ما در آلیاسس، به دنبال فردی باانگیزه و مشتاق یادگیری برای موقعیت شغلی «مهندس علوم داده» هستیم. از متقاضیان علاقه‌مند به حوزه علوم داده که از حل مسئله به شیوه‌ای خلاق لذت می‌برند، و تصمیم دارند پایه‌های مسیر شغلی جذاب در حوزه هوش مصنوعی را دنبال کنند، دعوت می‌کنیم. در این نقش، شما با استخراج، تحلیل، پاکسازی و تولید داده های مورد نیاز، اساس پروژه های هوش مصنوعی را فراهم می کنید و با آماده‌سازی داده‌ها، امکان خلق مدل‌های قدرتمند و هوشمند را فراهم می‌کنید. موفقیت در این نقش نه تنها مستلزم شایستگی فنی، بلکه نیازمند همکاری قوی و ذهنیت خلاق است.
1. مسئولیت‌های کلیدی
جمع‌آوری داده: گردآوری داده‌های مورد نیاز از منابع مختلف شامل پایگاه‌های داده داخلی و منابع اینترنتی.
پاکسازی و پیش‌پردازش داده: شناسایی و اصلاح خطاها، رفع ناسازگاری‌ها و نواقص در مجموعه داده‌ها.
دسته‌بندی و برچسب‌زنی داده: سازماندهی و ساختاردهی داده‌ها (مانند داده‌های کمی، کیفی، متون، تصاویر، ویدیوها) مطابق با استانداردهای مورد استفاده در مدل های هوش مصنوعی.
تولید داده مصنوعی: تلاش در تولید داده‌های مکمل و با کیفیت.
تحلیل و کاوش مقدماتی داده: انجام تحلیل‌های اولیه برای شناسایی الگوها، روندها و ناهنجاری‌ها در داده.
آماده‌سازی داده برای مدل‌سازی: کمک در تبدیل داده به قالبی مناسب برای استفاده در مدل‌های یادگیری ماشین و هوش مصنوعی.
همکاری تیمی: همکاری با سایر متخصصان داده و هوش مصنوعی برای درک نیازها و تحویل داده‌های باکیفیت.
مستندسازی: مستندسازی شفاف فرآیندها، چالش‌ها و یافته‌ها.
2. شایستگی‌های فنی موردنیاز
تسلط به زبان برنامه‌نویسی پایتون و کتابخانه‌های تخصصی در حوزه کار با داده (Numpy, Pandas, Pillow, OpenCV, …)
آشنایی کامل با فرایند آماده‌سازی داده باکیفیت برای مدل های هوش مصنوعی.
توانایی کار با مجموعه داده‌های ساختاریافته و غیرساختاریافته، از جمله داده‌های کمی با ابعاد بالا، متون، تصاویر و ویدیوها.
مهارت‌های پایه‌ای پایگاه داده، شامل استخراج و یکپارچه‌سازی داده ها برای استفاده در فرایندهای مدل‌سازی.
دانش آماری: آشنایی با مفاهیم پایه‌ای آمار (شاخص‌های مرکزی، نمونه‌گیری، توزیع‌ها و غیره).
3. دانش و قابلیت های مکمل (امتیاز موثر محسوب می شوند)
تجربه کار با کتابخانه‌ها و ابزارهای کاربردی در هوش مصنوعی مانند PyTorch, TensorFlow یا Hugging Face Transformers.
انجام پروژه های کاربردی با مدل‌های یادگیری ماشین و یادگیری عمیق، یا پروژه‌های آکادمیک که نشان‌دهنده علاقه و توانایی شما در کار با داده‌ها و مدل‌ها باشد.
4. شایستگی های رفتاری
ارتباطات موثر و روحیه همکاری پویا با سایر اعضای تیم
تفکر تحلیلی و بررسی چندجانبه در مواجه با چالش‌ها
مسئولیت‌پذیری و تعهد در انجام وظایف محول شده
تداوم در یادگیری، بروزرسانی و گسترش دانش در حوزه‌های مرتبط و مورد نیاز