کارشناس عملیات یادگیری ماشین (MLOps Engineer)

این موقعیت شغلی نقطه اتصال مهندسی نرم‌افزار، زیرساخت و مدل‌های هوش مصنوعی است. فرد در این جایگاه مسئولیت پیاده‌سازی، نگهداری و یکپارچه‌سازی مدل‌های زبانی (LLM) و خطوط لوله داده (Data Pipelines) را بر عهده داشته و با استفاده از پلتفرم‌های اتوماسیون گردش‌کار، منطق اجرایی سیستم را به سرویس‌های سازمانی متصل می‌کند.

مهارت‌های مورد نیاز:

• توسعه نرم‌افزار و API: تسلط بر پایتون (Python) و توسعه API (FastAPI/REST).
• زیرساخت و کانتینرها: تسلط بر Linux، Docker و مفاهیم پایه‌ای Kubernetes.
• مفاهیم MLOps و LLMOps: درک فرآیندهای استقرار مدل، CI/CD در یادگیری ماشین و ابزارهای مرتبط.
• داده و پایگاه داده: تجربه کار با پایگاه‌های داده رابطه‌ای/غیررابطه‌ای (SQL/NoSQL) و توانایی پردازش داده‌ها (Data Processing).
• پایگاه داده برداری (Vector DB): آشنایی عملی با دیتابیس‌های برداری (مانند Qdrant, Milvus و …).
• اتوماسیون گردش‌کار (مهارت کلیدی): تجربه عملی کار با ابزارهای Workflow Automation به ویژه n8n جهت طراحی و مدیریت فرآیندها.
• نظارت‌پذیری (Monitoring): آشنایی با ابزارهای مانیتورینگ سلامت سرویس‌ها.

شرح وظایف:

• استقرار، پیکربندی و نگهداری پایپ لاین RAG (شامل قطعه‌بندی داده‌ها، Embedding و ذخیره‌سازی در Vector DB).
• طراحی و توسعه گردش‌کارهای اتوماسیون در n8n جهت اتصال موتور استنتاج هوش مصنوعی (Dify) به سایر سرویس‌های درون‌سازمانی.
• مدیریت داده‌ها و تبادل آن‌ها در قالب‌های استاندارد (JSON) میان عامل‌های هوشمند و سرویس‌های هدف.
• مشارکت در پایش مستمر عملکرد مدل‌های زبانی، ثبت خطاها و مدیریت چرخه عمر مدل‌ها در محیط‌های ایزوله سازمانی.