مهندس تعلم آلي أول (فريق البيانات والجمهور)

مرحبًا بك 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 يحيون شخصياتنا، والمبدعون الذين يجلبونها إلى غرف معيشتكم والحالمون الذين يخلقون ما هو قادم...

من المبدعين المتميزين إلى رواد التكنولوجيا، تقدم و.ب.د فرصًا مهنية تحدد المسار، ومزايا مدروسة، والأدوات لاستكشاف وتنمية أفضل ما لديك. هنا يتم دعمك، هنا يتم الاحتفال 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 والامتيازات عبر التلفزيون والسينما والبث والألعاب. تجمع الشركة الجديدة بين أصول وارنر ميديا الترفيهية المتميزة والرياضة والأخبار مع الأعمال الرائدة في مجال الترفيه غير الخيالي والرياضة الدولية 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، CNN، Discovery+، DC، وارنر بروس، بلاتشر ريبورت، شبكة الطعام، والعديد غيرها. 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 الجماهير القابلة للاستهداف، وتحسن الاستهداف والقياس، وتتنبأ بالطلب، وتخصص اكتشاف المحتوى - مما يدفع مباشرة عائدات الإعلانات وكفاءة التسويق والمشاركة والاحتفاظ.

في و.ب.د، يقوم مهندسو التعلم الآلي بإجراء علوم البيانات الدقيقة ويمتلكون الهندسة التي تحيي النماذج: خطوط بيانات التعلم الآلي الإنتاجية، تدريب النماذج وتحسينها، والبنية التحتية للتعلم الآلي - متاجر الميزات، خطوط تدريب وخدمة، وMLOps - التي تجعل عملنا موثوقًا ومتكررًا وقابلًا للتوسع. نبني بشكل أساسي على Databricks، مع معرفة قوية بـ Snowflake و AWS، ونحن من أوائل المتبنين المتحمسين لعمليات تطوير الذكاء الاصطناعي.

عن الدور

كـ مهندس تعلم آلي أول، ستتولى تصميم وتقديم أنظمة تعلم آلي إنتاجية تؤثر مباشرة على استهداف الجمهور، وإيرادات الإعلانات، ومشاركة المشتركين، والاحتفاظ عبر محفظة و.ب.د العالمية. ستقود التنفيذ الفني في مسارات العمل الرئيسية - بما في ذلك حل الهوية الاحتمالية، نمذجة الشبيهة، الانتماء إلى عنوان واحد، 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 هو دور ذو ملكية عالية للمهندسين الذين لديهم حوالي 5-8 سنوات من الخبرة والذين يمكنهم قيادة مشروع بشكل مستقل من صياغة المشكلة إلى نشر الإنتاج والمراقبة.

ما ستقوم به

تصميم أنظمة التعلم الآلي وملكية

• قيادة تطوير أنظمة التعلم الآلي الإنتاجية من البداية إلى النهاية: مصادر البيانات، هندسة الميزات، تدريب النماذج، التقييم، النشر، والمراقبة.

  
  

• امتلاك منتجات التعلم الآلي الرئيسية مثل حل الهوية الاحتمالية (مطابقة معرفات الأجهزة غير الموثقة وملفات تعريف الارتباط من الطرف الأول للأسر/الأشخاص مع ثقة محسوبة)، الانتماء إلى عنوان واحد (مثل استرجاع البرجين STAT)، ونماذج الجمهور/الاحتمالية.

  
  

• تصميم خطوط ميزات قابلة للتوسع على Databricks (PySpark، Delta، Workflows/DLT، Unity Catalog) ومتجر الميزات في و.ب.د، مع عقود ميزات موثقة، ومسارات إعادة الملء، 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، معايرة الاحتمالات (مثل الانحدار المتساوي)، والمطابقة الاحتمالية/المبنية على الرسم البياني.

  
  

• تصميم تجارب دقيقة غير متصلة بالإنترنت وعبر الإنترنت؛ تحديد أطر التقييم (الدقة/الاسترجاع، AUC-ROC، NDCG، رفع العشر، منحنيات المعايرة) المناسبة لكل حالة استخدام.

  
  

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

  
  

• المساهمة في نمذجة الشبيهة (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

• الدعوة لأفضل ممارسات MLOps: إصدار النماذج، ترقية البطل/المتنافس، مشغلات إعادة التدريب التلقائية، اكتشاف الانحراف، والمراقبة الإنتاجية مع MLflow على Databricks.

  
  

• بناء وصيانة خطوط بيانات التعلم الآلي القوية، القابلة للتكرار، القابلة للتدقيق على Databricks (وAWS SageMaker عند الاقتضاء، مثل مسار حل الهوية)؛ فرض منع التسرب والاتساق بين التدريب/الخدمة.

