Forward Deployed Engineer - Data Management بدوام كامل في الأردن

وصف الوظيفة

تسعى شركة Systems Limited لتوظيف مهندس نشر ميداني - إدارة البيانات (Forward Deployed Engineer - Data Management) في الأردن، بهدف جعل بيانات ومعارف المؤسسة قابلة للاستخدام بواسطة الذكاء الاصطناعي، من خلال بناء منتجات بيانات جاهزة للذكاء الاصطناعي، ورسوم بيانية للمعرفة، وبنية تحتية للاسترجاع تعتمد عليها الأقسام والفرق المختلفة داخل الشركة.

المهام والمسؤوليات

• بناء أنابيب بيانات ومنتجات بيانات جاهزة للذكاء الاصطناعي يمكن للأقسام الأخرى استهلاكها مباشرة
• تصميم وبناء الرسوم البيانية للمعرفة (Knowledge Graphs) والطبقات الدلالية (Semantic Layers) لتنظيم معارف المؤسسة لاستخدامها في الذكاء الاصطناعي
• إدارة وتملك البنية التحتية للمتجهات والاسترجاع (Embeddings, Indexes, Hybrid Search) المشتركة بين ممارسات الذكاء الاصطناعي التوليدي (GenAI) وتعلم الآلة (ML)
• إجراء تقييمات ومعالجات لجودة البيانات المخصصة لاستهلاك الذكاء الاصطناعي وتعلم الآلة (AI/ML)، وعدم الاقتصار على ذكاء الأعمال (BI)
• قيادة هندسة المعرفة بما يشمل التصنيف (Taxonomy) والأنطولوجيا (Ontology) وأنابيب استيعاب البيانات لمصادر معارف المؤسسة
• الشراكة مع مهندسي الذكاء الاصطناعي التوليدي، وعلماء البيانات، ومهندسي معمارية الذكاء الاصطناعي لتقديم بيانات ومعارف منقاة كأصول قابلة لإعادة الاستخدام
• توضيح الفروق بين جودة البيانات المخصصة لذكاء الأعمال (BI-grade) والجودة المخصصة للذكاء الاصطناعي (AI-grade) لأصحاب المصلحة غير التقنيين
• العمل كمرجع تقني رئيسي مشترك لعدة أقسام وإدارة الطلبات المتنافسة بينها
• توثيق أصول البيانات والمعرفة بوضوح كافٍ يتيح للفرق الأخرى إعادة استخدامها ذاتياً

المتطلبات

• خبرة من 5 إلى 10 سنوات فأكثر في هندسة البيانات، مع خبرة لا تقل عن سنتين في بناء منتجات بيانات مخصصة للذكاء الاصطناعي تحديداً
• خبرة قوية في تقنيات الرسوم البيانية للمعرفة مثل (Neo4j, RDF/SPARQL) أو ما يماثلها، والنمذجة الدلالية والأنطولوجية (Semantic/Ontology Modeling)
• خبرة في البنية التحتية للمتجهات والاسترجاع مثل (Embeddings, ANN Indexes, Hybrid Search)
• خبرة متينة في هندسة أنابيب البيانات باستخدام أدوات مثل (Spark, dbt, Airflow) أو ما يماثلها، وأطر عمل جودة البيانات
• الإلمام بأدوات حوكمة بيانات المؤسسات وتتبع مسار البيانات (Data Lineage)

المهارات المطلوبة

• القدرة على شرح الفرق بين جودة البيانات المخصصة لذكاء الأعمال والجودة المخصصة للذكاء الاصطناعي لغير التقنيين
• التعاون الوثيق مع مهندسي الذكاء الاصطناعي التوليدي وعلماء البيانات ومهندسي معمارية الذكاء الاصطناعي
• ترتيب أولويات الطلبات المتنافسة من مختلف الفرق بشفافية وعدالة
• التوثيق الدقيق الذي يتيح للفرق الأخرى الاعتماد على النفس دون الحاجة للتوجيه المستمر

معلومات إضافية

• مؤشر نجاح: معدل إعادة استخدام أصول البيانات والمعرفة عبر مختلف الأقسام
• مؤشر نجاح: خفض حوادث جودة البيانات التي تؤثر على أنظمة الذكاء الاصطناعي (الهدف: صفر حوادث)
• مؤشر نجاح: تقليل الوقت المستغرق لتحويل البيانات الخام إلى أصول جاهزة للذكاء الاصطناعي

التعليقات

لا توجد تعليقات منشورة حتى الآن.