مختص هندسة الذكاء الاصطناعي at Confidential

يعلن أحد البنوك اليمنية عن حاجته لشغر وظيفة مختص هندسة الذكاء الاصطناعي. (Artificial Intelligence Engineering Specialist) مكان العمل : صنعاء الهدف العام للوظيفة: تصميم وتطوير ونشر حلول ذكاء اصطناعي متقدمة وموثوقة ومتكاملة ، تعتمد على نماذج اللغة الكبيرة وتعلم الآلة والتحليل الإحصائي، وتحويلها إلى تطبيقات وخدمات قابلة للتوسع وتحقق قيم ملموسة. يعمل المهندس على تحويل مشكلات الأعمال المعقدة إلى نماذج رياضية وبرمجية جاهزة للإنتاج، بدءاً من استكشاف البيانات وتصميم التجارب (A/B Testing)، مروراً ببناء النماذج وتدريبها، وصولاً إلى نشرها كخدمات (APIs) موثوقة وقابلة للتوسع باستخدام ممارسات MLOps، وذلك لتعزيز الكفاءة التشغيلية ودعم اتخاذ القرار الاستراتيجي . المهام والمسؤوليات: النمذجة الإحصائية وتطوير نماذج الذكاء الاصطناعي: اختيار وتطبيق أحدث التقنيات الإحصائية وخوارزميات تعلم الآلة المناسبة (للتصنيف، الانحدار، التجميع، التنبؤ الزمني . تطوير نماذج متخصصة تصميم وتنفيذ نماذج معالجة اللغة الطبيعية (NLP) لاستخراج المعلومات من النصوص، ونماذج الرؤية الحاسوبية (CV) تطوير نماذج اللغة الكبيرة (LLMs): ضبط (Fine-tuning) نماذج اللغة الكبيرة للمهام البنكية المحددة (كتلخيص المستندات، وتصنيف الاستفسارات، وفحص الامتثال). بناء أنظمة التوليد المعزز بالاسترجاع (RAG) لربط النماذج بقواعد المعرفة الداخلية للبنك، وضمان دقة المعلومات وسياقيتها. تطوير وتجربة فرضيات وإجراء تصميمات تجريبية منهجية (مثل اختبارات (A/B) لقياس الأثر والتحقق من صحة النماذج. النشر وإدارة دورة حياة النماذج (MLOps): تطوير واجهات برمجية (APIs) قابلة للتوسع لتقديم خدمات الذكاء الاصطناعي. التعاون مع فرق هندسة البرمجيات والبنية التحتية لنشر النماذج في بيئات إنتاج آمنة وموثوقة. تصميم وتنفيذ خطوط أنابيب أوتوماتيكية للتدريب والنشر والمراقبة (CI/CD for AI) باستخدام أفضل ممارسات MLOps. مراقبة أداء النماذج واستقرارها في البيئة الإنتاجية وضمان إعادة تدريبها عند الحاجة. التقييم والتواصل وتقديم الرؤى: تقييم أداء النماذج باستخدام منهجيات قوية (كالتقاطع المتقابل - Cross-validation، مصفوفة الارتباك - Confusion Matrix، F1-score، ROC-AUC). تحليل وربط نتائج النماذج بالأهداف وتحويلها إلى توصيات عملية قابلة للتنفيذ. تصميم وتطوير لوحات تحكم وتقارير واضحة لعرض النتائج والرؤى قياس وتتبع الأثر التشغيلي والمالي للتوصيات المطبقة. تحديد حالات الاستخدام والفرص العمل مع الفريق وأصحاب المصلحة لفهم التحديات وتحديد حالات الاستخدام ذات القيمة العالية. اقتراح حلول تعتمد على الذكاء الاصطناعي واتمته الاعمال لتعزيز الأداء وخلق ميزات تنافسية. تحديد الفرص عالية القيمة لتطبيق الذكاء الاصطناعي والتحليلات المتقدمة. النمذجة الإحصائية وتعلم الآلة: اختيار وتطبيق أحدث التقنيات الإحصائية وخوارزميات التعلم الآلي (التصنيف، الانحدار، التجميع، التنبؤ الزمني) لبناء نماذج قوية. تصميم وتنفيذ تجارب منهجية (مثل اختبارات A/B) لقياس أثر التغييرات والتحقق من صحة النماذج هندسة البرومبت (Prompt Engineering) وتحسين النماذج تطوير برومبتات فعّالة تعزز دقة النموذج وتقلل الأخطاء. اختيار النماذج المناسبة وضبط معاملات التدريب (Hyperparameters). تصميم سلاسل برومبت (Prompt Chains) أو وكلاء (Agents) عند الحاجة. إدارة البيانات وهندستها: تحديد وجمع البيانات اللازمة من مصادر داخلية وخارجية متنوعة، مع التركيز على جودتها وملاءمتها. تنفيذ عمليات تنظيف البيانات ومعالجة القيم المفقودة والبيانات الشاذة (Data Cleaning & Preprocessing). تصميم وتطوير خطوط أنابيب (Pipelines) متقدمة لاستخراج وتحويل البيانات (ETL) وهندسة الخصائص (Feature Engineering) من البيانات المهيكلة (كالمعاملات) وغير المهيكلة (كنصوص المستندات والمحادثات). الدعم الداخلي وتطوير منظومة الذكاء الاصطناعي في البنك التعاون مع فرق البيانات والبنية التحتية لضمان جاهزية البيانات للنماذج. تدريب الفرق غير التقنية على استخدام حلول الذكاء الاصطناعي. تنفيذ أي مهام أخرى ذات صلة لدعم مبادرات البيانات والذكاء الاصطناعي والتحول الرقمي في البنك. المؤهلات الأكاديمية: درجة البكالوريوس في علوم الحاسوب، هندسة الحاسوب، هندسة البرمجيات، أو أي تخصص ذي صلة. المهارات والخبرات التقنية خبرة عملية لا تقل عن سنتين في مجال علوم البيانات/هندسة الذكاء الاصطناعي/تعلم الآلة، مع مشاريع عملية قابلة للتقديم خبرة لا تقل عن سنة واحدة في تطوير تطبيقات متعددة النماذج (Multi-Modal) باستخدام نماذج اللغة الكبيرة (LLMs)، بما في ذلك التعامل مع التضمينات (Embeddings) وأطر RAG. يُفضل وجود خبرة في ممارسات وأدوات MLOps الخاصة بمراقبة وتحسين ونشر (Deploy) حلول الذكاء الاصطناعي إتقان كتابة شيفرات برمجية جاهزة للإنتاج (Production-Grade) باستخدام Python أو TypeScript، مع خبرة في مكتبات الذكاء الاصطناعي وتعلم الآلة. فهم عميق للتقنيات الإحصائية وخوارزميات تعلم الآلة (كالانحدار الخطي واللوجستي، وأشجار القرار،والتعلم معرفة أو خبرة بأطر التعلم العميق مثل TensorFlow أو PyTorch أو Keras معرفة بأطر عمل نماذج اللغة الكبيرة مثل LangChain و LlamaIndex أو ما يماثلهما. خبرة في ممارسات وأدوات MLOps (مثل MLflow, Kubeflow, Kubernetes, Docker)لنشر ومراقبة النماذج إلمام بأساسيات تخصصات الذكاء الاصطناعي مثل رؤية الحاسوب (CV) و معالجة اللغة الطبيعية (NLP) و التعلم العميق (DL).