مهندس بنية تحتية للتعلم الآلي (م/ف/د)

تركز هذه الوظيفة على تصميم وبناء البنية التحتية التي تتيح تطوير التعلم الآلي القابل للتوسع، من مجموعات البيانات الجاهزة للتدريب إلى النماذج المعتمدة التي يتم نشرها في بيئات الإنتاج.

تشمل الوظيفة إنشاء الأنظمة الأساسية والنظم المعمارية الأساسية التي ستدعم القابلية للتوسع والأداء على المدى الطويل. تشمل المجالات الرئيسية بنية التدريب، وأطر التعلم الموزع، وإدارة التجارب، وإدارة دورة حياة النموذج، وطرق موثوقة من تطوير النموذج إلى نشره في الإنتاج.

• بنية التدريب
  تصميم، ونشر، وتشغيل بيئات التدريب المعتمدة على وحدات معالجة الرسوميات عبر منصات السحابة مثل AWS وGCP. يشمل ذلك توفير العقد، وجدولة الأحمال (مثل Kubernetes، Slurm)، الشبكات متعددة العقد، مراقبة وحدات معالجة الرسوميات، وتحسين التكلفة/الاستخدام.

  
  
  

• أنظمة التدريب الموزع
  امتلاك وتحسين أطر التدريب الموزع مثل PyTorch DDP وFSDP. تنفيذ وضبط استراتيجيات تشمل الدقة المختلطة، وتسجيل التدرجات، وتحميل التفعيل، وطرق التوازي لضمان تدريب فعال على نطاق واسع.

  
  
  

• أداء إدخال/إخراج بيانات التدريب
  تطوير أنماط تحميل البيانات والوصول إلى التخزين عالية الإنتاجية لدعم التدريب متعدد وحدات معالجة الرسوميات ومتعدد العقد. تنفيذ تقنيات مثل تقسيم البيانات، والتحميل المسبق، والتخزين المؤقت المحلي NVMe، وأنابيب البيانات القابلة للاستئناف. المساهمة في تصميم تنسيق مجموعة البيانات مع التركيز على أداء القراءة الفعال.

  
  
  

• تتبع التجارب وإدارة النماذج
  تنفيذ وصيانة أنظمة تتبع التجارب وسجل النماذج باستخدام منصات مثل MLflow أو Weights & Biases. ضمان إمكانية التكرار، وقابلية التتبع، والمقارنة بين التجارب من خلال إدارة صحيحة للقطع الأثرية ونقاط التحقق.

  
  
  

• خطوط أنابيب CI/CD للتعلم الآلي
  بناء خطوط أنابيب آلية للتدريب، والتقييم، والاستعداد للنشر. إنشاء بوابات التحقق، واختبار الانحدار، والترقية المنضبطة للنماذج عبر مراحل دورة الحياة المختلفة.

  
  
  

• تغليف النماذج وخطوط أنابيب النشر
  تطوير سير العمل CI/CD موثوق لتحويل النماذج، والتقييم، والتغليف باستخدام أدوات مثل ONNX، TensorRT، SNPE، أو TIDL. ضمان أن جميع القطع الأثرية مُعَلمة بشكل صحيح ومتابعتها مع كامل السلالة.

  
  
  

• مراقبة الإنتاج وحلقات التغذية الراجعة
  تصميم وتنفيذ أنظمة تلتقط أداء النموذج في بيئات الإنتاج. تمكين حلقات التغذية الراجعة المستمرة من خلال تغذية البيانات التشغيلية مرة أخرى إلى أنابيب إعادة التدريب والتقييم.

  
  
  

• 5+ سنوات من الخبرة في بناء وتشغيل بنية التعلم الآلي لأنظمة التعلم العميق ذات الجودة الإنتاجية، ويفضل أن تشمل أعمال الرؤية الحاسوبية أو الإدراك.
• إجادة قوية في بايثون، مع معرفة عملية بـ C++ لأدوات التنفيذ والنشر.
• خبرة عميقة في التدريب الموزع على نطاق واسع (DDP، FSDP)، مع القدرة على استكشاف مشاكل الأداء، والاستقرار، والذاكرة.
• خبرة في تشغيل مجموعات GPU على AWS و/أو GCP، بما في ذلك أطر الجدولة (مثل Kubernetes، Slurm) وفهم مقايضات الشبكات والتخزين.
• خبرة مثبتة في تتبع التجارب، وسجلات النماذج، وخطوط أنابيب CI/CD للتعلم الآلي في بيئات الإنتاج.
• سجل حافل في بناء بنية تحتية شاملة تدعم دورة حياة النموذج بالكامل، من التدريب إلى النشر.

• خلفية في الأنظمة المستقلة، الإدراك، أو تطبيقات التعلم الآلي المعقدة في العالم الحقيقي.
• معرفة بأدوات تحسين التنفيذ (TensorRT، ONNX، SNPE، TIDL) ودمجها في خطوط أنابيب النشر.
• فهم لمجموعات البيانات والأشكال متعددة الوسائط أو المعتمدة على المستشعرات (مثل MCAP، rosbag2).
• خبرة في العمل مع قيود التنفيذ في الوقت الحقيقي وبيئات النشر التي تتطلب أداءً محسنًا.