مرحبًا بكم في وارنر بروس. ديسكفري... الأشياء التي تُصنع منها الأحلام.

من نحن...

عندما نقول "الأشياء التي تُصنع منها الأحلام"، لا نشير فقط إلى عالم السحرة والتنانين والأبطال الخارقين، أو حتى إلى عجائب كوكب الأرض. وراء محفظة وارنر بروس. ديسكفري الواسعة من المحتوى الأيقوني والعلامات التجارية المحبوبة، يوجد رواة القصص الذين يحيون شخصياتنا، والمبدعون الذين يجلبونها إلى غرف المعيشة الخاصة بكم والحالمون الذين يخلقون ما هو قادم...

من المبدعين اللامعين، إلى رواد التكنولوجيا، تقدم وارنر بروس. ديسكفري فرصًا مهنية مميزة، ومزايا مُنسقة بعناية، والأدوات لاستكشاف ونمو أفضل ما فيكم. هنا يتم دعمكم، هنا يتم الاحتفال بكم، هنا يمكنكم الازدهار.

مهندس تعلم الآلة الرئيسي (فريق البيانات والجمهور)، حيدر أباد

عن وارنر بروس. ديسكفري

وارنر بروس. ديسكفري، شركة رائدة عالميًا في مجال الإعلام والترفيه، تقدم للجمهور أكثر محفظة محتوى متميزة وكاملة من العلامات التجارية والامتيازات عبر التلفزيون، السينما، البث والألعاب. تجمع الشركة الجديدة بين أصول وارنر ميديا الترفيهية المتميزة، والرياضة والأخبار مع الأعمال الترفيهية والرياضية غير الخيالية الرائدة من ديسكفري.

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

تعرف على فريقنا

تعد وارنر بروس. ديسكفري (WBD) موطنًا لأكثر العلامات التجارية شهرة في مجال الترفيه، الأخبار، والرياضة - HBO Max، CNN، Discovery+، DC، وارنر بروس، Bleacher Report، Food Network، والعديد غيرها. ضمن منظمة البيانات والجمهور (DAP)، يقوم فريق هندسة تعلم الآلة لدينا في حيدر أباد ببناء الذكاء الأساسي للذكاء الاصطناعي/تعلم الآلة الذي يدعم الهوية، الجمهور، الإعلان، والتخصيص عبر كل علامة تجارية من WBD. نحن نحول الإشارات من أول طرف من مئات الملايين من المشاهدين إلى أنظمة تعلم آلة إنتاجية توسع الجماهير القابلة للاستهداف، وتحدد الاستهداف والقياس، وتوقع الطلب، وتخصص اكتشاف المحتوى - مما يدفع مباشرة عائدات الإعلانات، وكفاءة التسويق، والتفاعل، والاحتفاظ.

في WBD، يقوم مهندسو تعلم الآلة بأعمال علم البيانات الدقيقة ويمتلكون الهندسة التي تحيي النماذج: خطوط بيانات تعلم الآلة الإنتاجية، تدريب النماذج وتحسينها، والبنية التحتية لتعلم الآلة - مخازن الميزات، خطوط التدريب والخدمة، وMLOps - التي تجعل عملنا موثوقًا، قابلًا للتكرار، وقابلًا للتوسع. نبني بشكل أساسي على Databricks، مع معرفة قوية بـ Snowflake و AWS، ونحن من أوائل المتبنين المتحمسين لعمليات تطوير الذكاء الاصطناعي الوكيلة.

