مرحبًا بكم في وارنر بروس. ديسكفري... الأشياء التي تصنع الأحلام.

من نحن...

عندما نقول "الأشياء التي تصنع الأحلام"، لا نشير فقط إلى عالم السحرة والتنانين والأبطال الخارقين، أو حتى إلى عجائب كوكب الأرض. وراء محفظة و.ب.د. الواسعة من المحتوى الأيقوني والعلامات التجارية المحبوبة، يوجد رواة القصص الذين يجلبون شخصياتنا إلى الحياة، والمبدعون الذين يقدمونها إلى غرف معيشتكم والحالمون الذين يخلقون ما هو قادم...

من المبدعين اللامعين إلى رواد التكنولوجيا، تقدم و.ب.د. فرصًا مهنية تحدد المسار، ومزايا مدروسة، والأدوات لاستكشاف وتنمية أفضل ما لديك. هنا، أنت مدعوم، هنا، أنت مُحتفى بك، هنا يمكنك الازدهار.

مهندس تعلم آلي أول (فريق البيانات والجمهور)، حيدر أباد

عن وارنر بروس. ديسكفري

وارنر بروس. ديسكفري، شركة إعلامية وترفيهية عالمية رائدة، تقدم للجمهور أكثر محفظة محتوى متميزة وكاملة من العلامات التجارية والسلاسل عبر التلفزيون، السينما، البث المباشر والألعاب. تجمع الشركة الجديدة بين أصول وارنر ميديا الترفيهية المتميزة والرياضة والأخبار مع الأعمال الترفيهية والرياضية غير الخيالية والدولية الرائدة من ديسكفري.

للمزيد من المعلومات، يرجى زيارة www.wbd.com.

تعرف على فريقنا

وارنر بروس. ديسكفري (و.ب.د.) هي موطن لأكثر العلامات التجارية الترفيهية والأخبار والرياضة شهرة في العالم - HBO Max وCNN وDiscovery+ وDC وWarner Bros. وBleacher Report وFood Network وغيرها الكثير. ضمن منظمة البيانات والجمهور (DAP)، يقوم فريق هندسة التعلم الآلي لدينا في حيدر أباد ببناء الذكاء الأساسي للذكاء الاصطناعي/التعلم الآلي الذي يدعم الهوية والجمهور والإعلانات والتخصيص عبر كل علامة تجارية من و.ب.د. نحن نحول الإشارات من الطرف الأول من مئات الملايين من المشاهدين إلى أنظمة تعلم آلي إنتاجية توسع الجمهور القابل للاستهداف، وتحسن الاستهداف والقياس، وتتنبأ بالطلب، وتخصص اكتشاف المحتوى - مما يؤدي مباشرة إلى زيادة العائدات الإعلانية وكفاءة التسويق والمشاركة والاحتفاظ.

في و.ب.د، يقوم مهندسو التعلم الآلي بإجراء علوم البيانات الدقيقة ويمتلكون الهندسة التي تجعل النماذج حية: خطوط بيانات تعلم آلي إنتاجية، تدريب النماذج وتحسينها، والبنية التحتية للتعلم الآلي - مخازن الميزات، خطوط التدريب والخدمة، وMLOps - التي تجعل عملنا موثوقًا وقابلًا للتكرار وقابلًا للتوسع. نبني أساسًا على Databricks، مع معرفة قوية بـ Snowflake وAWS، ونحن متبنون مبكرون ومتحمسون لأساليب تطوير الذكاء الاصطناعي النشط.

عن الدور

كـ مهندس تعلم آلي أول، ستتولى تصميم وتقديم أنظمة تعلم آلي إنتاجية تؤثر مباشرة على استهداف الجمهور، والإيرادات الإعلانية، ومشاركة المشتركين، والاحتفاظ عبر محفظة و.ب.د العالمية. ستقود التنفيذ الفني في مجالات العمل الرئيسية - بما في ذلك حل الهوية الاحتمالية، نمذجة الشبيه، الألفة ذات العنوان الواحد، والتنبؤ - بينما تقوم بتوجيه مهندسي التعلم الآلي من المستوى الثاني وتتعاون عن كثب مع مهندسي التعلم الآلي من المستوى الأعلى وأصحاب المصلحة في المنتج. هذا دور عالي الملكية للمهندسين الذين لديهم خبرة تتراوح بين 5-8 سنوات والذين يمكنهم قيادة مشروع بشكل مستقل من صياغة المشكلة إلى نشر الإنتاج والمراقبة.

