شرح شغلی

•       طراحی و پیاده‌سازی معماری RAG برای پاسخ‌گویی مدل بر پایهٔ اسناد و دادهٔ داخلی سازمان: قطعه‌بندی متن (chunking)، تبدیل متن به بردار (embedding)، ذخیره در پایگاه دادهٔ برداری، بازیابی (retrieval)، رتبه‌بندی مجدد (re-ranking) و بازیابی ترکیبی (معنایی + کلیدواژه‌ای).

•       راه‌اندازی و نگه‌داری مدل‌های زبانی متن‌باز (Llama، Mistral، Qwen) روی سرورهای داخلی و بدون اتصال به اینترنت؛ بهینه‌سازی با موتورهای سرو مدل (vLLM، Ollama، TGI) و فشرده‌سازی مدل (quantization) برای سرعت پاسخ و ظرفیت پردازش هدف.

•       پایش، نسخه‌بندی و امکان بازگشت به نسخهٔ قبلی مدل در طول زمان (LLMOps).

•       توسعهٔ سرویس‌های هوش مصنوعی به‌صورت ماژول‌های آماده و قابل‌استفادهٔ مجدد برای کاربران بدون کدنویسی، و ارائهٔ API برای اتصال به بخش اصلی محصول (با ‎.NET‎)؛ در صورت نیاز، طراحی جریان‌های agentic (عامل‌های چندمرحله‌ای که خودشان ابزارها را فراخوانی می‌کنند).

•       سنجش کیفیت پاسخ‌های مدل و RAG با ابزارهای ارزیابی (Ragas، DeepEval) و ردیابی فراخوانی‌ها (LangSmith)؛ افزودن guardrails (سازوکارهای کنترلی برای جلوگیری از خروجی نامناسب)، کنترل hallucination (پاسخ‌های ساختگی مدل)، و مقاوم‌سازی در برابر prompt injection (فریب مدل با ورودی دستکاری‌شده) و نشت اطلاعات شخصی (PII).

•       راهبری تصمیم‌های فنیِ مرتبط با هوش مصنوعی: انتخاب مدل و انتخاب رویکرد (برای نمونه RAG در برابر fine-tuning).

•       استفاده از دادهٔ تمیز  آماده‌شده  به‌عنوان منبع سرویس‌های هوش مصنوعی.

مهارت‌های الزامی

•       مدرک کارشناسی یا بالاتر در رشته‌های مرتبط (مهندسی کامپیوتر/نرم‌افزار، علم داده، آمار یا ریاضی).

•       حداقل 3 سال تجربهٔ مهندسی هوش مصنوعی یا نرم‌افزار، با حداقل 2 سال ساخت سیستم‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) در محیط واقعی.

•       تجربهٔ معماری RAG و کار با پایگاه دادهٔ برداری (pgvector، Qdrant، Milvus) و چارچوب‌های ساخت برنامه‌های LLM (LangChain، LlamaIndex).

•       تجربهٔ راه‌اندازی مدل‌های زبانی متن‌باز با موتورهای سرو مدل (vLLM، Ollama، TGI) و آشنایی با فشرده‌سازی مدل (quantization).

•       تسلط بر Python.

•       تجربهٔ سنجش کیفیت و افزودن guardrails برای مدل‌های زبانی و کنترل hallucination.

•       تجربهٔ MLOps/LLMOps (سرو و پایش مدل).

•       آشنایی با SQL/MSSQL.


مهارت‌های امتیازآور

•       تجربهٔ fine-tuning مدل (با روش‌های LoRA / QLoRA).

•       آشنایی با چارچوب‌های ساخت عامل (agentic) مانند LangGraph یا AutoGen.

•       آشنایی با پایگاه گراف (Neo4j) برای استفادهٔ تحلیلی.

•       تجربهٔ ساخت اپلیکیشن یا داشبورد با پرامپت‌نویسی در محیط No-Code.

•       آشنایی با امنیت هوش مصنوعی در محیط درون‌سازمانی (on-prem) و الزامات افتا.

•       آشنایی با C#/.NET.