مهندس SRE كبير (MLOps) - الذكاء الاصطناعي
Senior SRE Engineer (MLOps) - AI
تبحث شركة سلة عن مهندس SRE كبير (MLOps) للانضمام إلى فريق الذكاء الاصطناعي في الشركة. يركز هذا الدور على تشغيل أنظمة الذكاء الاصطناعي والتعلم الآلي كأنظمة إنتاجية حقيقية، وليس تجارب جانبية - امتلاك الطبقة التشغيلية حول النماذج، والمحفزات، والوكلاء، وخدمات الاستدلال، ونظم الاسترجاع. ستكون مسؤولاً عن تمكين ميزات الذكاء الاصطناعي الوكيلي والذكاء الاصطناعي المولد للعمل بشكل موثوق وآمن وفعال من حيث التكلفة على نطاق واسع داخل نظام سلة البيئي.
يركز هذا الدور على هندسة SRE وهندسة المنصات، مع التركيز القوي على الموثوقية، والمراقبة، والإصدارات الآمنة، والتكلفة، والحوكمة، مع التعاون الوثيق مع فرق الهندسة، والبيانات، والذكاء الاصطناعي لإعطاء كل وحدة مسارًا سريعًا وآمنًا للإنتاج. إنه موجود لأن أنظمة الذكاء الاصطناعي تفشل بشكل مختلف عن الخدمات العادية - يمكن أن يتصرف تغيير المحفز مثل تغيير الكود، يحتاج الوكيل إلى مراجعة الأدوات، ويمكن أن تتحرك التأخير، الجودة، والتكلفة معًا بطرق غير مريحة.
المسؤوليات الرئيسية
- امتلاك الموثوقية لخدمات التعلم الآلي والذكاء الاصطناعي الوكيلي في الإنتاج - SLOs، لوحات المعلومات، التنبيهات، الدوريات، ومتابعة الحوادث
- بناء المراقبة عبر كومة الذكاء الاصطناعي - التأخير، الأخطاء، المسارات، مكالمات الأدوات، التكلفة، وتأثير المستخدم
- تصميم أنماط الإصدارات الآمنة للنماذج، المحفزات، الوكلاء، الأدوات، والإعدادات، بما في ذلك استراتيجيات canary، التراجع، الرموز، والبوابات التقييمية
- تقديم الدعم التشغيلي لـ APIs الاستدلال، الطوابير، طبقات الاسترجاع، وتدفقات العمل الذكاء الاصطناعي التي تعمل على Kubernetes/EKS
- إنشاء الملكية، التتبع، والحدود الآمنة حول ما يسمح لأنظمة الوكيل (مثل Sidekick، مستشار النمو) القيام به، بما في ذلك كيفية مكالمتهم للأدوات الداخلية
- الدفاع عن مكالمات الأدوات الوكيل ضد حقن المحفز والمخاطر المتعلقة بالبيانات غير الموثوقة - إنشاء وتنفيذ حدود الثقة للبيانات حتى لا يمكن للمحتوى غير الموثوق من المتجر/المتجر التلاعب بقرارات الوكيل، مكالمات الأدوات، أو الإجراءات
- قيادة حوكمة التكلفة للذكاء الاصطناعي - رؤية الإنفاق لكل نموذج وكل وحدة، تتبع تكلفة الرمز، وتنبيهات الشذوذ
- بناء مسارات الأتمتة والخدمات الذاتية حتى يكون لدى فرق المنتجات مسارًا آمنًا معروفًا للإنتاج بدلاً من إعادة بنائه كل مرة
- تحويل الألم التشغيلي المتكرر إلى معايير منصة بسيطة وقابلة لإعادة الاستخدام تعتمدها الفرق الأخرى
- المشاركة في مناقشات الهندسة المعمارية، مراجعات التعليمات البرمجية، واتخاذ القرارات التقنية
- 4+ سنوات في SRE، هندسة المنصات، DevOps، أو البنية التحتية للإنتاج، تشغيل الأنظمة الموزعة في الإنتاج - ليس فقط في العروض التوضيحية
- خبرة عملية مع Kubernetes والأنظمة السحابية الأصلية في الإنتاج
- الاطلاع على نشر مشاريع التعلم الآلي
- القيادة القوية لـ CI/CD، GitOps، المراقبة، والاستجابة للحوادث
- خبرة قوية مع البنية التحتية كرمز، إدارة الأسرار، والشبكات
- القدرة على كتابة أتمتة أو أدوات المنصة في بايثون، أو لغة مماثلة
- الحكم الإنتاجي - معرفة كيفية جعل الأنظمة قابلة للقياس، قابلة للتصحيح، قابلة للتكرار، وآمنة للتغيير (لا تحتاج إلى أن تكون باحثًا في مجال التعلم الآلي)
- القدرة على العمل عبر الفرق، شرح التضحية بوضوح، وتحويل الألم التشغيلي إلى معايير يستخدمها المهندسون فعلاً
المتطلبات
- خبرة في MLOps أو منصات التعلم الآلي - تقديم النماذج، السجلات، التقييم، الاعتماديات الميزات/البيانات، مراقبة الانحراف، أو خطوط أنابيب التعلم الآلي
- الاطلاع على تطبيقات LLM أو الأنظمة الوكيلية - RAG، قواعد البيانات المتجهة، مكالمات الأدوات، تنسيق تدفق العمل، الذاكرة، المسارات، الحدود الآمنة، أو خطوط أنابيب التقييم
- التعرض للأدوات مثل OpenTelemetry، Prometheus، Grafana، MLflow، KServe، Ray، LiteLLM، vLLM، LangGraph، Arize Phoenix، أو LangSmith
- خبرة في مستهلكي Kafka، أعباء العمل GPU، تحسين الاستدلال، توجيه النموذج، أو حوكمة تكلفة الذكاء الاصطناعي
- خبرة في العمل في فرق المنتجات المتعددة الوظائف التي تشمل مهندسي الذكاء الاصطناعي، الخلفية، والواجهة الأمامية