ما ستقوم به

تصميم نظام تعلم آلي وملكيته

• قيادة تطوير أنظمة تعلم آلي إنتاجية من البداية إلى النهاية: مصادر البيانات، هندسة الميزات، تدريب النماذج، التقييم، النشر، والمراقبة.

  
  
  

• امتلاك منتجات تعلم آلي رئيسية مثل حل الهوية الاحتمالية (مطابقة معرفات الأجهزة غير الموثقة وملفات تعريف الارتباط من الطرف الأول للأسر/الأشخاص بثقة محسوبة)، الألفة ذات العنوان الواحد (مثل استرجاع البرجين STAT)، ونماذج الجمهور/الاحتمالية.

  
  
  

• تصميم خطوط ميزات قابلة للتوسع على Databricks (PySpark، Delta، Workflows/DLT، Unity Catalog) ومخزن الميزات في و.ب.د، مع عقود ميزات موثقة، ومسارات إعادة التعبئة، وSLAs للانتعاش.

  
  
  

• تصميم خطوط استدلال دفعة وقريبة من الوقت الحقيقي متكاملة مع Snowflake وأنظمة التفعيل (Mosaic، FreeWheel، GAM).

  
  
  

النمذجة والتجريب

• تطوير وتحسين النماذج عبر طيف التعلم الآلي: تعزيز التدرج (XGBoost/LightGBM)، استرجاع البرجين، التصنيف العصبي، ضبط الاحتمالية (مثل الانحدار المتساوي)، والمطابقة الاحتمالية/المبنية على الرسوم البيانية.

  
  
  

• تصميم تجارب دقيقة عبر الإنترنت وخارجها؛ تحديد أطر التقييم (الدقة/الاسترجاع، AUC-ROC، NDCG، زيادة العشر، منحنيات الضبط) المناسبة لكل حالة استخدام.

  
  
  

• تطبيق تقنيات الاستدلال السببي (تسجيل الاحتمالية، نمذجة الزيادة/الزيادة) لقياس الزيادة الحقيقية لاستهداف الجمهور على مؤشرات المشاركة والاحتفاظ.

  
  
  

• المساهمة في نمذجة الشبيه (LAL 2.0+) باستخدام أكثر من 1000 ميزة من الطرف الأول والثالث، بما في ذلك الإنشاءات الآمنة للخصوصية داخل غرف تنظيف البيانات (Snowflake DCR).

  
  
  

MLOps والبنية التحتية

• الدفاع عن أفضل ممارسات MLOps: إصدار النماذج، ترقية البطل/المتحدي، مشغلات إعادة التدريب الآلي، اكتشاف الانجراف، والمراقبة الإنتاجية باستخدام MLflow على Databricks.

  
  
  

• بناء وصيانة خطوط بيانات تعلم آلي قوية، قابلة للتكرار، وقابلة للتدقيق على Databricks (وAWS SageMaker حيثما كان ذلك مناسبًا، مثل مسار حل الهوية)؛ فرض منع التسرب وتناسق التدريب/الخدمة.

  
  
  

• المساهمة في استراتيجية مخزن الميزات للفريق - عقود الميزات، إعادة التعبئة، وSLAs للانتعاش - وتنفيذ فحوصات جودة البيانات، لوحات معلومات صحة النموذج، وحدود التنبيه.

  
  
  

• دمج انضباط تكاليف FinOps (حدود الحوسبة، الإنهاء التلقائي، ووسم الوظائف) في تصميم خطوط البيانات.

