ماموریت اندرز حذف موانع واقعی یادگیری و تبدیل «تردید» به «اقدام» است.
ما با ابزارهای هوشمند، توانمندی انسان (دانشآموز و معلم) را تقویت میکنیم، نه جایگزین. اینجا محصول میسازیم که به افراد مالکیت مسیر رشدشان را میدهد، نه صرفاً تجربهی خوشایند.
ماموریت نقش
طراحی، پیادهسازی و بهینهسازی مدلها و سرویسهای هوش مصنوعی اندرز (بهویژه LLM و OCR) برای اینکه کیفیت پاسخها بالا برود، زمان و هزینهی پاسخگویی پایین بیاید، و سیستم در مقیاس بالا پایدار و قابل اتکا بماند.
این نقش مستقیماً روی سه KPI اثر میگذارد: Quality (HS/Dislike)، Cost per Question، Latency/Availability.
مسئولیتها
توسعه و بهینهسازی مدلهای LLM و OCR: آمادهسازی داده، Fine-tuning/Training، Evaluation و گزارش نتایج به زبان قابل تصمیم برای تیم محصول.
مالکیت پایپلاین End-to-End: از ورودی دانشآموز (متن/عکس) تا تولید پاسخ نهایی، شامل orchestration، guardrails، fallback و نسخهبندی.
طراحی و اجرای راهکارهای RAG و تسکهای کمکآموزشی: chunking محتوای آموزشی، ایندکس، retrieval، ranking و سنجش کیفیت پاسخها.
کاهش هزینه و افزایش سرعت سرویس: بهینهسازی inference با تکنیکهایی مثل quantization، batching، caching، model routing و انتخاب مدل/پیکربندی مناسب برای هر سناریو.
مانیتورینگ و کنترل کیفیت در تولید: تعریف و پایش متریکها (HS/Dislike، خطاهای مفهومی، time-to-answer، نرخ fallback) و اجرای چرخهی بهبود.
همکاری نزدیک با تیم زیرساخت و ریسرچ: هماهنگی با حسن برای deployment و reliability، و با فاطمه برای مسیر پژوهش تا محصول (research → production).
مستندسازی و کاهش وابستگی: مستندسازی pipelineها، نسخههای مدل، کانفیگها و runbookها به شکلی که سیستم «دانش شخصی» نباشد.
نیازمندیها
تجربه عملی قوی در Python و یکی از فریمورکهای ML (PyTorch ترجیحاً / TensorFlow).
تجربه جدی در NLP یا کار با LLMها (ترجیحاً روی متن فارسی و مسائل کیفیت/توهم/کنترل خروجی).
آشنایی با اصول MLOps برای سرویسدهی مدل: Docker، CI/CD، monitoring/logging، و توانایی دیپلوی و نگهداری سرویس ML در محیط واقعی.
توان تحلیل داده و تصمیمگیری دادهمحور (pandas و SQL در حد کاربردی).
تجربه در OCR / Computer Vision (بهویژه دستخط فارسی) مزیت جدی است.
روحیه Ownership در فاز Wartime: کسی که از دستبهکد شدن، دیباگ تولید، و خاموشکردن آتشهای عملیاتی فرار نکند.
امتیازی (Nice to have)
تجربه کار با Serving stackها (vLLM / TGI / Triton یا مشابه).
تجربه طراحی evaluation framework و تستهای رگرسیون کیفیت برای LLM.
تجربه optimization روی GPU/CPU و مدیریت هزینه inference.
Andarz یک همراه هوشمندِ یادگیری برای دانشآموزان است—بیقضاوت و لحظهمحور. مأموریت ما ساده است: وقتی دانشآموز گیر میکند، در همان لحظه کنارش باشیم و پاسخی کوتاه و مفید بدهیم؛ پاسخی که همیشه در قالب «۳ نکته، ۲ تمرین، ۱ دام» میآید و با یک مینیکوییز تمام میشود تا مطمئن شویم مسئله حل شده است.
ما یک تیم AI-first هستیم: از RAG و ارزیابی خودکار تا تلمتری محصول، همهچیز روی داده میچرخد. فرهنگمان user-obsessed، سادهگو و نتیجهمحور است. در اندرز، عنوان مهم نیست؛ اثر مهم است. اگر دوست داری به محصولی کمک کنی که واقعاً یادگیری دانشآموزان ایرانی را بهتر میکند و خروجی کارت هر هفته در عددها دیده شود، جای تو اینجاست.