AI Fund یک استودیوی سرمایه‌گذاری خطرپذیر است که به راه‌اندازی و توسعه شرکت‌هایی با محوریت هوش مصنوعی کمک می‌کند. این مجموعه با بنیان‌گذاران و پیشگامان فناوری همکاری می‌کند، نقش هم‌بنیان‌گذار اقلیت را بر عهده می‌گیرد و از ایجاد کاربردهای هوش مصنوعی در حوزه‌هایی مانند تولید، سلامت روان، آموزش و مراقبت‌های سلامت پشتیبانی می‌کند. فعالیت آن، ساخت کسب‌وکارهای نوپا را با حمایت عملی از تیم‌هایی پیوند می‌دهد که برای حل چالش‌های صنایع گوناگون از هوش مصنوعی استفاده می‌کنند.
مهندس نرم‌افزار سامانه‌های هوش مصنوعی - صندوق هوش مصنوعی - دورکار در کانادا
برای پلتفرم هوش ایمنی سازمانی Haven Safety AI، خط لوله‌های LLM تولیدی و ارکستراسیون عامل‌ها را بسازید. بازیابی، ارزیابی، مشاهده‌پذیری و کیفیت مدل را برای صنایع تحت نظارت بهبود دهید.
توضیحات
- خط لوله‌های چندمرحله‌ای LLM را توسعه دهید و اجرا کنید؛ این خط لوله‌ها فراخوانی مدل و ابزار، پرس‌وجوهای گراف، بازیابی، دروازه‌های کیفیت و واگذاری به عامل‌های تخصصی را هماهنگ می‌کنند.
- تیم عامل‌های هماهنگ و لایه ارکستراسیون Haven را از شواهد رخداد تا تحلیل، بازبینی و یادگیری سازمانی گسترش دهید.
- سامانه‌های زمینه را با استفاده از پیمایش گراف Neo4j، جست‌وجوی برداری و بازیابی ترکیبی طراحی کنید.
- مجموعه‌داده‌های ارزیابی، روش‌های امتیازدهی، مجموعه‌های رگرسیون، مقایسه مدل‌ها، حلقه‌های بازبینی انسانی و انتساب کیفیت در سطح هر مرحله را ایجاد کنید.
- ردیابی، ممیزی فراخوانی ابزار، پایش هزینه و تأخیر، مدیریت خطا و داشبوردهای کیفیت را اضافه کنید.
- پیش از اثرگذاری بر مشتریان، حلقه‌های ارکستراسیون، توهمات مدل و رانش شناسایی‌نشده مدل را شناسایی کنید.
- بر اساس نیازهای هر کار، از میان مدل‌های OpenAI، Anthropic و Google انتخاب کنید.
- با تیم‌های محصول و مهندسی دانش همکاری کنید و در تعریف نقشه راه هوش مصنوعی نقش داشته باشید.
- به CTO گزارش دهید و در طیفی از مسئولیت‌های تیم مؤسس مشارکت کنید.
شرایط لازم
- تجربه حرفه‌ای مهندسی هوش مصنوعی یا یادگیری ماشین، شامل تحویل سامانه‌های LLM مورد استفاده مشتریان واقعی.
- تجربه عملی در ساخت و عیب‌یابی گردش‌کارهای چندمرحله‌ای و ابزارمحور با LangGraph، LangChain یا چارچوبی معادل.
- فرایند تکرارپذیر ارزیابی LLM با استفاده از مجموعه‌داده‌های نماینده، آزمون‌های رگرسیون، روش‌های LLM-as-judge یا حلقه‌های بازبینی انسانی.
- تجربه آماده‌سازی زمینه LLM و تصمیم‌گیری آگاهانه درباره اینکه چه چیزی، چه مقدار و چرا باید بازیابی شود.
- تجربه اثبات‌شده در مالکیت سامانه‌ها از طریق استقرار، پایش و پاسخ‌گویی به رخدادها.
- تجربه بررسی و رفع یک خطای تولیدی یا رگرسیون.
- توانایی کار با ارائه‌دهندگان مختلف مدل و توضیح بده‌بستان‌های کیفیت، تأخیر، هزینه، زمینه و ریسک عملیاتی.
- دانش کاربردی Neo4j و Cypher یا پایگاه‌داده گرافی مشابه، همراه با توانایی یادگیری سریع مدل‌سازی داده‌های گراف؛ به‌شدت ترجیح داده می‌شود.
- مهارت قوی در توسعه Python.
- تجربه تولیدی با FastAPI، سرویس‌های ناهمگام، آزمون، مشاهده‌پذیری و رابط‌های قابل نگهداری.
- تجربه پیشرفته گراف، شامل Cypher، تکامل شِما، الگوهای MERGE،嵌ه‌سازی‌ها و بهره‌برداری از گراف دانش زنده؛ مزیت محسوب می‌شود.
- تجربه در امنیت هوش مصنوعی سازمانی؛ مزیت محسوب می‌شود.
- تجربه در Azure و جست‌وجوی ترکیبی؛ مزیت محسوب می‌شود.
- تجربه با Azure AI Search، Pinecone، MongoDB Atlas، pgvector، Elasticsearch یا پلتفرم‌های مشابه؛ مزیت محسوب می‌شود.
- تجربه قبلی در SaaS سازمانی B2B؛ به‌شدت ترجیح داده می‌شود.
مزایا
- به تیمی کوچک با مالکیت قابل‌توجه بپیوندید.
- بازخورد مستقیم تیم‌های ایمنی را دریافت کنید و اثر کار خود را بر مشتریان ببینید.
- از نزدیک با CTO و تیم‌های محصول و مهندسی دانش همکاری کنید.
- بر تصمیم‌های فنی مهم اثر بگذارید و تغییرات را سریع به مشتریان تحویل دهید.
- در حوزه‌ای حیاتی برای ایمنی با چالش‌های پیچیده استدلالی روبه‌رو شوید.
- در فرهنگی ارزیابی‌محور کار کنید که بر کیفیت قابل‌اندازه‌گیری، قابل‌مشاهده و قابل‌بهبود تمرکز دارد.