Ford Motor Company یک خودروساز مستقر در ایالات متحده آمریکاست که تاریخچه آن به سال ۱۹۰۳ بازمی‌گردد. این شرکت علاوه بر توسعه و تولید خودرو، تمرکز خود را بر خدمات جابه‌جایی، تجربه‌های دیجیتال و نرم‌افزار نیز گسترش می‌دهد. فعالیت‌های فورد شامل تلاش‌های مرتبط با پایداری و اهداف زیست‌محیطی نیز می‌شود و رویکردی را نشان می‌دهد که حمل‌ونقل، نوآوری، تأثیر اجتماعی و شیوه‌های مسئولانه کسب‌وکار را به هم پیوند می‌دهد.
دانشمند داده، پردازش زبان طبیعی و هوش مصنوعی مولد در فورد، هند، به‌صورت ترکیبی
برای کاربردهای خودروسازی در فورد، محصولات مبتنی بر پردازش زبان طبیعی، مدل‌های زبانی بزرگ و هوش مصنوعی مولد توسعه دهید. در مقیاس بزرگ، خط لوله‌های چندوجهی، گردش‌کارهای عامل‌محور، APIها و برنامه‌های کاربرمحور بسازید.
توضیحات
- با رعایت شیوه‌های منضبط کدنویسی، برنامه‌ها و محصولات پردازش زبان طبیعی، مدل‌های زبانی بزرگ و هوش مصنوعی مولد ایجاد کنید.
- مدل‌ها و روش‌های پیشرفته را برای کاربردهای خودروسازی ارزیابی کنید.
- با وجود محدودیت‌های حافظه و تأخیر، آزمایش‌های یادگیری ماشین را برای آموزش و استنتاج مدل اجرا کنید.
- APIهای REST پردازش زبان طبیعی و رابط‌های کاربری سبک را با Docker و Kubernetes مستقر کنید.
- برنامه‌های پردازش زبان طبیعی، مدل‌های زبانی بزرگ و هوش مصنوعی مولد را با Dash، Plotly و Streamlit ارائه کنید.
- چندین بات را در برنامه‌های چندوجهی مبتنی بر مدل‌های زبانی بزرگ ترکیب کنید.
- با Autogen، AgentBuilder و LangGraph گردش‌کارهای عامل‌محور بسازید.
- محصولات ماژولار هوش مصنوعی و یادگیری ماشین را برای استفاده مقیاس‌پذیر توسعه دهید.
- با متخصصان فنی سراسر جهان برای محصولات طبقه‌بندی، پاسخ‌گویی به پرسش‌ها، چت‌بات، ترجمه، جست‌وجوی معنایی و خلاصه‌سازی همکاری کنید.
شرایط لازم
- مدرک کارشناسی یا کارشناسی ارشد در علوم کامپیوتر، مهندسی، ریاضیات یا رشته‌ای مرتبط با علوم.
- آشنایی با نظریه و روش‌های یادگیری عمیق برای برنامه‌های پردازش زبان طبیعی.
- تجربه برنامه‌نویسی با ADK، A2A، AgentSkills، Ontology، Hugging Face، LangGraph، LangChain، Chainlit، TensorFlow یا PyTorch، scikit-learn، NumPy و Pandas.
- آشنایی با دست‌کم دو کتابخانه متن‌باز پردازش زبان طبیعی، مانند spaCy، TorchText، fastai.text یا FARM Haystack.
- دانش تکنیک‌های پردازش متن، از جمله عبارات منظم، تحلیل توکن و واژه، اصلاح املا، کاهش نویز، بخش‌بندی جمله و خوشه‌بندی.
- تجربه عملی استقرار BERT یا دیگر مدل‌های ترنسفورمر ریزتنظیم‌شده برای طبقه‌بندی توالی، تشخیص موجودیت نامدار یا پاسخ‌گویی به پرسش‌ها.
- آشنایی با Docker و محیط‌های pipenv، conda یا Poetry.
- دانش روش‌های مدیریت پروژه پایتون، از جمله setup.py، logging، pytest، importهای نسبی و مستندسازی Sphinx.
- آشنایی با گردش‌کارهای GitHub.
- تجربه کار با سرویس‌های GCP، از جمله BigQuery، Cloud Functions، Cloud Run، Cloud Build و Vertex AI.
- آشنایی عملی با ابزارهای متن‌باز محک‌زنی و تولید خلاصه.
- تجربه استفاده از منابع GPU و CPU در محیط‌های ابری و درون‌سازمانی.
- توانایی استفاده از پلتفرم‌های ابری برای بارهای کاری مهندسی داده، کلان‌داده و یادگیری ماشین.
- تجربه کار با Docker، docker-compose و قابلیت‌های آزمایشی Docker.
- آشنایی با Airflow و Kubeflow.
- تجربه کار با CI/CD و ابزارهای زیرساخت به‌عنوان کد، مانند Terraform.
- تجربه کار با Kubernetes یا دیگر پلتفرم‌های کانتینری، از جمله Helm و Argo Workflows.
- توانایی ایجاد APIهای هوش مصنوعی منطبق، اخلاقی، امن و ایمن.
- تجربه توسعه رابط‌های کاربری یا بصری‌سازی با Gradio، Dash، Streamlit، React یا Django.
- تجربه محاسبات توزیع‌شده با Spark، Dask، RAPIDS AI یا cuDF.
- توانایی ساخت APIهای پایتون با FastAPI، Flask یا Django.
- تجربه کار با Elasticsearch و Apache Solr مزیت محسوب می‌شود؛ تجربه پایگاه‌های داده برداری نیز مرتبط است.
- تجربه کار با مدل‌های زبانی بزرگ مانند GPT-5، Gemini، Kimi یا Seedance.
- تجربه در چرخه کامل مدل هوش مصنوعی مولد، شامل آموزش، آزمون، استقرار و پایش عملکرد.
- تجربه توسعه و نگهداری خط لوله‌های چندوجهی هوش مصنوعی برای متن، تصویر و صدا.
- تجربه عملی استقرار چت‌بات‌ها یا عامل‌های مکالمه‌ای در مقیاس بزرگ و روی منابع داده متنوع.
- تجربه ایجاد ابزارهای تولید تصویر یا ترجمه با مدل‌های انتشار نهفته، مانند Stable Diffusion یا Instruct Pix2Pix.
- تخصص در کار با داده‌های ساختاریافته و بدون ساختار در مقیاس بزرگ.
- تجربه مدیریت مجموعه‌داده‌ها و خروجی‌های هوش مصنوعی مولد در مقیاس بزرگ.
- مهارت‌های قوی ارتباطی و همکاری با همکاران در مناطق جغرافیایی مختلف.