مهندس تعلم الآلة

الأدوار والمسؤوليات

بصفتك مهندس تعلُّم آلي، ستشارك في مشاريع مثيرة تغطي دورة حياة علم البيانات من البداية إلى النهاية - من تنظيف البيانات الخام واستكشافها باستخدام أنظمة أساسية وأخرى تابعة لجهات خارجية، من خلال التصور المتقدم للبيانات وتطوير تعلُّم آلي. ستعمل في بيئة مستودعات بيانات حديثة قائمة على السحابة تستضيف نماذج تعلُّم آلي جنبًا إلى جنب مع فريق من زملاء العمل المتنوعين والمكثفين والمثيرين للاهتمام. ستتواصل مع الأقسام الأخرى - مثل المنتجات والتكنولوجيا، والقطاعات التجارية الأساسية، والثقة والسلامة، والتمويل وغيرها - لتمكينهم من النجاح.

في هذا الدور، ستقوم بما يلي:

العمل على مشاكل الانحدار والتصنيف على البيانات الجدولية والنصية والصورية
العمل على التنبؤ واكتشاف الشذوذ وتحليل السلاسل الزمنية
بناء محركات التوصية
العمل على التطبيقات القائمة على GPT باستخدام نماذج المخزون لحالات استخدام الأعمال المختلفة
استعلام مجموعات البيانات الكبيرة في AWS Redshift لاستخراج البيانات اللازمة التي ستغذي نماذج التعلم الآلي
إجراء استكشاف البيانات للعثور على أنماط في البيانات وفهم حالة وجودة البيانات المتاحة
استخدام كود Python لتحليل البيانات وبناء نماذج إحصائية لحل مشاكل الأعمال المحددة
تقييم نماذج التعلم الآلي وضبط معلمات النموذج مع مراعاة المشكلة التجارية الكامنة وراءها
التعاون مع الأقران الكبار لنشر نماذج التعلم الآلي في الإنتاج التي تعمل كخدمات بيانات مستقلة
بناء أدوات إعداد التقارير التي تواجه العملاء لتوفير رؤى ومقاييس تتبع أداء النظام
المشاركة في جدول استقرار المكالمات خارج ساعات العمل لدعم نماذج التعلم الآلي الحية
امتلاك منتج تعلم آلي واحد على الأقل في الإنتاج

المتطلبات

درجة الماجستير في الذكاء الاصطناعي والإحصاء والرياضيات بحوث العمليات، الهندسة، علوم الكمبيوتر، أو مجال كمي ذي صلة
خبرة عملية لا تقل عن عامين في التعلم الآلي
الخبرة في AWS تعتبر ميزة إضافية
المعرفة بالنمذجة الإحصائية والرياضيات
المعرفة المتوسطة بمجموعة أدوات التعلم الآلي في Python: Pandas وMatplotlib وSklearn وTensorflow
المعرفة المتوسطة بخوارزميات التعلم الآلي مثل الانحدار الخطي والأشجار المعززة بالتدرج والشبكات العصبية
المعرفة الأساسية بلغة SQL وأدوات التصور مثل Periscope مع الخبرة في التعامل مع مجموعات البيانات الكبيرة
المعرفة الأساسية بالتحليل الإحصائي واختبار A/B
اتصالات شفهية وكتابية ممتازة
مهارات قوية في حل المشكلات
التفكير التحليلي؛ التفكير المفاهيمي؛ التركيز على التفاصيل؛ الفطنة التجارية
روح المبادرة والقدرة على التفكير الإبداعي؛ الدافعية العالية والدافع الذاتي؛ الفضول القوي والسعي إلى التعلم المستمر

الملف الشخصي المرغوب للمرشح

. تطوير نماذج التعلم الآلي وتنفيذها
تطوير النموذج: تصميم وتنفيذ نماذج التعلم الآلي لمعالجة مشاكل الأعمال المحددة (على سبيل المثال، التصنيف، والانحدار، والتجميع).
اختيار الخوارزمية: اختيار الخوارزميات المناسبة بناءً على متطلبات المشكلة، مثل التعلم الخاضع للإشراف أو غير الخاضع للإشراف أو التعلم التعزيزي.
تدريب النموذج وتقييمه: تدريب النماذج على مجموعات بيانات كبيرة وتقييم أدائها باستخدام مقاييس مثل الدقة، والدقة، والتذكير، ودرجة F1، أو المساحة تحت المنحنى (حسب المهمة).
تحسين النموذج: ضبط المعلمات الفائقة، وتعديل الخوارزميات، والتجربة باستخدام هياكل معمارية مختلفة لتحسين أداء النموذج.
2. معالجة البيانات وهندسة الميزات
تنظيف البيانات: معالجة البيانات الخام مسبقًا، والتعامل مع القيم المفقودة، والقيم المتطرفة، والتأكد من أن البيانات نظيفة ومناسبة للتعلم الآلي.
هندسة الميزات: استخراج الميزات ذات الصلة من البيانات الخام، وتحويلها إلى تنسيق مناسب للنمذجة (على سبيل المثال، التدرج، والترميز، وتقليل الأبعاد).
تكامل البيانات: الجمع بين البيانات من مصادر مختلفة وضمان تدفق البيانات بشكل صحيح إلى خط أنابيب التعلم الآلي.
3. نشر النموذج وتكامله
نشر النماذج: العمل مع مهندسي البرمجيات لنشر نماذج التعلم الآلي في بيئات الإنتاج.
تطوير واجهة برمجة التطبيقات: تطوير واجهات برمجة التطبيقات لدمج نماذج التعلم الآلي في أنظمة أو تطبيقات أكبر للاستدلال في الوقت الفعلي أو الدفعات.
قابلية التوسع: التأكد من أن نماذج التعلم الآلي يمكنها التعامل مع البيانات واسعة النطاق ويمكن استخدامها بكفاءة في بيئات الإنتاج (على سبيل المثال، باستخدام الحوسبة الموزعة أو الخدمات السحابية مثل AWS أو GCP أو Azure).

المراقبة والصيانة: مراقبة أداء النموذج بشكل مستمر في الإنتاج، واكتشاف مشكلات مثل انحراف البيانات أو تدهور النموذج، وإعادة تدريب النماذج عند الضرورة.
4. التعاون مع فرق متعددة الوظائف
العمل مع علماء البيانات: التعاون مع علماء البيانات لفهم المشكلة، واختيار الخوارزميات الصحيحة، وتطوير نماذج تجريبية.
العمل مع مهندسي البرمجيات: العمل مع مهندسي البرمجيات لدمج نماذج التعلم الآلي في منتجات أو خدمات البرمجيات.
أصحاب المصلحة في الأعمال: ترجمة متطلبات الأعمال إلى حلول تقنية وتوصيل النتائج إلى أصحاب المصلحة غير التقنيين.