  
  
  

الذكاء الاصطناعي النشط والتطوير الحديث

• استخدام والدفاع عن تطوير مدعوم بالذكاء الاصطناعي: Cursor، GitHub Copilot، وAmazon Q لتوليد التعليمات البرمجية، والمراجعة، والتوثيق.

  
  
  

• استغلال Databricks Genie كطبقة تحليلات طبيعية خاضعة للرقابة - تكوين Genie Spaces فوق جداول ميزات التعلم الآلي ومجموعات بيانات الجمهور لتمكين الاستكشاف الذاتي لأصحاب المصلحة عبر الوظائف.

  
  
  

• استخدام Snowflake Cortex (Copilot، Cortex Analyst، Cortex Search) لتسريع تأليف SQL، واكتشاف البيانات، وأدوات داخلية قائمة على RAG على بيانات الهوية والجمهور المقيمة في Snowflake.

  
  
  

• تجريب تدفقات عمل التعلم الآلي النشطة (مثل مع أدوات متوافقة مع MCP، LangChain/LangGraph) لأتمتة المهام المتكررة مثل التحقق من البيانات، واختيار الميزات، والبحث عن معلمات الضبط؛ تقييم الأساليب المعتمدة على LLM لإثراء البيانات الوصفية وفهم المحتوى.

  
  
  

الإرشاد والتعاون عبر الوظائف

• إرشاد مهندسي التعلم الآلي من المستوى الثاني من خلال مراجعات التعليمات البرمجية، ومناقشات التصميم، والتعاون؛ المساهمة في المعايير الفنية للفريق.

  
  
  

• الشراكة مع المنتج، والتسويق، ومبيعات الإعلانات لترجمة متطلبات الأعمال إلى صيغ مشكلات التعلم الآلي، ومع هندسة البيانات بشأن عقود البيانات وSLAs لخطوط البيانات.

  
  
  

• التواصل بوضوح حول أداء النموذج، والمقايضات، وتأثير الأعمال مع أصحاب المصلحة الفنيين وغير الفنيين.

  
  
  

المشاريع الرائدة التي ستعمل عليها

• الذكاء الهووي - الهوية الأساسية الآمنة للخصوصية عبر جميع علامات و.ب.د: حل الهوية الاحتمالية الذي يحل الإشارات غير الموثقة للأسر/الأشخاص بثقة محسوبة (حل الكيانات مع تعزيز التدرج والتمثيل التعلمي، وضبط متساوي، وحظر المرشحين، وخطوط البطل/المتحدي)، مما يوسع الجمهور القابل للاستهداف إلى ما هو أبعد من المطابقة الحتمية.

  
  
  

• الذكاء الجماهيري - حالات الاستخدام الإعلانية والتسويقية: الجماهير الشبيهة والتنبؤية (LAL عبر أكثر من 1000 ميزة)، الجماهير الذكية المدفوعة بالتعلم الآلي، الاسترجاع الطبقي + الاحتمالية، وتحسين الزيادة/الدورة المغلقة، مع تفعيل آمن للخصوصية بما في ذلك غرف تنظيف البيانات.

  
  
  

• التنبؤ القائم على التعلم الآلي - نمو الجمهور، والطلب، وتنبؤ العائدات/التسعير الإعلاني الذي يدعم قرارات مبيعات الإعلانات والتسويق.

  
  
  

• تفضيلات المحتوى والألفة - نمذجة تفضيلات الأنواع، وتفضيلات المحتوى، والألفة ذات العنوان الواحد (استرجاع البرجين مع تمثيلات محتوى دلالية) التي تصنف الجماهير للعناوين القادمة وتدعم الترويج عبر القنوات.

  
  
  

ما ستجلبه

المتطلبات

• 5-8 سنوات من الخبرة في الصناعة في هندسة التعلم الآلي أو علوم البيانات التطبيقية (3+ سنوات مع دكتوراه).

  
  
  

• خبرة عميقة في بايثون وممارسات هندسة البرمجيات عالية الجودة؛ خبرة إنتاجية في بناء ونشر التعلم الآلي على نطاق واسع (ملايين+ من المستخدمين/السجلات).

