حول الدور

نبحث عن مهندس تعلم آلي أول لتصميم وبناء وتوسيع أنظمة ML وGenAI ذات الجودة الإنتاجية.

في هذا الدور، ستتولى دورة حياة حلول التعلم الآلي بالكامل - من صياغة المشكلة وتطوير النموذج إلى النشر والمراقبة والتحسين المستمر. ستلعب دورًا رئيسيًا في بناء تطبيقات مدعومة بـ LLM وأنظمة تعلم آلي قابلة للتوسع تدعم حالات الاستخدام التجارية الحيوية، بما في ذلك تحليلات ESG.

يتطلب هذا الدور توازنًا قويًا بين خبرة التعلم الآلي وممارسات هندسة البرمجيات وتجربة النشر في العالم الحقيقي.

المسؤوليات

التعلم الآلي والنمذجة

• تصميم وتطوير نماذج تعلم آلي للبيانات المنظمة وغير المنظمة (تصنيف، معالجة اللغة الطبيعية، السلاسل الزمنية).
• إجراء هندسة الميزات، واختيار النموذج، وضبط المعلمات.
• تقييم النماذج باستخدام مقاييس مناسبة (الدقة، الاسترجاع، F1، ROC-AUC، الكمون، التكلفة).

أنظمة GenAI وLLM

• بناء وتحسين تطبيقات قائمة على LLM باستخدام تقنيات مثل:
  • التوليد المعزز بالاسترجاع (RAG)
  • هندسة المطالبات وتحسين المطالبات
  • إدارة السياق وتقييم الاستجابة
• فهم وتخفيف التحديات مثل الهلوسات، الكمون، والتكلفة.

الإنتاج والنشر

• تطوير ونشر خدمات استنتاج ML/LLM القابلة للتوسع باستخدام بايثون (FastAPI/Flask).
• تعبئة التطبيقات باستخدام Docker والنشر على منصات السحابة (يفضل AWS).

• بناء أنابيب شاملة من إدخال البيانات → التدريب → النشر → الاستنتاج.

MLOps وموثوقية النظام

• تنفيذ أنابيب CI/CD لعمليات التعلم الآلي.
• مراقبة أداء النموذج، واكتشاف انحراف البيانات/النموذج، وتحفيز أنابيب إعادة التدريب.
• ضمان موثوقية وقابلية التوسع والرؤية لأنظمة التعلم الآلي (السجلات، المقاييس، التنبيهات).

تصميم النظام والهندسة المعمارية

• تصميم هياكل قابلة للتوسع تشمل:
  • الخدمات المصغرة
  • أنابيب مدفوعة بالحدث
  • قواعد البيانات المتجهة وأنظمة الاسترجاع
• إجراء مقايضات بين الدقة، الكمون، القابلية للتوسع، والتكلفة.

التعاون والقيادة

• التعاون مع مهندسي البيانات، ومهندسي الواجهة الخلفية، وفرق المنتجات لتحويل حلول التعلم الآلي إلى الإنتاج.
• توجيه المهندسين المبتدئين وتعزيز أفضل الممارسات في هندسة التعلم الآلي.
• المساهمة في مراجعات التصميم واتخاذ القرارات التقنية.

المؤهلات المطلوبة

• أكثر من 4 سنوات من الخبرة في أدوار التعلم الآلي / الذكاء الاصطناعي التطبيقي / هندسة التعلم الآلي.
• مهارات برمجة قوية في بايثون (تعلم آلي + تطوير الواجهة الخلفية / API).
• خبرة عملية في بناء ونشر نماذج التعلم الآلي في بيئات الإنتاج.
• فهم قوي لمفاهيم التعلم الآلي:
  • التعلم الخاضع للإشراف / غير الخاضع للإشراف
  • تقييم النموذج والتحقق منه
  • الزيادة المفرطة، مقايضات التحيز-التباين
• خبرة مع LLMs وتطبيقات GenAI (RAG، هندسة المطالبات، التقييم).
• خبرة مع قواعد البيانات SQL (PostgreSQL).
• خبرة مع REST APIs، Docker، ومنصات السحابة (يفضل AWS).
• فهم قوي لتصميم النظام والهندسة المعمارية القابلة للتوسع.
• مهارات تواصل جيدة وعقلية تركز على المنتج.

المؤهلات

• مهارات برمجة قوية في بايثون (APIs، أنابيب، خدمات).

• 5+ سنوات من الخبرة في MLOps، هندسة الواجهة الخلفية، هندسة البيانات أو الأدوار ذات الصلة.

• معرفة جيدة بمبادئ التعلم الآلي (مثل الدقة، الاسترجاع، وقت الاستنتاج، مقايضات الكمون / الإنتاجية).

• معرفة قوية بخدمات AWS (Bedrock، Lambda، EKS، S3، إلخ).

• خبرة مع أنابيب CI/CD، تعبئة الحاويات (Docker / Kubernetes).

• فهم لهياكل الخدمات المصغرة، الطوابير / الأحداث، والقابلية للتوسع.

• خبرة مع قواعد البيانات SQL (PostgreSQL).

• مهارات تواصل جيدة وعقلية تركز على المنتج.

من الجيد أن يكون لديك

• خبرة عملية في نشر وتشغيل LLMs في الإنتاج، مع الوعي بـ القيود، التقييم، وآثار التكلفة.
• خبرة في LLM + OCR + الذكاء الاصطناعي للوثائق، مكتبات تحليل PDF.

• إلمام بـ التوليد المعزز بالاسترجاع (RAG)، قواعد البيانات المتجهة.

• أدوات المراقبة / الرؤية (CloudWatch، Prometheus، Grafana).

• البنية التحتية ككود (Terraform، Cloudformation، إلخ).

• إلمام بـ LangChain / LlamaIndex.

• خبرة مع زواحف الويب أو إدخال بيانات على نطاق واسع.

Morningstar هي صاحب عمل يتيح الفرص المتساوية.

يوفر بيئة العمل الهجينة في Morningstar الفرصة للتعاون شخصيًا كل أسبوع حيث وجدنا أننا في أفضل حالاتنا عندما نكون معًا بانتظام. في معظم مواقعنا، نموذج العمل الهجين لدينا هو أربعة أيام في المكتب كل أسبوع. تتوفر مجموعة من المزايا الأخرى لتعزيز المرونة مع تغير الاحتياجات. بغض النظر عن مكانك، ستجد أدوات وموارد للتفاعل بشكل هادف مع زملائك العالميين.

I10_MstarIndiaPvtLtd Morningstar India Private Ltd. (Delhi) الكيان القانوني.

يوفر بيئة العمل الهجينة في Morningstar الفرصة للتعاون شخصيًا كل أسبوع حيث وجدنا أننا في أفضل حالاتنا عندما نكون معًا بانتظام. في معظم مواقعنا، نموذج العمل الهجين لدينا هو أربعة أيام في المكتب كل أسبوع. تتوفر مجموعة من المزايا الأخرى لتعزيز المرونة مع تغير الاحتياجات. بغض النظر عن مكانك، ستجد أدوات وموارد للتفاعل بشكل هادف مع زملائك العالميين.