الغرض الوظيفي
يعمل الأخصائي الرئيسي لعلوم البيانات والتحليلات كقائد تقني وممارس أول، يقود تطوير ونشر وتوسيع نطاق حلول التعلم الآلي والذكاء الاصطناعي والتحليلات المتقدمة عبر شركة معادن. يضمن الدور أن تكون منتجات التحليلات مصممة ومعتمدة وصناعية ومحكومة ومعتمدة على نطاق واسع، مما يوفر قيمة قابلة للقياس عبر التعدين والمعالجة والعمليات والوظائف المؤسسية. يتمثل دور الأخصائي الرئيسي لعلوم البيانات والتحليلات في تحليل البيانات واستخلاص الرؤى وبناء النماذج التنبؤية التي تساعد المؤسسات على اتخاذ قرارات أكثر ذكاءً وحل المشكلات الصعبة. من خلال الجمع بين الخبرة في الإحصاء وعلوم الكمبيوتر واستراتيجية الأعمال، لا يقومون فقط بتحليل مجموعات البيانات المعقدة ولكن أيضًا ببناء نماذج تنبؤية تعمل على تحسين العمليات وتشكيل القرارات طويلة الأجل. مع اعتماد كل صناعة تقريبًا على البيانات اليوم، يستمر الطلب على المهنيين المهرة في النمو.
المسؤوليات الرئيسية:
قيادة تسليم علوم البيانات من البداية إلى النهاية
- تطوير وصيانة وتنفيذ قواعد البيانات وأنظمة جمع البيانات
- الإشراف على دورة الحياة الكاملة لمبادرات التعلم الآلي/الذكاء الاصطناعي - من صياغة المشكلة، واستكشاف البيانات، وهندسة الميزات، وتطوير النماذج، والتحقق من الصحة، والتسليم إلى عمليات التعلم الآلي (MLOps).
- تقديم نماذج قابلة للتطوير وجاهزة للإنتاج، مع ضمان التوافق مع حوكمة بيانات المؤسسة ومعايير الذكاء الاصطناعي.
- إجراء التحليل الإحصائي لفهم وتفسير رؤى البيانات
- تطبيق تقنيات التنقيب عن البيانات لتحديد الأنماط والاتجاهات والعلاقات في مجموعات البيانات الكبيرة
- بناء النماذج التنبؤية وخوارزميات التعلم الآلي للتنبؤ بالنتائج المستقبلية
- إنشاء تصورات وتقارير بيانات واضحة لتوصيل النتائج إلى أصحاب المصلحة
- العمل مع الفرق متعددة الوظائف لفهم احتياجات الأعمال وتقديم حلول تعتمد على البيانات
- تصميم وصيانة خطوط بيانات ونماذج موثوقة بالشراكة مع هندسة البيانات لضمان دقة البيانات وتوقيتها وجديرتها بالثقة للاستخدام النهائي
- ضمان أمن البيانات والامتثال للوائح ذات الصلة
- قيادة التجريب وإصدارات النماذج وإعادة التدريب الآلي والتحسين المستمر.
ترجمة احتياجات الأعمال إلى حلول ذكاء اصطناعي/تحليلات
- إنشاء أطر عمل ونماذج تشغيلية تجعل علوم البيانات متاحة وقابلة للتطوير ومدمجة داخل وظائف الأعمال والتقنية
- التواصل مع أصحاب المصلحة في وحدات الأعمال لتحديد فرص خلق القيمة وتحويلها إلى حالات استخدام تحليلات قابلة للتنفيذ
- بناء فرضيات القيمة ومؤشرات الأداء الرئيسية ومعايير النجاح وخرائط طريق الحلول بالتعاون مع قيادة البيانات والذكاء الاصطناعي وفرق الأعمال.
