أول أمس
الذكاء الاصطناعي للهندسة المعمارية
Meeru AI Inc · India
Workableقدّم عبر موقع الشركة
Remote
نبذة عن الوظيفة
حول ميرو منظمة العفو الدولية
تقوم Meeru AI ببناء منصة أصلية للذكاء الاصطناعي تعمل على تغيير طريقة عمل فرق المالية والمحاسبة. نحن نتصل بالأنظمة المالية للمؤسسة - أنظمة تخطيط موارد المؤسسات (ERP)، وإدارة علاقات العملاء (CRM)، ومنصات الفوترة، ونظام معلومات الموارد البشرية (HRIS) - ونطبق التعلم الآلي لتحويل البيانات التشغيلية المجزأة إلى معلومات استخباراتية مرتكزة وقابلة للتدقيق للمديرين الماليين ووحدات التحكم وقادة FP&A. نحن ننشر وفقًا لشروط العملاء - SaaS متعدد المستأجرين، وSaaS مستأجر واحد، ومحليًا - عبر AWS وAzure وGCP. عملاؤنا هم فرق التمويل Fortune 500 الذين يحتاجون إلى عزل البيانات وإمكانية التدقيق والامتثال. الدور نحن نبحث عن مهندس ذكاء اصطناعي للمساعدة في تصميم وبناء محرك الذكاء في قلب منصتنا، ووكلاء الذكاء الاصطناعي للمحادثة الذين يجلسون فوقه ويقدمون الإجابات بشكل حتمي. يقع مخرجاتنا بجوار البيانات المالية المبلغ عنها خارجيًا. إن عبارة "يبدو معقولاً" ليست جيدة بما فيه الكفاية على الإطلاق. يقوم المحرك الذي تساعد في تصميمه بتحويل بيانات المؤسسة المتصلة إلى إجابات محسوبة وقابلة للتكرار وقابلة للتتبع إلى بيانات مصدر تم التحقق منها - وليست مرتجلة بواسطة نموذج. يقوم الوكلاء الذين يجلسون في الأعلى بتفسير ما يطلبه المستخدم، وتوجيهه إلى المحرك، وتقديم النتيجة بلغة طبيعية دون اختراع جوهر الإجابة على الإطلاق. هذا دور معماري عملي للغاية. يمكنك تعيين التوجيه الفني لطبقة المحرك والوكيل، والشراكة بشكل وثيق مع قيادة الذكاء الاصطناعي في الولايات المتحدة ومهندس الذكاء الاصطناعي للموظفين بشأن دقة التأريض والتقييم، ورفع مستوى كيفية بناء الذكاء الاصطناعي الحتمي والقابل للتدقيق عبر الفريق. ما الذي يجعل هذا الدور مختلفا
- الحتمية حسب التصميم — يحسب المحرك الإجابات من البيانات التي تم التحقق منها. نفس السؤال مقابل نفس البيانات يُرجع نفس الإجابة المبررة والقابلة للتفسير.
- الفصل الواضح بين الاهتمامات — المحرك الذي يبرر ويقرر. يقوم وكلاء المحادثة بالتنسيق والسرد، لكنهم لا يختلقون الجوهر أبدًا.
- قابلة للتدقيق من البداية إلى النهاية - كل إجابة ترجع إلى مصدر البيانات والمنطق الذي أنتجها، لأن مدققي عملائنا سيسألون.
يتم النشر في سحابات العملاء - بما في ذلك LLMs المُدارة في VPC، بحيث لا تترك بيانات العميل بيئتهم أبدًا.
المتطلبات
- خبرة تطبيقية على مستوى كبار الموظفين/الذكاء الاصطناعي/تعلم الآلة. لقد قمت بشحن أنظمة ذكاء اصطناعي للإنتاج، وليس مجرد نماذج أولية، وقمت بقيادة التوجيه الفني لواحدة منها على الأقل.
- الطلاقة العميقة في أنماط LLM الحديثة. خبرة عملية مع توليد الاسترجاع المعزز (RAG)، ووكلاء استخدام الأدوات، والمخرجات المنظمة (على سبيل المثال، مخططات JSON، واستدعاء الوظائف).
- تنسيق الوكيل. لقد قمت بإنشاء مسارات عمل وكيل متعددة الخطوات باستخدام LangGraph أو إطار عمل مشابه، بما في ذلك خطوات التحقق والاحتياطيات والنقاط التي يؤكد فيها الإنسان قبل متابعة النظام.
- هندسة النظم. يمكنك تصميم المحرك وواجهات البيانات الخاصة به وطبقة الوكيل في الأعلى كنظام واحد متماسك وقابل للصيانة وتوثيق القرارات (على سبيل المثال، سجلات قرارات الهندسة المعمارية).
- التأريض ومكافحة الهلوسة والتقييم. لقد جعلت "لا توجد إجابات غير مدعومة" قاعدة صارمة في نظام حقيقي، وقمت بقياس الإخلاص والهلوسة من خلال التقييمات الآلية، والتي يتم تشغيلها بشكل مثالي في CI.
- الحتمية على رأس النماذج الاحتمالية. أنت تعرف كيفية جعل نفس السؤال مقابل نفس البيانات يعيد نفس الإجابة، ويمكنك شرح التقنيات التي استخدمتها.
- حكم واضح حول ما يمكن أن يطالب به النموذج بشكل مشروع. أنت تفهم سبب أهمية الإجابات المحسوبة والقابلة للتتبع أكثر من الإجابات التي تبدو معقولة في مجال عالي المخاطر.
