (مثل مسودة CONOPS، المتطلبات التقنية) للبحث عن الهلوسة، والاتساق، والدقة الواقعية مقابل مجموعات بيانات المعيار الذهبي.
• تقييم RAG: تنفيذ المقاييس الآلية (مثل RAGAS، الوفاء، الصلة بالإجابات، إلخ) للتحقق من أن خط أنابيب توليد الاسترجاع المعزز يستشهد بدقة بالوثائق الفنية الداخلية والنصوص التنظيمية.
• الانحدار السريعي: تصميم مجموعات الانحدار التي تراقب انحراف الطلبات، لضمان عدم تدهور التغييرات في تعليمات النموذج أو النظام الأساسية لجودة الوثائق الهندسية التي يولدها الذكاء الاصطناعي.

• التكامل والتحقق من النظام (سلسلة التوريد)

• اختبار دمج ERP: بناء اختبارات تكامل قوية للتحقق من اتساق البيانات بين وكلاء الذكاء الاصطناعي والأنظمة المؤسسية الحيوية (مثل SAP S/4HANA، Ariba، وغيرها)، مع ضمان عدم تلف بيانات قوائم المواد (BOM) أو البيانات المالية.
• مقارنة الأداء: صمم اختبارات الأداء للتحقق من تأخير وإنتاجية نماذج التنبؤ ومحركات تقييم المخاطر، لضمان تلبية متطلبات لوحات تحكم سلسلة الإمداد في الوقت الحقيقي.
• التحقق من صحة واجهة برمجة التطبيقات: أتمتة اختبار بوابات API الآمنة، للتحقق من أن منطق التحكم في الوصول القائم على الأدوار (RBAC) ومنطق تحرير PII يعملون بشكل صحيح قبل وصول البيانات إلى نماذج الذكاء الاصطناعي.

• الحوكمة وقابلية التتبع

• محاذاة نموذج V: قم بربط حالات الاختبار الآلية مباشرة بمتطلبات النظام واحتياجات المستخدم، مما ينشئ الأدلة الرقمية المطلوبة لتقارير التحقق والتحقق الرسمية (V&V) الموضحة في دليل هندسة الأنظمة.
• الامتثال لمعايير بوابة المسرح: تحضير حزم جاهزية الاختبار لمراجعات Stage Gate الرسمية، مع تقديم دليل كمي على أن النظام مستقر بما يكفي للانتقال من MVP إلى الإنتاج.
• إدارة دورة حياة العيوب: إدارة حلقة التغذية الراجعة بين مساعد جودة المتطلبات وفرق التطوير، مع التأكد من أن العيوب الموجودة في منطق الذكاء الاصطناعي تعود إلى إصدارات نماذج محددة أو مجموعات بيانات.

المتطلبات الفنية

• الأتمتة الأساسية: كفاءة خبيرة في بايثون لبناء أدوات اختبار مخصصة (Pytest) ومكتبات أتمتة قياسية (Selenium/Playwright لواجهة المستخدم، طلبات API).
• اختبار الأداء الأساسي: مهارة خبيرة في صياغة خطط اختبار الأداء + التطبيقات (مثل Locust، Jmeter، K6، إلخ)
• تقييم الذكاء الاصطناعي: خبرة في استخدام أطر عمل لتقييم نماذج اللغة الكبيرة (مثل DeepEval أو TruLens أو مقيمين بايثون مخصصين). فهم إنشاء وإدارة مجموعات بيانات الحقيقة الأرضية.
• التحقق من صحة البيانات: الكفاءة في استخدام SQL وأدوات التحقق من صحة البيانات (مثل Great Expectations) للتحقق من جودة البيانات داخل Data Lakehouses وVector Databases.
• دمج CI/CD: خبرة قوية في دمج الاختبارات الآلية في خطوط أنابيب CI/CD في GitLab، وتطبيق بوابات الجودة التي تمنع دمج الشيفرة أو النماذج غير المتوافقة.
• أدوات التتبع: المعرفة بأدوات إدارة المتطلبات (مثل Jira، Linear، Jama، Polarion، وغيرها) وكيفية ربط نتائج الاختبار التلقائية بمعرفات متطلبات محددة.
• أدوات إدارة الاختبار/التقارير: تجربة عملية قوية في إدارة تقارير الاختبار + القطع الأثرية (مثل TestRail، Allure، إلخ)
• التحكم في الإصدارات: معرفة السلاسل النصية مع الحفاظ على أطر العمل القائمة على الشيفرة (مثل Git، Gitlab، إلخ)
• ممارسات هندسة الجودة: معرفة عملية قوية بأفضل ممارسات هندسة الجودة الحديثة المخصصة لبيئات التطوير السريعة (مثل نهج Shift Left، هرم الاختبار، هندسة المخزن الأحادي لمشاريع الأتمتة)