عن الدور

يعد مهندس تعلم الآلة الرئيسي هو المساهم الفردي الأعلى في فريق هندسة تعلم الآلة في حيدر أباد. ستحدد الاتجاه الفني لأكثر أنظمة تعلم الآلة تعقيدًا وأهمية استراتيجية للفريق، وتعمل كسلطة تقنية عبر عدة مسارات عمل متزامنة، وتكون عامل مضاعف للقوة لكامل الفريق. ستتولى ملكية بنية قدرات تعلم الآلة الخاصة بـ WBD في حيدر أباد - التي تشمل الذكاء الهووي، الذكاء الجماهيري، التفضيل المحتوى، والتوقع - وستكون شريكًا تقنيًا رئيسيًا لمدير هندسة تعلم الآلة الأول ومدير المشروع. تتطلب هذه الوظيفة 8 سنوات من الخبرة، وعمق استثنائي عبر مجموعة تعلم الآلة، والقدرة على التأثير في القرارات الفنية عبر الحدود التنظيمية.

ما ستقوم به

الرؤية الفنية والهندسة

• تحديد وامتلاك البنية الفنية للأنظمة الأساسية للفريق: العمود الفقري الهووي الاحتمالي، منصة الذكاء الجماهيري، نماذج التفضيل المحتوى والنوع، والتوقع القائم على تعلم الآلة.

  
  
  

• قيادة القرارات المعمارية لإطار عمل MLOps الخاص بالفريق - تصميم مخازن الميزات، معايير خطوط التدريب، أنماط تقديم النماذج، والبنية التحتية للمراقبة - على بنية Databricks-first، مع دمج Snowflake وAWS SageMaker حيثما كان كل منهما الأداة المناسبة.

  
  
  

• تقييم وتوصية تقنيات وأساليب جديدة (مثل: النمذجة الأصلية لـ DCR، ML القائم على الرسوم البيانية، تنسيق ML الوكيل، خطوط الأنابيب المعززة بـ LLM) مع تقييمات واضحة للبناء/الشراء/الشراكة.

  
  
  

• قيادة توحيد ممارسات تعلم الآلة عبر حيدر أباد والتوافق مع معايير هندسة تعلم الآلة العالمية لـ WBD.

  
  
  

امتلاك النظام الرئيسي لتعلم الآلة

• تصميم وقيادة تسليم نظام حل الهوية الاحتمالية - حل معرفات الأجهزة غير الموثقة وملفات تعريف الارتباط 1P للأسر/الأشخاص مع ثقة محسوبة على نطاق واسع عبر جميع علامات WBD التجارية - باستخدام حل الكيانات، التعلم التمثيلي/التمثيل، المعايرة، حجب المرشحين، وترقية البطل/المنافس، مع خارطة طريق نحو الرسوم البيانية على مستوى الشخص (بما في ذلك GNNs) والحل في الوقت الحقيقي.

  
  
  

• قيادة تطور الذكاء الجماهيري: مُحسّن الترويج القائم على تعلم الآلة (استرجاع طبقي + ميل + قياس مغلق، نحو مزيج من الخبراء)، STAT v2 (تفضيل عنوان واحد ذو برجين مع تمثيلات محتوى دلالية)، نمذجة الشبيهة (LAL 2.0+) داخل Snowflake DCR، وتقسيم المحتوى.

  
  
  

• امتلاك بنية تعلم الآلة لـ التوقع (نمو الجمهور، الطلب، العائد/التسعير) وضمان أن النماذج جاهزة للإنتاج، ومراقبة، وتحسين مستمر.

  
  
  

• قيادة خارطة الطريق لجلب إشارات تخصيص تعلم الآلة (ميل/تفضيل المحتوى، اتجاهات التفاعل) إلى المسارات النشطة على دفعات، ومع مرور الوقت، المسارات النشطة في الوقت الحقيقي.

  
  
  

قيادة منصة MLOps

• تحديد بنية MLOps المستهدفة للفريق: عقود الميزات، حوكمة سجل النماذج، إعادة التدريب الآلي، اكتشاف الانجراف، وبنية التجارب A/B.

  
  
  

• تأسيس معايير هندسية لدورة حياة تعلم الآلة الكاملة: عقود البيانات → هندسة الميزات → التدريب → التقييم → النشر → المراقبة → إيقاف التشغيل.

