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.
معمار هوش مصنوعی و یادگیری ماشین در شرکت فورد موتور (ترکیبی، هند)
عامل‌های خودمختار، سامانه‌های چندعاملی و خط لوله‌های تولید تقویت‌شده با بازیابی را برای کاربردهای سازمانی بسازید. هوش مصنوعی مولد را با استفاده از MLOps، کانتینرها و پایگاه‌های داده برداری روی Google Cloud مستقر کنید.
توضیحات
- عامل‌های هوش مصنوعی خودمختار و نیمه‌خودمختار را برای فرایندهای سازمانی توسعه دهید و مستقر کنید.
- معماری‌های چندعاملی را با ارکستراسیون، تقسیم وظایف، چرخه‌های برنامه‌ریزی و ارتباط میان عامل‌ها طراحی کنید.
- عامل‌ها را به پلتفرم‌های سازمانی، APIهای REST و GraphQL، پایگاه‌های داده و سرویس‌های Google Cloud متصل کنید.
- قابلیت‌های حافظه کوتاه‌مدت، بلندمدت، اپیزودیک و معنایی بسازید.
- قالب‌های پرامپت و کتابخانه‌های پرامپتِ قابل استفاده مجدد را ایجاد، آزمایش، اصلاح و نگهداری کنید.
- مدل‌های پایه، از جمله Gemini از طریق Vertex AI Model Garden، را ارزیابی، انتخاب و تنظیم دقیق کنید.
- خط لوله‌های RAG با توان عملیاتی بالا و تأخیر کم، شامل دریافت اسناد، بخش‌بندی و تولید بردارهای تعبیه، بسازید و بهینه کنید.
- پایگاه‌های داده برداری مقیاس‌پذیر را یکپارچه‌سازی و راهبری کنید.
- داده‌های ساخت‌یافته و بدون ساختار را برای استفاده پاک‌سازی و آماده کنید.
- با زیرساخت به‌عنوان کد Terraform محیط‌های امن Google Cloud فراهم کنید.
- خط لوله‌های CI/CD را برای آزمون‌های خودکار، ساخت کانتینر و استقرار در محیط‌های مختلف بسازید و نگهداری کنید.
- برنامه‌ها و عامل‌ها را با Docker بسته‌بندی کنید و سپس روی GKE یا Cloud Run مستقر کنید.
- با ابزارهایی مانند Vertex AI Pipelines یا Cloud Composer/Airflow ارکستراسیون گردش‌کار را راه‌اندازی کنید.
- معیارها و خط لوله‌های آزمون را برای سنجش کیفیت عامل، تأخیر، مصرف توکن و نرخ توهم تعریف کنید.
- فیلتر محتوا، تعدیل محتوا، بررسی مستندبودن پاسخ، دفاع در برابر تزریق پرامپت، کنترل‌های حریم خصوصی و مراحل بازبینی انسانی را اضافه کنید.
- پایش محیط عملیاتی، گزارش‌ها، رهگیری توزیع‌شده و هشدارهای بلادرنگ را راه‌اندازی کنید.
- گردش‌کار عامل‌ها، تنظیمات مدل، ذخیره‌سازی موقت و زیرساخت را برای بهبود هزینه و عملکرد بهینه کنید.
- شاخه‌های Git، درخواست‌های ادغام و بازبینی کد را مدیریت کنید.
- برای ارائه راهکارهای هوش مصنوعی آماده بهره‌برداری با دانشمندان داده، مهندسان نرم‌افزار و تیم‌های کسب‌وکار همکاری کنید.
- معماری سامانه، جریان عامل‌ها، ابزارها، پرامپت‌ها، کانتینرها و رویه‌های عملیاتی را مستند کنید.
شرایط لازم
- حداقل سه سال سابقه حرفه‌ای در مهندسی یادگیری ماشین یا هوش مصنوعی، همراه با پایه‌ای قوی در MLOps.
- یک تا دو سال تجربه عملی در طراحی و استقرار LLM، هوش مصنوعی مولد یا سامانه‌های عامل‌محور در محیط عملیاتی.
- تسلط تخصصی به Python.
- تجربه کار با PyTorch، TensorFlow یا Scikit-learn.
- دانش نظری و عملی قوی در یادگیری عمیق، پردازش زبان طبیعی و معماری‌های Transformer.
- تجربه عملی با LangChain، LangGraph، LlamaIndex، CrewAI یا Vertex AI Agent Builder.
- تجربه اثبات‌شده در Google Cloud Platform، Docker، Kubernetes/GKE، Cloud Run و Cloud Functions.
- تجربه اثبات‌شده در نمایه‌سازی برداری، جست‌وجوی معنایی، Vertex AI Vector Search، AlloyDB یا ابزارهای مشابه.
- آشنایی با پایگاه‌های داده SQL و NoSQL و APIهای REST و GraphQL.
- تجربه با Terraform، Git و ابزارهای CI/CD مانند Cloud Build، GitLab CI یا Jenkins.
- تجربه با Prometheus، Cloud Logging یا LangSmith و همچنین ارزیابی کیفیت و ایمنی خروجی LLM.
- داشتن گواهی Google Cloud Professional Machine Learning Engineer یا Professional Cloud Architect بسیار مطلوب است.
- مدرک کارشناسی یا معادل آن.