مهندس ارشد یادگیری ماشین (Senior/Lead Machine Learning Engineer)

درباره ما
ما در حال ساخت یک محصول داده‌محور هوشمند برای صنعت مالی هستیم؛ تا به  کسب‌وکارها کمک کند تصمیم‌های حساس و پرتکرار خود را با دقت، سرعت و قابلیت اتکای بیشتری اتخاذ کنند.

تمرکز ما بر ترکیب یادگیری ماشین، تحلیل داده و مهندسی نرم‌افزار برای حل مسائل واقعی در مقیاس عملیاتی است؛ مسائلی که خروجی آن‌ها مستقیماً بر کیفیت تصمیم‌گیری، مدیریت ریسک و تجربه کاربران نهایی اثر می‌گذارد.

ما به دنبال توسعه سیستمی هستیم که صرفاً یک مدل پیش‌بینی نباشد، بلکه بتواند به‌صورت پایدار، قابل توضیح و قابل استفاده در فرآیندهای واقعی کسب‌وکار عمل کند. به همین دلیل، دقت مدل، تفسیرپذیری خروجی‌ها، کیفیت داده، پایداری در محیط Production و طراحی معماری مقیاس‌پذیر برای ما اهمیت بالایی دارد.


درباره موقعیت شغلی

ما به دنبال یک Senior/Lead Machine Learning Engineer هستیم که در طراحی، توسعه و تکامل بخش‌های داده‌محور محصول نقش کلیدی داشته باشد. در این موقعیت، علاوه بر توسعه مدل‌های یادگیری ماشین، در طراحی معماری، ساخت Pipelineهای داده، استقرار مدل‌ها در محیط Production و بهبود مستمر عملکرد آن‌ها نیز مشارکت خواهید داشت.

این جایگاه برای فردی مناسب است که از حل مسائل پیچیده با داده لذت می‌برد، به کیفیت مهندسی نرم‌افزار اهمیت می‌دهد و می‌تواند میان جنبه‌های فنی، نیازهای محصول و ملاحظات عملیاتی تعادل برقرار کند. در این نقش، علاوه بر طراحی، توسعه و استقرار راهکارهای مبتنی بر یادگیری ماشین، در تصمیم‌گیری‌های فنی، طراحی معماری سیستم و توسعه زیرساخت‌های MLOps نیز نقش مؤثری خواهید داشت.


مسئولیت‌های شما

توسعه و استقرار مدل‌های یادگیری ماشین: طراحی و توسعه مدل‌های پیش‌بینی برای مسائل داده‌محور، با تمرکز بر دقت، پایداری و قابلیت استفاده در محیط Production.

معماری و پایپ‌لاین‌ها (MLOps): طراحی پایپ‌لاین‌های End-to-End شامل پاک‌سازی داده‌ها، مهندسی ویژگی (Feature Engineering)، آموزش مدل، دیپلوی، مانیتورینگ و بازآموزی خودکار.

مدیریت کیفیت داده و سوگیری مدل: پیاده‌سازی روش‌های مناسب برای کاهش سوگیری مدل، بهره‌گیری حداکثری از داده‌های موجود و مدیریت اصولی داده‌های به‌شدت نامتوازن (Imbalanced Data).

طراحی سیستم با محوریت تفسیرپذیری (Explainability-First): توسعه زیرساخت‌هایی که امکان تفسیر و تحلیل تصمیمات مدل را برای ذی‌نفعان فنی و کسب‌وکاری فراهم کند. (تولید Reason Codes بر اساس منطق کسب‌وکار).

همکاری در توسعه محصول: همکاری نزدیک با تیم‌های محصول و سایر ذی‌نفعان برای تبدیل خروجی مدل‌ها به قابلیت‌های قابل استفاده در محصول.

مانیتورینگ و حاکمیت مدل (Model Governance): پایش مستمر عملکرد مدل در محیط پروداکشن (Drift Detection)، ارزیابی پایداری مدل با شاخص‌هایی مانند PSI (Population Stability Index) و اطمینان از عدم وقوع Data Leakage.

شرایط و مهارت‌های مورد نیاز

بیش از 5 سال تجربه عملی در یادگیری ماشین، علم داده و پیاده‌سازی پروژه‌های Applied AI در محیط‌های واقعی.

درک قوی از مفاهیم ریسک اعتباری (PD, LGD, EAD, Expected Loss, Bad Rate, Vintage Analysis) و سیاست‌های پذیرش ریسک.

تسلط عمیق بر مفاهیم Interpretability و Explainable AI (نظیر SHAP, LIME) و توانایی تبدیل این خروجی‌ها به زبان ساده برای ذینفعان غیرفنی.

تجربه قوی در توسعه مدل‌های ML برای داده‌های جدولی (Tabular Data) شامل Logistic Regression, Scorecards (Woe/IV), Random Forest, XGBoost, LightGBM, CatBoost.

درک کامل از متریک‌های ارزیابی ریسک اعتباری شامل Gini, KS, AUC, PR-AUC, PSI, Calibration و Brier Score.

مهارت بالا در برنامه‌نویسی Python، تسلط بر کتابخانه‌های اکوسیستم داده (Pandas, Scikit-Learn) و کوئری‌نویسی پیشرفته SQL.

تجربه عملی در مهندسی نرم‌افزار، Git، و دیپلوی مدل‌ها در محیط پروداکشن (FastAPI, Docker, MLflow, و مفاهیم اولیه CI/CD).

مهارت ارتباطی بالا برای تعامل سازنده با تیم‌های محصول، ریسک و مدیران C-Level.

موارد زیر مزیت محسوب می‌شوند

تجربه در توسعه Feature Storeها.

آشنایی با تست‌های A/B، Champion/Challenger Testing، Shadow Deployment و اعتبارسنجی مبتنی بر زمان (OOT Validation).