  
  
  

• الدفاع عن بنية خفيفة، قابلة للتبني، موثقة جيدًا (حزم أصول Databricks، GitHub Actions CI/CD، MLflow في كل مكان، جداول الميزات، جداول الاستدلال/المراقبة)، مع منع التسرب، وإمكانية التكرار، وضوابط FinOps مضمنة.

  
  
  

الذكاء الاصطناعي الوكيل والقدرات الناشئة

• قيادة اعتماد الفريق لتطوير الذكاء الاصطناعي الوكيل: تحديد المعايير لاستخدام Cursor، GitHub Copilot، وAmazon Q في تدفقات عمل تعلم الآلة الإنتاجية، ولأدوات قائمة على MCP.

  
  
  

• تصميم استخدام الفريق لـ Databricks Genie على نطاق واسع - حوكمة مساحة Genie، معايير الطبقة الدلالية لـ Unity Catalog، وتنسيق مخزن المعرفة - بحيث تكون مخرجات تعلم الآلة (درجات الجمهور، ثقة الهوية، إشارات الميل) قابلة للخدمة الذاتية من قبل التسويق، مبيعات الإعلانات، والمنتج دون تدخل هندسي.

  
  
  

• امتلاك استراتيجية Snowflake Cortex للفريق - Cortex Analyst/Copilot المدمج في الأدوات الداخلية، بحث Cortex للمعرفة الداخلية المعتمدة على RAG، و(حيثما كان ذلك مفيدًا) ضبط Cortex على مفردات الجمهور/الهوية لـ WBD.

  
  
  

• تصميم تدفقات عمل تعلم الآلة الوكيلة لأتمتة ذات قيمة عالية (اختيار الميزات وعوامل الضبط، وكلاء مراقبة جودة البيانات، توليد بطاقات النماذج) وتقييم الأنماط الناشئة (التدريب الأصلي لـ DCR، تقديم الميزات في الوقت الحقيقي) لخارطة الطريق الإنتاجية.

  
  
  

التأثير التنظيمي والإرشاد

• تقديم الدعم الفني لفريق حيدر أباد؛ توفير الإرشاد المعماري والتوجيه العميق لمهندسي المستوى الأول والثاني.

  
  
  

• التعاون مع مدير هندسة تعلم الآلة الأول في تحديد أولويات خارطة الطريق الفنية، تخطيط عدد الموظفين، وتطوير قدرات الفريق.

  
  
  

• تمثيل فريق حيدر أباد في المنتديات الفنية متعددة الوظائف مع أصحاب المصلحة في ML، وهندسة البيانات، والمنتج، ومبيعات الإعلانات في الولايات المتحدة.

  
  
  

• إنتاج وثائق تصميم فني عالية الجودة، ومراجعات معمارية، وتحليلات ما بعد الحادث التي تعزز ثقافة الهندسة في الفريق.

  
  
  

ما ستجلبه

المطلوب

• 8+ سنوات من الخبرة في الصناعة في هندسة تعلم الآلة (6+ مع دكتوراه)، مع نطاق وتأثير على مستوى الموظفين مثبت.

  
  
  

• إتقان كامل مجموعة تعلم الآلة: هندسة البيانات، هندسة الميزات، تطوير النماذج، MLOps، والمراقبة الإنتاجية.

  
  
  

• خبرة عميقة في Databricks: Delta Lake، Unity Catalog، Workflows/DLT، MLflow، Feature Store، حزم الأصول، وتكوين مساحة Genie.

  
  
  

• إجادة قوية في AWS (تدريب/خطوط أنابيب/سجل النماذج SageMaker، S3، Lambda، Glue) وخبرة في Snowflake (أنماط DCR، Snowpark، Cortex، تحسين SQL على نطاق واسع).