توطين نماذج الذكاء الاصطناعي/التعلم الآلي (عمليات التعلم الآلي والهندسة المعمارية)
- الشراكة مع فرق هندسة البيانات ومنصات البيانات وفرق هندسة السحابة/التقنية التشغيلية (OT) لدمج النماذج في أنظمة المؤسسة والطبقات التشغيلية
- وضع معايير للنشر في الإنتاج والاختبار والمراقبة ومعالجة الانحراف وإدارة دورة الحياة
- ضمان التكامل السلس للنماذج التنبؤية ونماذج التحسين في منصات المؤسسة وأنظمة التحكم والتوائم الرقمية
- الاستفادة من التعلم الآلي والتحسين ورؤية الكمبيوتر كأدوات تمكينية لتحسين الأداء والموثوقية والاستدامة
الذكاء الاصطناعي المسؤول والجودة والحوكمة
- ضمان الامتثال لأطر الذكاء الاصطناعي المسؤول وجودة البيانات وحوكمة البيانات في معادن
- تعزيز قابلية إعادة الإنتاج والتوثيق وتتبع مصدر البيانات وقابلية التدقيق عبر جميع أصول علوم البيانات
- ضمان الشفافية وقابلية التفسير والحوكمة المستمرة للنماذج عبر بيئات الإنتاج والمؤسسة
إدارة أصحاب المصلحة وتحقيق القيمة
- توصيل الرؤى والنتائج والمخاطر والتوصيات إلى صناع القرار باستخدام سرديات مقنعة وتصورات
- تتبع تحقيق القيمة ومقاييس التبني والأثر التشغيلي لضمان فائدة قابلة للقياس.
المؤهلات:
- درجة البكالوريوس في علوم الكمبيوتر أو علوم البيانات أو الهندسة أو الرياضيات أو الإحصاء أو المجالات ذات الصلة.
- الخبرة الدنيا: 6+ سنوات من الخبرة في علوم البيانات / التحليلات المتقدمة، ويفضل في البيئات الصناعية أو التعدين أو الأصول الثقيلة. بما في ذلك سنتان على الأقل في قيادة أو إرشاد محترفي التحليلات.
- قدرة مثبتة على ترجمة مشاكل الأعمال إلى مناهج تحليلية: تحديد الفرضيات، وتصميم التحليلات، وتجميع النتائج في توصيات واضحة.
- إتقان قوي لأطر التعلم الآلي الحديثة والمنصات السحابية (TensorFlow, PyTorch, Azure, AWS) Microsoft AI Factory.
- طلاقة تقنية قوية مع حزم التحليلات الحديثة ونمذجة البيانات وSQL وخبرة في الشراكة الفعالة مع فرق الهندسة.
- التعلم الآلي والتحليلات المتقدمة: خبرة عملية في تطوير ونشر نماذج التعلم الآلي، بما في ذلك التنبؤ بالسلاسل الزمنية والنمذجة التنبؤية وحالات استخدام التحسين.
- فهم قوي لأداء النموذج والتحقق من صحته واستقراره وتأثيره على الأعمال.
- الذكاء الاصطناعي التوليدي والعوامل الذكية: خبرة عملية في حلول الذكاء الاصطناعي التوليدي، بما في ذلك المساعدين الرقميين (Copilots) والأتمتة الذكية وسير العمل القائم على العوامل.
- القدرة على دمج قدرات الذكاء الاصطناعي التوليدي في عمليات المؤسسة لتحسين صنع القرار والكفاءة التشغيلية.
القدرات الجيدة (يفضل امتلاكها):
- هندسة البيانات (تقنية المعلومات + التقنية التشغيلية): خبرة في تصميم وصيانة خطوط البيانات عبر بيئات تقنية المعلومات والتقنية التشغيلية. الإلمام ببيانات الاستشعار ومعالجة البيانات المتدفقة / في الوقت الفعلي ومصادر البيانات الصناعية. القدرة على التعاون مع فرق هندسة البيانات لضمان تدفقات بيانات موثوقة وفي الوقت المناسب وجديرة بالثقة.
- عمليات التعلم الآلي / عمليات العوامل: خبرة في نشر النماذج وإدارة دورة الحياة، بما في ذلك: الانتقال من تطوير النموذج إلى الإنتاج والتوسع. المراقبة وإعادة التدريب وإدارة الإصدارات والانحراف. الإلمام بأتمتة وتشغيل أعباء عمل التعلم الآلي/الذكاء الاصطناعي.
الخبرة والمنصات المفضلة:
- المنصات السحابية والتحليلات: خبرة في العمل مع منصات المؤسسات السحابية، ويفضل: منصة بيانات Microsoft Azure، منصة Databricks للذكاء الاصطناعي، Microsoft AI Foundry / Microsoft AI Factory. فهم البنى السحابية الأصلية لحلول التحليلات والذكاء الاصطناعي القابلة للتطوير.
الكفاءات الأساسية:
- دقة النموذج وموثوقيته: الأداء، واستقرار الانحراف، ووقت التشغيل التشغيلي.
- التبني والأثر على الأعمال: القيمة المحققة، وتبني المستخدم، ونجاح التكامل.
- سرعة التسليم: توقيت دورات التطوير والجاهزية للنشر.
- الامتثال والجودة: التوافق مع الذكاء الاصطناعي المسؤول والحوكمة ومعايير التوثيق.