  
  
  

• إجادة قوية في Databricks (PySpark، Delta Lake، Workflows/DLT، MLflow، Unity Catalog) وتجربة قوية في SQL/Snowflake لمصادر الميزات وتسليم نتائج النماذج.

  
  
  

• خبرة في خدمات التعلم الآلي من AWS (SageMaker، S3، Lambda).

  
  
  

• فهم قوي لتقييم نماذج التعلم الآلي، واختبار A/B، والاستدلال الإحصائي؛ معرفة في واحدة أو أكثر من التوصيات والترتيب، وحل الهوية، والتمثيلات/الاسترجاع، والتعلم الآلي السببي/القابل للتفسير، والتنبؤ، واللصوص، أو التحسين.

  
  
  

• قدرة مثبتة على قيادة القرارات الفنية وإرشاد المهندسين.

  
  
  

• درجة بكاليوس أو ماجستير في علوم الحاسوب، الإحصاء، الهندسة، أو مجال كمي ذي صلة (أو خبرة معادلة).

  
  
  

• مهارات تواصل كتابية وشفوية ممتازة، مع القدرة على الدفاع عن الحلول الفنية للمهندسين، والعلماء، وأصحاب المصلحة في المنتج.

  
  
  

المفضل

• أنظمة التوصية، التخصيص، حل الهوية، أو نمذجة الجمهور في سياق الإعلام/البث المباشر/تقنية الإعلانات.

  
  
  

• إلمام ببيئات غرف تنظيف البيانات (Snowflake DCR، غرف تنظيف AWS) وتفعيل واعٍ للموافقة.

  
  
  

• خبرة في هياكل استرجاع البرجين، وحل الهوية الاحتمالية (المطابقة المبنية على الرسوم البيانية، حل الكيانات)، وضبط الاحتمالية.

  
  
  

• خبرة عملية مع أطر الذكاء الاصطناعي النشط (LangChain، LangGraph، AutoGen، MCP)، وتكوين Genie Space من Databricks، وSnowflake Cortex.

  
  
  

• خبرة في مخازن الميزات (مخزن ميزات Databricks، Tecton، Feast) والمساهمات في المصادر المفتوحة أو منشورات التعلم الآلي.

  
  
  

ما نقدمه:

• مكان رائع للعمل

  
  
  

• صاحب عمل يساوي الفرص

  
  
  

• فرص نمو سريعة

  
  
  
  
  
  
  
  
  

كيف ننجز الأمور...

هذه النقطة الأخيرة هي الأهم! هنا في و.ب.د، مبادئنا التوجيهية هي القيم الأساسية التي نعمل بها وهي مركزية لكيفية إنجاز الأمور. يمكنك العثور عليها في www.wbd.com/guiding-principles/ مع بعض الرؤى من الفريق حول ما تعنيه وكيف تظهر في يومهم. نأمل أن تت resonant معك ونتطلع إلى مناقشتها خلال المقابلة.

دعم الشمولية في و.ب.د

تحتضن وارنر بروس. ديسكفري الفرصة لبناء قوة عمل تعكس مجموعة واسعة من وجهات النظر والخلفيات والخبرات. كوننا صاحب عمل يساوي الفرص يعني أننا نأخذ على محمل الجد مسؤوليتنا في النظر في المرشحين المؤهلين بناءً على الجدارة، بغض النظر عن الجنس، أو الهوية الجنسية، أو العرق، أو العمر، أو التوجه الجنسي، أو الدين أو المعتقد، أو الحالة الاجتماعية، أو الحمل، أو الأبوة، أو الإعاقة، أو أي فئة أخرى محمية بموجب القانون.

إذا كنت مرشحًا مؤهلاً ولديك إعاقة وتحتاج إلى تعديلات أو تسهيلات خلال عملية التقديم أو التوظيف، يرجى زيارة صفحة الوصول للحصول على تعليمات لتقديم طلبك.