محلل بيانات أول - ذكاء اصطناعي (الذكاء الاصطناعي التوليدي وأنظمة التوصية)

الوصف

نبحث عن محلل بيانات أول / مهندس تحليلات لامتلاك البيانات والتحليلات عبر عملنا في مجال الذكاء الاصطناعي التوليدي وأنظمة التوصية. إنه دور هجين: ستمتلك التقارير المركزية التي تحول البيانات إلى قرارات وتبني خطوط الأنابيب ونماذج البيانات التي تغذيها - تحديد المقاييس الصحيحة لكل منتج نشحنه بدلاً من انتظار الآخرين لإعداد بياناتك. بالنسبة لأنظمة التوصية، ستحضر فهمًا كافيًا للتعلم الآلي لهندسة الميزات الصحيحة ومقاييس التقييم، بالشراكة الوثيقة مع علماء البيانات ومهندسي التعلم الآلي وفرق المنتجات والواجهة الخلفية. المسؤوليات الرئيسية - هندسة وتطوير خطوط الأنابيب: بناء وصيانة خطوط الأنابيب القابلة للتطوير والمقاومة للأخطاء (الدفعة والتدفق) التي تخدم حالات استخدام التحليلات والتعلم الآلي. - التقارير والمقاييس المركزية: تحديد المقاييس الرئيسية لكل منتج نشحنه وبناء تقارير مركزية قوية حولها، مع إبراز الاتجاهات والرؤى المهمة. - نمذجة البيانات: تصميم وامتلاك نماذج بيانات متعددة الطبقات (من التجهيز إلى مستودعات الميزات الجاهزة) التي تظل متسقة وعالية الأداء عبر نماذج التعلم الآلي ولوحات المعلومات وواجهات برمجة التطبيقات، مع التعامل مع تغييرات المخطط بوضوح. - متجر الميزات وتدفقات بيانات التعلم الآلي: هندسة تدفقات البيانات التي تملأ وتحدث متجر ميزات التعلم الآلي (وببيانات الرسم البياني حيثما كان ذلك مناسبًا) مع توفر نماذج التوصية ذات زمن الوصول المنخفض التي تحتاجها. - التجريب واختبار A/B: بناء خطوط الأنابيب وأطر عمل المقاييس وراء اختبار A/B - مخططات التجربة، وتسجيل التعيين، وحساب المقاييس الموثوق به للحصول على نتائج سليمة إحصائيًا. - إتقان ClickHouse: امتلاك ClickHouse كخبير في المجال - تصميم المخطط، وضبط الأداء، والاستعلامات السريعة لتجميع التجارب وخدمة الميزات. - التدفق و CDC: تنفيذ التقاط البيانات المتغيرة (CDC) وتدفقات تعتمد على الأحداث (مثل Apache Kafka) للحفاظ على البيانات حديثة حيث تحتاج إليها التقارير والتوصيات. - التنسيق والأتمتة: بناء وإدارة سير العمل باستخدام أدوات التنسيق الحديثة (مثل Mage AI، Airflow، Prefect) للتسليم الموثوق به وإدارة التبعيات. - دعم واعي بالتعلم الآلي: تحديد وتفسير مقاييس التصنيف الصحيحة عبر الإنترنت وغير المتصلة بالإنترنت، وهندسة الميزات التي تحتاجها النماذج بالفعل. - التعاون متعدد الوظائف: الشراكة مع علماء البيانات ومهندسي التعلم الآلي والمنتجات والواجهة الخلفية لتحويل متطلبات البيانات إلى خطوط أنابيب إنتاج وميزات تعلم آلي قابلة للتنفيذ. - الخبرة: 4+ سنوات كمهندس بيانات/تحليلات يبني أنظمة بيانات للتحليلات والتعلم الآلي. - البرمجة: Python خبير و SQL متقدم. - ذكاء الأعمال والتصور: مهارات قوية في ذكاء الأعمال/التصور (مثل Looker، Tableau) وحدس جيد للمقاييس المهمة وكيفية عرضها. - خطوط الأنابيب والتنسيق: بناء خطوط الأنابيب يدويًا باستخدام التنسيق الحديث (Mage AI، Airflow، Prefect) - أنت تبني بياناتك الخاصة، ولا تستهلكها فقط. - مستودع البيانات / ClickHouse: خبرة إنتاج عميقة مع ClickHouse (أو BigQuery، Snowflake، أو ما شابه ذلك). - نمذجة البيانات: نمذجة متعددة الطبقات (خام، تجهيز، مستودعات) باستخدام أنماط Kimball، Data Vault، أو OBT. - التجريب واختبار A/B: فهم قوي لأطر عمل التجريب - التعيين، الاحتفاظ، خطوط أنابيب المقاييس، تقليل التباين. - التعرض للتعلم الآلي: فهم جيد لدورة حياة التعلم الآلي - كيف تستهلك النماذج البيانات، وكيف تعمل متاجر الميزات (مثل Feast، Hopsworks)، وكيفية هندسة الميزات على نطاق واسع، بالإضافة إلى معرفة كافية بمقاييس التصنيف لدعم أنظمة التوصية. يفضل أن يكون لديك: - DBT للنمذجة والتحويل. - بناء أو دمج منصات A/B (مثل Statsig، Optimizely، GrowthBook، أو مخصصة). - Apache Kafka وأدوات CDC (مثل Debezium، Maxwell). - قواعد بيانات الرسم البياني (مثل Dgraph، Neo4j، Amazon Neptune) وهيكلة البيانات لها. - JavaScript أو Go.

ما ستقوم به

• • امتلاك دورة حياة البيانات الشاملة للذكاء الاصطناعي التوليدي وأنظمة التوصية، من بناء خطوط الأنابيب القابلة للتطوير إلى تحديد مقاييس المنتج. التعاون مع الفرق متعددة الوظائف لتصميم نماذج البيانات وتنفيذ أطر عمل التجريب لاختبار A/B.

المتطلبات

يتطلب 4+ سنوات من الخبرة كمهندس بيانات أو تحليلات بمهارات Python خبير و SQL متقدم. يجب أن يكون لديك خبرة إنتاج عميقة مع ClickHouse وفهم قوي لدورة حياة التعلم الآلي وهندسة الميزات.