عن الدور نحن نبحث عن مهندس ذكاء اصطناعي أول ليتولى طبقة الذكاء الاصطناعي لمنصة البيانات الخاصة بنا، من خلال بناء تطبيقات نماذج اللغة الكبيرة (LLM) ذات جودة إنتاجية، وأنظمة استرجاع المعلومات، والوكلاء الذكيين، وواجهات اللغة الطبيعية على بيانات المؤسسات. ستعمل على تقنيات استرجاع المعلومات (RAG)، والتضمينات (Embeddings)، والبحث المتجه والهجين، وهياكل الوكلاء/استدعاء الأدوات، وتقييم نماذج اللغة الكبيرة، والنماذج مفتوحة المصدر ذاتية الاستضافة. هذا دور هندسي عملي لشخص تخطى مرحلة النماذج الأولية وقام ببناء ونشر وتشغيل أنظمة نماذج اللغة الكبيرة في بيئات الإنتاج.
ما ستتولى مسؤولياته
المؤهلات المطلوبة
- تصميم وبناء تطبيقات نماذج اللغة الكبيرة (LLM) وأنظمة استرجاع المعلومات (RAG) ذات جودة إنتاجية.
- الإشراف على بنية استرجاع المعلومات بما في ذلك تقنيات تقسيم النصوص (Chunking)، والتضمينات (Embeddings)، والبحث المتجه والهجين، وإعادة الترتيب (Reranking).
- بناء أنظمة وكلاء واستدعاء الأدوات مع الأذونات المناسبة، والنطاقات، والتحقق، والحماية اللازمة.
- تطوير واجهات لغة طبيعية على بيانات المؤسسات وقواعد البيانات المنظمة.
- بناء وصيانة أطر تقييم نماذج اللغة الكبيرة، بما في ذلك مجموعات الاختبار، واختبارات التراجع، والتأصيل (Grounding)، واكتشاف الهلوسة (Hallucination)، وتقييم جودة الإجابات.
- العمل ضمن منصة البيانات والمكدس الهندسي بدلاً من الاعتماد فقط على واجهات برمجة تطبيقات الذكاء الاصطناعي المستضافة.
- نشر وتحسين نماذج مفتوحة المصدر ذاتية الاستضافة باستخدام تقنيات مثل vLLM أو بنية تحتية مماثلة للخدمة.
- تحسين أداء الاستدلال، واستخدام وحدات معالجة الرسومات (GPU)، والكمون، والم Throughput، والتكلفة.
- استكشاف وتنفيذ تقنيات الضبط الدقيق أو تكيف النماذج عند الضرورة.
- التعاون مع مهندسي البيانات والبرمجيات لتحويل قدرات الذكاء الاصطناعي إلى منتجات إنتاجية موثوقة.
الملف الشخصي المرغوب للمرشح
المؤهلات الأساسية
- 5 سنوات على الأقل من الخبرة في هندسة البرمجيات أو البيانات.
- سنتان على الأقل من الخبرة العملية في بناء ونشر أنظمة تعتمد على نماذج اللغة الكبيرة (LLM) في بيئات الإنتاج.
- مهارات قوية في هندسة بايثون (Python).
- فهم عميق لتقنيات استرجاع المعلومات (RAG) وبنية الاسترجاع: استراتيجيات تقسيم النصوص، والتضمينات، وقواعد بيانات/بحث متجهة، والبحث الهجين، وإعادة الترتيب، وتقييم الاسترجاع.
- خبرة في بناء وكلاء نماذج اللغة الكبيرة أو أنظمة استدعاء الأدوات.
- فهم الأذونات، وضوابط الوصول، والنطاقات، والتحقق، والحماية اللازمة لأنظمة الذكاء الاصطناعي.
- فهم قوي لتقييم نماذج اللغة الكبيرة، بما في ذلك مجموعات بيانات الاختبار، واختبارات التراجع، والتأصيل، واكتشاف الهلوسة.
- خبرة في العمل مباشرة مع منصات البيانات، أو قواعد البيانات، أو بيانات المؤسسات، بدلاً من الاعتماد فقط على واجهات برمجة تطبيقات نماذج اللغة الكبيرة المستضافة.
- أساسيات قوية في هندسة البرمجيات وخبرة في تحويل الأنظمة من مرحلة النماذج الأولية إلى الإنتاج.
المفضل بشدة
- خبرة مع نماذج مفتوحة المصدر ذاتية الاستضافة.
