شرح موقعیت
ما به دنبال یک AI / Machine Learning Engineer هستیم که بتواند مسائل و نیازهای کسبوکار را به راهحلهای عملی مبتنی بر هوش مصنوعی و یادگیری ماشین تبدیل کند. بخش عمدهی فعالیت ما در حوزهی NLP، مدلهای Transformer، Embedding، Semantic Search، Ranking و Classification است. در این موقعیت انتظار داریم فرد بتواند از مرحلهی تعریف مسئله و آمادهسازی داده تا طراحی، آموزش، ارزیابی و انتخاب مدل مناسب را پیش ببرد. مهارتهای ضروری مزیت محسوب میشود چه فردی برای این موقعیت مناسب است؟ فرد مناسب این موقعیت فقط کسی نیست که بتواند یک مدل آماده را Fine-tune کند. انتظار داریم وقتی با یک مسئلهی جدید مواجه میشود، بتواند مشخص کند: هدف این نقش پیدا کردن بهترین راهحل ML برای یک مسئلهی واقعی، نه صرفاً استفاده از جدیدترین مدلها است.
مسئولیتها
- تبدیل نیازهای کسبوکار به مسئلهی مناسب Machine Learning
- طراحی و اجرای experiment برای مقایسهی مدلها و رویکردهای مختلف
- جمعآوری، پاکسازی، تحلیل و آمادهسازی dataset
- انتخاب معماری، مدل و الگوریتم مناسب برای هر مسئله
- آموزش و Fine-tune کردن مدلهای Machine Learning و Deep Learnin
- طراحی معیارهای ارزیابی و تحلیل دقیق نتایج مدل
- کار با مدلهای Transformer در مسائل NLP
- طراحی و توسعهی سیستمهای Embedding، Semantic Search، Retrieval و Ranking
- بررسی trade-off میان کیفیت مدل، سرعت، هزینه و پیچیدگی
- همکاری با تیمهای محصول و فنی برای تبدیل مدلهای آزمایشی به قابلیتهای قابل استفاده در محصول
- تسلط به Python
- تسلط عملی به PyTorch
- آشنایی خوب با Hugging Face / Transformers
- درک مناسب از معماری Transformer و مفاهیمی مانند Attention، Tokenization و Embedding
- تجربهی آموزش، Fine-tuning و ارزیابی مدلهای Machine Learning
- توانایی کار با datasetها، preprocessing، sampling و data pipeline
- آشنایی خوب با معیارهای ارزیابی و طراحی experiment
- درک مناسب از الگوریتمهای کلاسیک Machine Learning مانند:
- Linear / Logistic Regression
- Tree-based Models
- Gradient Boosting
- Clustering
- Dimensionality Reduction
- درک مناسب از معماریهای رایج Deep Learning و اینکه هرکدام در چه مسئلهای کاربرد دارند
- تجربه با Embedding، Semantic Search، Similarity Search و Retrieval
- توانایی تحلیل مسئله و انتخاب بین روشهای کلاسیک ML، Deep Learning، Transformer یا راهحلهای سادهتر
- آشنایی با Git و اصول مهندسی نرمافزار
- تجربه با Qdrant، FAISS، Elasticsearch/OpenSearch یا سایر Vector Databaseها
- تجربه با Reranker، Cross-Encoder و Bi-Encoder
- تجربه با RAG و LLMها
- دانش و تجربه در زمینهی Agentic Systems و AI Agents
- آشنایی با LoRA، QLoRA، PEFT و Quantization
- تجربه با مدلهای Multimodal
- آشنایی با Docker، Linux و deployment مدلها
- تجربهی کار با دادههای واقعی و noisy در مقیاس بالا
- سابقهی مطالعه یا پیادهسازی مقالات Machine Learning
- مسئله را چگونه باید فرموله کرد
- چه دادهای برای آن نیاز است
- چه baselineای باید ساخت
- چه الگوریتم یا معماریای مناسبتر است
- چطور باید مدل را ارزیابی کرد
- و آیا اصلاً استفاده از یک مدل پیچیده ارزشش را دارد یا نه
نیازمندیها
- Python
- Pytorch