مهندس هوش مصنوعی (AI Engineer) - سابقه کم

گروه شغلی

مهندسی / فناوری / هوش مصنوعی

توضیحات شغل

⚠️ توجه: این یک آگهی واقعی نیست و صرفاً تمپلیتی برای آشنایی با انتظارات بازار کار است.

به عنوان یک مهندس هوش مصنوعی با سابقه کم، شما وارد دنیای پر از فرصت‌های یادگیری و رشد خواهید شد. شما مسئول توسعه مدل‌های هوش مصنوعی خواهید بود که می‌توانند تأثیر واقعی بر کسب‌وکار داشته باشند. این شغل برای افرادی مناسب است که علاقه‌مند به داده و الگوریتم‌ها هستند و می‌خواهند مهارت‌های خود را در محیطی حمایتی و پویا توسعه دهند. شما با تیم‌های متنوع همکاری خواهید کرد و تجربه ارزشمندی در زمینه یادگیری ماشین و هوش مصنوعی کسب خواهید کرد. این موقعیت مناسب کسانی است که به دنبال شروع حرفه‌ای در AI هستند و می‌خواهند مهارت‌های خود را در پروژه‌های واقعی پیاده کنند.

وظایف شغلی

مسئولیت‌های شما شامل طراحی، توسعه و پیاده‌سازی مدل‌های هوش مصنوعی برای مسائل واقعی کسب‌وکار خواهد بود.
- همکاری با تیم داده برای جمع‌آوری، پاکسازی و آماده‌سازی داده‌ها
- توسعه الگوریتم‌ها و مدل‌های یادگیری ماشین و یادگیری عمیق
- انجام تحلیل‌های داده برای استخراج الگوها و بینش‌های کلیدی
- ارزیابی و بهینه‌سازی عملکرد مدل‌ها و بهبود دقت پیش‌بینی‌ها
- مستندسازی فرآیندها و مدل‌ها برای تیم‌های داخلی
- ارائه نتایج مدل‌ها به تیم‌های غیر فنی به صورت قابل فهم
- پیگیری پیشرفت‌های اخیر در حوزه هوش مصنوعی و یادگیری ماشین و به‌کارگیری آن‌ها در پروژه‌ها

مهارت های فنی

مهارت‌های فنی مورد نیاز:
- آشنایی با زبان‌های برنامه‌نویسی Python یا R
- تجربه کار با کتابخانه‌های AI/ML مانند TensorFlow، PyTorch، Scikit-learn
- درک مفاهیم یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی و NLP
- توانایی کار با داده‌های بزرگ و پایگاه‌های داده SQL و NoSQL
- آشنایی با ابزارهای تجسم داده مانند Matplotlib، Seaborn یا Plotly
- آشنایی با اصول نرم‌افزار و کنترل نسخه (Git)
- توانایی طراحی و پیاده‌سازی مدل‌های ساده تا متوسط هوش مصنوعی با پشتیبانی تیم

مهارت های نرم

مهارت‌های نرم:
- توانایی یادگیری سریع و تطبیق با فناوری‌های جدید
- تفکر تحلیلی و حل مسئله
- مهارت‌های ارتباطی قوی برای ارائه نتایج به تیم‌های مختلف
- کار تیمی و توانایی همکاری با افراد غیر فنی و فنی
- مدیریت زمان و اولویت‌بندی وظایف
- دقت و توجه به جزئیات در پیاده‌سازی مدل‌ها