مهندس عمليات التعلم الآلي الأقدم
ملخص الوظيفة
هذه الوظيفة تتطلب مهندس عمليات التعلم الآلي أقدم لتصميم وتطوير البنية التحتية للتعلم الآلي على منصة AWS، مع التركيز على بناء منصات التعلم الآلي، وتطوير أنابيب البيانات، وتنفيذ خطوط أنابيب CI/CD، وتوزيع النماذج، ومراقبة الإنتاج. يجب أن يكون المرشح حاصل على درجة البكالوريوس أو الماجستير في علوم الحاسوب أو مجال ذي صلة، مع 7 سنوات من الخبرة المهنية في هندسة التعلم الآلي أو أدوار DevOps أو هندسة السحابة أو عمليات التعلم الآلي.
وصف الوظيفة
عن برنامج Brightly Software
برنامج Brightly Software هو قائد في إدارة الأصول الذكية وتحسين العمليات، ويعزز المنظمات بالرؤى القائمة على البيانات. مع توسعنا في قدراتنا في مجال الذكاء الاصطناعي والتعلم الآلي، نحن نبحث عن مهندس عمليات التعلم الآلي الأقدم لبناء وتوسيع البنية التحتية التي تعمل على حلولنا الجديدة من الجيل التالي للتنبؤ والتشغيل الآلي.
موجز الوظيفة
كمهندس عمليات التعلم الآلي الأقدم، ستقوم بتصميم وتطوير وتشغيل البنية التحتية للتعلم الآلي من النهاية إلى النهاية على منصة AWS. ستعمل على تقاطع هندسة التعلم الآلي والبنية التحتية السحابية وإنتاجية المطورين - مما يتيح لفريق علوم البيانات في Brightly الانتقال بسلاسة من التجربة إلى أنظمة الإنتاج الموثوقة والأمنة والكفءة من حيث التكلفة.
المسؤوليات الرئيسية
منصة التعلم الآلي والبنية التحتية (مُركّز على AWS)
- تصميم وبناء وتشغيل منصات تطوير التعلم الآلي/الذكاء الاصطناعي على AWS، مع استخدام خدمات مثل Amazon SageMaker (الاستوديو، التدريب، الاستدلال في الوقت الفعلي والاستدلال غير المتزامن، خطوط الأنابيب، مخزن الميزات)، S3، Glue، Lambda، ECS/EKS، والبنية التحتية السحابية ذات الصلة.
- تنفيذ البنية التحتية كICODE باستخدام Terraform أو ما يعادلها، وإدارة تنسيق سير العمل باستخدام AWS Step Functions أو Airflow.
أنابيب البيانات والنموذج
بناء أنابيب استيعاب البيانات والتحويل الآلي باستخدام S3، Glue، EMR/Spark، وRedshift، مع دمج أدوات جودة البيانات وخطوط النسب (مثل Great Expectations، Deequ).
CI/CD للتعلم الآلي
تطوير خطوط أنابيب CI/CD للتعلم الآلي مع CodeBuild، CodePipeline، أو GitHub Actions، مع دمج اختبارات الوحدة، وفحوصات عقد البيانات، وتحقق النموذج، و استراتيجيات التراجع الآلي.
توزيع النموذج والتشغيل
توزيع نقاط الاستدلال في الوقت الفعلي (نقاط نهاية SageMaker أو خدمات FastAPI على Lambda/ECS/EKS) ووظائف المعالجة الدفعية القابلة للتوسيع.
مراقبة والرصد والحوكمة
تنفيذ مراقبة الإنتاج للانحراف والتحيز والأداء باستخدام SageMaker Model Monitor وأدوات تелеметري الخدمة مثل CloudWatch، Prometheus، وGrafana.
التعاون الوظيفي المتقاطع
الشراكة الوثيقة مع علماء البيانات، ومهندسي التعلم الآلي، ومهندسي الخلفية لتطوير نموذج التعلم الآلي وتبسيط سير العمل التطويرية.
المتطلبات المعرفية
- ◆CS-AI(٩٠%)
- ◆CS-SE(٨٠%)
- ◆DS-ML(٨٥%)