استخدام توسعه‌دهنده‌ی هوش مصنوعی (LLM/RAG-حوزه‌ی نرم‌افزار سلامت)

شرح موقعیت شغلی

• ارزیابی قابلیت‌های فعلی و ارائه‌ی نقشه‌ی راه فنی برای بهبود کیفیت، دقت و پایداری پاسخ‌ها
• طراحی و بهبود پرامپت‌ها و ساختار خروجی مدل‌ها برای سناریوهای تحلیل داده‌های آزمایشگاهی
• ساخت چارچوب ارزیابی (Evaluation) با مجموعه‌داده‌ی آزمون، معیارهای سنجش و رگرسیون‌تست
• طراحی و ارتقای پایپ‌لاین‌های RAG (بازیابی، Re-ranking، مدیریت اسناد و کیفیت ارجاع به منابع)
• انتخاب و مقایسه‌ی مدل‌ها بر اساس کیفیت پاسخ فارسی، هزینه، تأخیر و امکان استقرار محلی (On-premise)
• مدیریت ریسک‌های بالینی: کاهش توهم (Hallucination)، Grounding پاسخ‌ها، تعریف مرزهای پاسخ‌گویی
• بهینه‌سازی هزینه و مصرف توکن و افزودن مشاهده‌پذیری (Logging / Tracing) به تعامل با مدل‌ها
• همکاری با تیم توسعه‌ی محصول (.NET و Angular) برای یکپارچه‌سازی و بهبود تجربه‌ی کاربری

• تجربه‌ی عملی ساخت و استقرار محصول مبتنی بر LLM در محیط واقعی (نه فقط نمونه‌ی آزمایشی)
• شناخت عمیق مدل‌های زبانی رایج (خانواده‌های GPT، Claude، Gemini و مدل‌های متن‌باز مانند Llama، Qwen، Mistral) و تفاوت‌های آن‌ها در کیفیت، هزینه، پنجره‌ی متن و پشتیبانی از فارسی
• تسلط به Prompt Engineering، Structured Output، Function Calling و مدیریت مکالمه‌ی چندمرحله‌ای
• تجربه‌ی طراحی و بهینه‌سازی سیستم‌های RAG (Vector Database، مدل‌های Embedding، استراتژی Chunking، ارزیابی بازیابی)
• تجربه‌ی ساخت سیستم ارزیابی برای خروجی LLM (Golden Dataset، LLM-as-Judge، معیارهای دقت و پوشش)
• تجربه‌ی کار روی سیستم‌های پشتیبان تصمیم‌گیری (Decision Support)، ترجیحاً در حوزه‌ی سلامت یا داده‌های حساس
• تسلط به Python و آشنایی کاربردی با C# / .NET
• توانایی تحلیل مسئله، مستندسازی تصمیم‌های فنی و ارائه‌ی گزارش قابل‌فهم برای تیم غیرفنی

• آشنایی با مفاهیم آزمایشگاه تشخیص پزشکی (محدوده‌ی مرجع، مقادیر بحرانی، تفسیر پروفایل‌های آزمایشگاهی)
• تجربه‌ی استقرار مدل‌های متن‌باز به‌صورت محلی (vLLM، Ollama، llama.cpp) و Fine-tuning / LoRA
• آشنایی با ابزارهای ارزیابی و مشاهده‌پذیری LLM (Langfuse، Ragas، Promptfoo)
• تجربه‌ی کار با Semantic Kernel یا Microsoft.Extensions.AI
• آشنایی با استانداردهای HL7 / LOINC و ملاحظات حریم خصوصی داده‌های پزشکی
• تجربه‌ی کار با ابزارهای هوش مصنوعی برای توسعه‌ی نرم‌افزار (Cursor، Claude Code)

• نگاه انتقادی به خروجی مدل و اولویت دادن به ایمنی بالینی بر جذابیت ظاهری پاسخ
• توانایی تبدیل بازخورد مبهم کاربران متخصص به معیارهای قابل‌اندازه‌گیری
• روحیه‌ی آزمایش‌گری و مستندسازی نتایج

• تمام‌وقت، حضوری
• حداقل ۲ سال تجربه‌ی مستقیم در پروژه‌های LLM / NLP
• حقوق توافقی بر اساس سطح مهارت + بیمه

مهارت‌های مورد نیاز

• هوش مصنوعی
• LLM
• Rag

حداقل سابقه کار

• کمتر از سه سال

جنسیت

• مهم نیست

وضعیت نظام وظیفه

• معافیت دائم پایان خدمت

ارسال رزومه