  
  
  

• خبرة مثبتة في تصميم أنظمة تعلم الآلة الإنتاجية التي تخدم ملايين المستخدمين، وسجل حافل من القيادة الفنية (تحديد المعايير، دفع الهندسة، التأثير عبر الفرق).

  
  
  

• إتقان خبير مع أطر تعلم الآلة (PyTorch، TensorFlow، XGBoost/LightGBM، scikit-learn) وفهم عميق للإحصائيات وأساسيات تعلم الآلة.

  
  
  

• ماجستير أو دكتوراه في علوم الكمبيوتر، الإحصاء، تعلم الآلة، أو مجال ذي صلة (أو خبرة صناعية معادلة).

  
  
  

• مهارات تواصل ممتازة، مع القدرة على الدفاع عن الحلول الفنية أمام الجمهور الهندسي، العلمي، المنتج، والتنفيذي.

  
  
  

المفضل

• تعلم الآلة في البث/الإعلام/الإعلانات: حل الهوية، نمذجة الجمهور، التوصية/التصنيف، فهم المحتوى.

  
  
  

• معرفة عميقة بحل الهوية الاحتمالية (حل الكيانات، مطابقة الأسر القائمة على الرسوم البيانية، معايرة الثقة) وتعلم الآلة في غرف البيانات النظيفة (Snowflake DCR، AWS Clean Rooms).

  
  
  

• خبرة عملية مع أطر الذكاء الاصطناعي الوكيل على نطاق الإنتاج (LangGraph، AutoGen، MCP، CrewAI)، تنسيق مساحة Databricks Genie، وSnowflake Cortex Search/Fine-Tuning للمعرفة الداخلية المؤسسية.

  
  
  

• خبرة في تقديم الميزات في الوقت الحقيقي والاستدلال منخفض الكمون، ومع مزيج من الخبراء أو الشبكات العصبية الرسومية.

  
  
  

• أبحاث منشورة أو عروض تقديمية في مجالات تعلم الآلة ذات الصلة.

  
  
  

تكنولوجيا المعلومات لدينا

المنصة الأساسية: Databricks (Lakehouse، PySpark، Delta، Workflows/DLT، MLflow، Feature Store، Unity Catalog، حزم الأصول، Genie).

السحابة: AWS (SageMaker، S3، Lambda، Glue).

المستودع: Snowflake (DCR، Snowpark، Cortex).

التفعيل: Mosaic، FreeWheel، Google Ad Manager.

الذكاء الاصطناعي الوكيل: Cursor، GitHub Copilot، Amazon Q، Databricks Genie، Snowflake Cortex، MCP.

اللغات: Python (أساسي)، SQL، Scala (حسب الحاجة).

ما نقدمه:

• مكان رائع للعمل

  
  
  

• صاحب عمل يتيح فرص متساوية

  
  
  

• فرص نمو سريعة

  
  
  

كيف نقوم بالأشياء...

هذه النقطة الأخيرة هي الأهم على الأرجح! هنا في WBD، تعتبر مبادئنا التوجيهية القيم الأساسية التي نعمل بها وهي مركزية لكيفية إنجازنا للأمور. يمكنك العثور عليها في www.wbd.com/guiding-principles/ مع بعض الرؤى من الفريق حول ما تعنيه وكيف تظهر في حياتهم اليومية. نأمل أن تت resonate معك ونتطلع إلى مناقشتها خلال مقابلتك.

دعم الشمولية في WBD

تحتضن وارنر بروس. ديسكفري الفرصة لبناء قوة عاملة تعكس مجموعة واسعة من وجهات النظر والخلفيات والخبرات. كوننا صاحب عمل يتيح فرص متساوية يعني أننا نأخذ على محمل الجد مسؤوليتنا في النظر في المرشحين المؤهلين بناءً على الجدارة، بغض النظر عن الجنس، الهوية الجنسية، العرق، العمر، التوجه الجنسي، الدين أو المعتقد، الحالة الاجتماعية، الحمل، الأبوة، 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.