- هندسة برمجيات الإنتاج بلغة بايثون. أنت تكتب خدمات قوية ومختبرة مع إمكانية وصول SQL إلى المستودعات أو قواعد البيانات (على سبيل المثال، Snowflake وPostgreSQL)، وتكون مرتاحًا للنشر في حاويات.
- البيانات المنظمة وأدوات الاسترجاع. معرفة عملية بمخازن المتجهات (pgvector أو Pinecone أو Weaviate أو Qdrant) وحساب الإجابات الموثوقة عبر البيانات المنظمة.
- القيادة الفنية. أنت تقوم بتوجيه المهندسين، وإجراء مراجعات التصميم، وتحويل الإستراتيجية التي وضعتها القيادة الأمريكية إلى تنفيذ جيد البناء.
- التواصل القوي. يمكنك شرح المقايضات المتعلقة بالهندسة المعمارية للمهندسين ومديري المنتجات وأصحاب المصلحة غير التقنيين بلغة إنجليزية واضحة.
- الموقع وساعات العمل. مقره في حيدر أباد (مفضل) أو بعيد في أي مكان آخر، وقادر على الاحتفاظ ببضع ساعات من التداخل اليومي مع المناطق الزمنية بالولايات المتحدة.
- المشاركة المرنة. مفتوح للعمل بدوام كامل، أو التعاقد، أو التعاقد للتوظيف، أيهما يناسبك.
لطيف أن يملك
- المالية أو المحاسبة أو المجالات الأخرى التي يتم تدقيقها. خبرة حيث تواجه المخرجات المراجعين أو المنظمين (المالية والرعاية الصحية والتأمين والقانونية).
- الرسوم البيانية المعرفة ومحركات المنطق. خبرة في الرسوم البيانية المعرفية أو الطبقات الدلالية أو محركات القواعد/الاستدلال التي تمثل الحقائق والعلاقات.
- أنظمة الإنسان في الحلقة. لقد قمت بتصميم حلقات مراجعة أو تأكيد أو تعليقات تعمل على تحسين النظام بمرور الوقت.
- إدارة LLM داخل سحابات العملاء. التدريب العملي على Amazon Bedrock، أو Google Vertex AI، أو Azure OpenAI المنتشرة في الشبكة الخاصة للعميل (VPC)، بحيث لا تترك البيانات بيئتهم أبدًا.
- نشر متعدد السحابة ومحلية. استمتع بتجربة شحن الذكاء الاصطناعي إلى AWS وAzure وGCP، بما في ذلك عمليات التثبيت الفردية والمحلية، والعمل مع فرق النظام الأساسي على تقديم النماذج وتكلفة الاستدلال.
- إمكانية ملاحظة الذكاء الاصطناعي. خبرة في أدوات التتبع والتقييم لتطبيقات LLM.
المسؤوليات
1About Meeru AI
2What makes this role different
3Deterministic by design — the engine computes answers from verified data. The same question against the same data returns the same grounded, explainable answer.
4A clear separation of concerns — the engine reasons and decides; the conversational agents orchestrate and narrate, but never fabricate the substance.
5Auditable end to end — every answer traces back to its source data and the logic that produced it, because our customers' auditors will ask.
6Deploys in customer clouds — including managed LLMs in-VPC, so customer data never leaves their environment.
7Requirements
8Senior or staff-level applied AI/ML experience. You have shipped production AI systems, not just prototypes, and have led the technical direction on at least one of them.
المتطلبات
1Senior or staff-level applied AI/ML experience. You have shipped production AI systems, not just prototypes, and have led the technical direction on at least one of them.
2Deep fluency in modern LLM patterns. Hands-on experience with retrieval-augmented generation (RAG), tool-using agents, and structured output (e.g., JSON schemas, function calling).
3Agent orchestration. You have built multi-step agent workflows with LangGraph or a similar framework, including verification steps, fallbacks, and points where a human confirms before the system proceeds.
4Systems architecture. You can design an engine, its data interfaces, and the agent layer on top as one coherent, maintainable system, and document decisions (e.g., architecture decision records).
5Grounding, hallucination control, and evaluation. You have made "no unsupported answers" a hard rule in a real system, and measured faithfulness and hallucination with automated evaluations, ideally running in CI.
6Determinism on top of probabilistic models. You know how to make the same question against the same data return the same answer, and can explain the techniques you used.
7Clear judgment about what a model can legitimately claim. You understand why computed, traceable answers matter more than plausible-sounding ones in a high-stakes domain.
8Production software engineering in Python. You write robust, tested services with SQL access to warehouses or databases (e.g., Snowflake, PostgreSQL), and you are comfortable with containerized deployment.
9Structured data and retrieval tooling. Working knowledge of vector stores (pgvector, Pinecone, Weaviate, or Qdrant) and of computing reliable answers over structured data.
10Technical leadership. You mentor engineers, run design reviews, and turn strategy set by US leadership into well-built execution.
11Strong communication. You can explain architecture trade-offs to engineers, product managers, and non-technical stakeholders in clear English.
12Location and working hours. Based in Hyderabad (preferred) or remote elsewhere, and able to keep a few hours of daily overlap with US time zones.
13Flexible engagement. Open to full-time, contract, or contract-to-hire, whichever suits you best.
14Finance, accounting, or other audited domains. Experience where outputs face auditors or regulators (finance, healthcare, insurance, legal).
المزايا
1Deploys in customer clouds — including managed LLMs in-VPC, so customer data never leaves their environment.
المهارات والوسوم
INPythonSQLPostgreSQLAWSAzureMachine LearningProduct ManagementAccountingAuditFinancial AnalysisLogisticsCompliance