- خبرة إنتاجية مع vLLM أو بنية تحتية مماثلة لخدمة النماذج.
- فهم إدارة موارد وحدات معالجة الرسومات (GPU) وتحسين الاستدلال.
- خبرة في تقنيات الضبط الدقيق، أو LoRA، أو تقنيات تكيف النماذج الأخرى.
- خبرة في أنظمة تحويل النص إلى SQL (Text-to-SQL).
- خبرة في تصميم أو استخدام طبقة دلالية فوق نماذج بيانات المؤسسات الحقيقية.
- خبرة في دمج الوثائق غير المنظمة مع بيانات المؤسسات المنظمة في تطبيق ذكاء اصطناعي واحد.
مؤشرات النجاح
ستكون ناجحاً في هذا الدور إذا تمكنت من بناء طبقة ذكاء اصطناعي تتميز بما يلي:
- إجابات دقيقة مستندة إلى بيانات المؤسسات.
- جودة موثوقة تقاس من خلال التقييم الآلي واختبارات التراجع.
- وكلاء وأدوات آمنة تحترم أذونات المستخدم وحدود البيانات.
- بنية under models واسترجاع قابلة للتوسع تعمل بشكل موثوق في الإنتاج.
- قدرات ذكاء اصطناعي قابلة للصيانة تم بناؤها كبرمجيات إنتاجية، وليس تجارب معزولة.
- قابلية للاستخدام يمكن للمستخدمين التفاعل بشكل طبيعي مع بيانات المؤسسات المعقدة.
About the Role We are looking for a Senior AI Engineer to own the AI layer of our data platform building production-grade LLM applications, retrieval systems, intelligent agents, and natural-language interfaces over enterprise data . You will work across RAG, embeddings, vector and hybrid search, agent/tool-calling architectures, LLM evaluation, and self-hosted open-weight models. This is a hands-on engineering role for someone who has moved beyond prototypes and has built, deployed, and operated LLM systems in production . What You ll Own Design and build production-grade LLM applications and RAG systems . Own retrieval architecture including chunking, embeddings, vector search, hybrid search, and reranking . Build agentic and tool-calling systems with appropriate permissions, scoping, validation, and guardrails. Develop natural-language interfaces over enterprise data and structured databases . Build and maintain LLM evaluation frameworks , including test sets, regression suites, grounding, hallucination, and answer-quality evaluation. Work within our data platform and engineering stack rather than relying solely on hosted AI APIs. Deploy and optimize self-hosted open-weight models using technologies such as vLLM or equivalent serving infrastructure. Optimize inference performance, GPU utilization, latency, throughput, and cost. Explore and implement fine-tuning or model adaptation when appropriate. Collaborate with data and software engineers to turn AI capabilities into reliable production products.
Desired Candidate Profile
Required Qualifications
- 5+ years of software or data engineering experience .
- At least 2 years of hands-on experience building and deploying production LLM-based systems .
- Strong Python engineering skills.
- Deep understanding of RAG and retrieval architecture : Chunking strategies Embeddings Vector databases/search Hybrid search Reranking Retrieval evaluation
- Experience building LLM agents or tool-calling systems .
- Understanding of permissions, access control, scoping, validation, and guardrails for AI systems.
- Strong understanding of LLM evaluation , including test datasets, regression testing, grounding, and hallucination detection.
- Experience working directly with data platforms, databases, or enterprise data , rather than only consuming hosted LLM APIs.
- Strong software engineering fundamentals and experience taking systems from prototype to production.
Strongly Preferred
- Experience with self-hosted open-weight models .
- Production experience with vLLM or equivalent model-serving infrastructure .
- Understanding of GPU resource management and inference optimization.
- Experience with fine-tuning, LoRA, or other model-adaptation techniques .
- Experience with Text-to-SQL systems.
- Experience designing or using a semantic layer over real enterprise data models.
- Experience combining unstructured documents with structured enterprise data in a single AI application.
What Success Looks Like
You will be successful in this role if you can build an AI layer that is:
- Accurate answers are grounded in enterprise data.
- Reliable quality is measured through automated evaluation and regression testing.
- Secure agents and tools respect user permissions and data boundaries.
- Scalable models and retrieval infrastructure perform reliably in production.
- Maintainable AI capabilities are built as production software, not isolated experiments.
- Useful users can interact naturally with complex enterprise data.