  
  

• المساهمة في استراتيجية متجر الميزات الخاصة بالفريق - عقود الميزات، إعادة الملء، وSLAs للانتعاش - وتنفيذ فحوصات جودة البيانات، لوحات معلومات صحة النماذج، وحدود التنبيه.

  
  

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

  
  

الذكاء الاصطناعي الوكالي والتطوير الحديث

• استخدام والدعوة لتطوير مدعوم بالذكاء الاصطناعي: Cursor، GitHub Copilot، وAmazon Q لتوليد الكود، المراجعة، والتوثيق.

  
  

• استغلال Databricks Genie كطبقة تحليلات طبيعية محكومة - 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، اكتشاف البيانات، وأدوات داخلية قائمة على RAG على بيانات الهوية والجمهور المقيمة في Snowflake.

  
  

• نموذج تدفقات العمل المعتمدة على الذكاء الاصطناعي (مثل، مع أدوات متوافقة مع MCP، LangChain/LangGraph) لأتمتة المهام المتكررة مثل التحقق من البيانات، اختيار الميزات، والبحث عن معلمات الضبط؛ تقييم الأساليب المعتمدة على LLM لتحسين البيانات الوصفية وفهم المحتوى.

  
  

الإرشاد والتعاون عبر الوظائف

• توجيه مهندسي التعلم الآلي من المستوى الثاني من خلال مراجعات الكود، مناقشات التصميم، والتعاون؛ المساهمة في معايير الفريق الفنية.

  
  

• الشراكة مع المنتج، التسويق، 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، والأثر التجاري مع أصحاب المصلحة الفنيين وغير الفنيين.

  
  

المشاريع الرائدة التي ستعمل عليها

• الذكاء الهووي - هوية أساسية آمنة للخصوصية عبر جميع علامات و.ب.د: حل الهوية الاحتمالية الذي يحل الإشارات غير الموثقة للأسر/الأشخاص بثقة محسوبة (حل الكيانات مع تعزيز التدرج والتضمينات، التعلم التمثيلي، المعايرة المتساوية، حجب المرشحين، خطوط البطل/المتنافس)، توسيع الجماهير القابلة للاستهداف إلى ما وراء المطابقة المحددة.

  
  

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

  
  

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

  
  

• تفضيلات المحتوى والانتماء - نمذجة تفضيلات النوع، تفضيلات المحتوى، والانتماء إلى عنوان واحد (استرجاع البرجين مع تضمينات المحتوى الدلالية) 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 ذات الجودة الإنتاجية؛ 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) وخبرة قوية في SQL/Snowflake لمصادر الميزات وتسليم مخرجات النماذج.

  
  

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

  
  

• فهم قوي لتقييم نماذج التعلم الآلي، اختبار A/B، والاستدلال الإحصائي؛ معرفة في واحد أو أكثر من التوصيات والترتيب، حل الهوية، التضمينات/الاسترجاع، التعلم السببي/القابل للتفسير، التنبؤ، المراهنات، أو التحسين.

  
  

• قدرة مثبتة على قيادة القرارات الفنية وتوجيه المهندسين.

  
  

• درجة البكالوريوس أو الماجستير في علوم الكمبيوتر، الإحصاء، الهندسة، أو مجال كمي ذي صلة (أو خبرة معادلة).

  
  

• مهارات تواصل كتابية وشفوية ممتازة، مع القدرة على الدفاع عن الحلول التقنية أمام المهندسين، والعلماء، وأصحاب المصلحة في المنتج.

  
  

المفضل

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

  
  

• الإلمام ببيئات غرف تنظيف البيانات (Snowflake DCR، غرف تنظيف AWS) والتفعيل الواعي بالموافقة.

  
  

• خبرة في هياكل استرجاع البرجين، حل الهوية الاحتمالية (المطابقة المبنية على الرسم البياني، حل الكيانات)، ومعايرة الاحتمالات.

  
  

• خبرة عملية مع أطر الذكاء الاصطناعي الوكالية (LangChain، LangGraph، AutoGen، MCP)، تكوين مساحة Databricks Genie، وSnowflake Cortex.

  
  

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

  
  

ما نقدمه:

• مكان رائع للعمل

  
  

• صاحب عمل يتساوى في الفرص

  
  

• فرص نمو سريعة

  
  

كيف نقوم بالأشياء...

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

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 يتساوى في الفرص يعني أننا نأخذ على محمل الجد مسؤوليتنا في النظر إلى المرشحين المؤهلين على أساس الجدارة، بغض النظر عن الجنس، هوية الجنس، 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 إمكانية الوصول للحصول على تعليمات لتقديم طلبك.