شرکت پژوهش‌افزار فردا به‌دنبال جذب مهندس هوش مصنوعی (Senior / Lead AI Engineer) است؛ فردی که بتواند طراحی، هدایت و اجرای پروژه‌های پیشرفته‌ی AI را از مرحله‌ی ایده تا استقرار در محیط عملیاتی (Production) برعهده بگیرد. اگر با سیستم‌های هوشمند در مقیاس واقعی کار کرده‌اید، از حل مسائل پیچیده لذت می‌برید و کیفیت خروجی برایتان خط قرمز است، این موقعیت برای شماست.

مسئولیت‌های کلیدی

• طراحی و پیاده‌سازی معماری کلان سیستم‌های هوش مصنوعی در سطح Production (پایداری، امنیت، مانیتورینگ، مقیاس‌پذیری)
• طراحی و اجرای فرایندهای جمع‌آوری، پاک‌سازی، پردازش و Ingestion داده‌های چندرسانه‌ای و متنی: ویدیو، صوت، تصویر، متن، و اسناد ساختاریافته/ساختارنایافته
• توسعه و بهینه‌سازی مدل‌های یادگیری ماشین / یادگیری عمیق / LLM با تمرکز بر Performance، Scalability و Accuracy
• طراحی و مدیریت سیستم‌های بازیابی اطلاعات و RAG و پایگاه‌های داده برداری (Qdrant / FAISS / Weaviate و …)
• طراحی و پیاده‌سازی Data Pipeline و مشارکت فعال در MLOps (نسخه‌بندی مدل، استقرار، تست، مانیتورینگ، A/B، Rollback)
• استفاده‌ی حرفه‌ای از Docker برای توسعه ماژولار و استقرار قابل اتکا (به‌همراه درک مناسب از CI/CD)
• تحلیل نیازمندی‌های محصول و انتخاب تکنولوژی‌ها و راهکارهای بهینه برای حل مسائل پیچیده
• همکاری نزدیک با تیم فنی و محصول برای توسعه‌ی مستمر، رفع باگ، و ارتقاء کیفیت سیستم‌های هوشمند

مهارت‌ها و تخصص‌های مورد انتظار

• تجربه اثبات‌شده در نقش Senior AI Engineer یا نقش‌های مشابه (ترجیحاً با خروجی Production)
• تسلط بالا به Python و اکوسیستم آن (PyTorch / TensorFlow / Scikit-learn / Transformers و …)
• تسلط به توسعه سرویس‌های API با FastAPI (یا Django/DRF) و طراحی سرویس‌های مقیاس‌پذیر
• تسلط به کار با پایگاه‌داده‌ها (MongoDB و دیتابیس‌های SQL مثل SQL Server / MySQL / PostgreSQL)
• شناخت عمیق مفاهیم Embedding و Vector Search و تجربه عملی با بردارسازها (OpenAI / Sentence Transformers / مدل‌های سفارشی)
• تجربه عملی با ابزارهای برداری مثل Qdrant / Weaviate / FAISS
• تجربه طراحی و مدیریت Ingestion Pipeline برای فایل‌های حجیم و داده‌های متنوع (Batch / Streaming)
• تسلط عملی به Docker و آشنایی خوب با CI/CD و استقرار مقیاس‌پذیر
• آشنایی با GPU و برنامه‌نویسی موازی/شتاب‌دهی (CUDA مفهومی، PyTorch/CuDNN، Multi-GPU/Distributed در حد کاربرد)

موارد زیر مزیت محسوب می‌شود

• تجربه پیاده‌سازی RAG در مقیاس واقعی، ارزیابی کیفیت پاسخ (Evaluation) و بهبود مداوم
• آشنایی با ابزارهای MLOps مثل MLflow، DVC، Airflow/Prefect، Kubernetes
• تجربه کار با Observability (Prometheus/Grafana، OpenTelemetry، Logging/Tracing)