هذا ما يجتازه كل مرشح قبل أن يصلك
هذا الدليل هو البوابة الثالثة من خمس بوابات تقييم: جلسة تقنية مباشرة يديرها مهندس بمستوى قائد في ممارسة الذكاء الاصطناعي والبيانات، تليها مهمة عملية تُصحَّح على بطاقة تقييم موحدة. يجتاز البوابات الخمس 3.4% من المتقدمين، وتصلك النتيجة مع كل ملف.
يمكنك استخدام هذه الأسئلة في مقابلاتك الداخلية. التلميحات تصف ما تبحث عنه في الإجابة القوية، لا إجابة نموذجية تُحفظ.
20 سؤالًا تقنيًا
أسئلة خاصة بدور مهندس MLOps / منصات التعلم الآلي
السؤال 1: ما الذي يختبره مسار CI/CD للنماذج ولا يختبره مسار التطبيقات؟
تلميح الإجابة
التحقق من البيانات، والتدريب القابل لإعادة الإنتاج، وعتبات التقييم، وفحوص التحيز، وتواقيع النماذج.
السؤال 2: كيف توزّع وحدات GPU بعدل بين الفرق؟
تلميح الإجابة
الحصص، وفئات الأولوية، ومجموعات عقد مخصصة، وطوابير المهام، وقواعد الإزاحة (Preemption).
السؤال 3: لماذا تستخدم مخزن ميزات، ومتى يكون مبالغة؟
تلميح الإجابة
الاتساق بين التدريب والتقديم والصحة عند نقطة زمنية محددة؛ ويكون مبالغة مع عدد قليل من النماذج البسيطة.
السؤال 4: كيف تعيد إنتاج نموذج دُرّب قبل 6 أشهر؟
تلميح الإجابة
كود بإصدارات محفوظة، ولقطة من البيانات، وصورة البيئة، وبيانات السجل الوصفية، وتتبع المصدر.
السؤال 5: Canary أو Shadow أو A/B: متى تستخدم كلًا منها لنموذج؟
تلميح الإجابة
Shadow للمقارنة دون مخاطرة، وCanary للتعريض التدريجي، وA/B لقياس الأثر على الأعمال.
السؤال 6: كيف تتوسع آليًا مع حركة استدلال متقطعة ومفاجئة؟
تلميح الإجابة
التوسع حسب التزامن أو عمق الطابور، ومجموعات جاهزة مسبقًا، ومشاركة GPU، وموازنة كلفة البدء البارد.
السؤال 7: ما الذي يطلق إعادة التدريب، ومن يوافق عليها؟
تلميح الإجابة
عتبات الانحراف أو الأداء أو جدول زمني؛ ومسار آلي مع بوابة موافقة بشرية.
السؤال 8: كيف تنسب تكلفة الاستدلال وتخفضها؟
تلميح الإجابة
وسم التكلفة لكل نموذج، والمعالجة الدفعية، والتكميم (Quantisation)، ومثيلات بحجم مناسب، وسعة Spot للتدريب.
السؤال 9: كيف تؤمّن سجل النماذج؟
تلميح الإجابة
RBAC، ومخرجات موقّعة وغير قابلة للتعديل، والتشفير، وسجلات التدقيق.
السؤال 10: كيف تطلق تعديلًا على أمر (Prompt) في تطبيق LLM بأمان؟
تلميح الإجابة
أوامر بإصدارات محفوظة، وبوابة تقييم دون اتصال، وطرح مرحلي، ومراقبة الجودة، وتراجع فوري.
أسئلة مشتركة في ممارسة الذكاء الاصطناعي والبيانات
السؤال 11: كيف تختار بين القواعد وتعلّم الآلة التقليدي ونموذج LLM لحل مشكلة ما؟
تلميح الإجابة
ينطلق من قيمة القرار وتكلفة الخطأ، ويختار أبسط خيار يحقق المؤشر المطلوب.
السؤال 12: كيف تكتشف الانحراف بين بيئة التدريب وبيئة التشغيل (training-serving skew)؟
تلميح الإجابة
شيفرة خصائص مشتركة، وتسجيل مدخلات الاستدلال، وفحوص التوزيع بين بيانات التدريب والبيانات الحية.
السؤال 13: كيف تبني مجموعة تقييم تتنبأ بنتائج الإنتاج؟
تلميح الإجابة
عينات ممثِّلة، وتغطية للشرائح، وفحوص للتسرب، وتصنيف بنسبة اتفاق مقيسة، وتحديث وفق جدول.
السؤال 14: ما الذي تضعه في لوحة صحة النموذج، ومن يتصرف عند كل إشارة؟
تلميح الإجابة
الجودة والانحراف وزمن الاستجابة والتكلفة ومؤشر الأعمال، ولكل منها مالك وعتبة.
السؤال 15: كيف تتعامل مع البيانات الشخصية في خط التدريب وفق PDPL أو GDPR؟
تلميح الإجابة
تقليل البيانات، والأساس النظامي، والترميز المستعار، وإقامة البيانات، وحدود الاحتفاظ، وتقييم أثر حماية البيانات (DPIA).
السؤال 16: كيف تتراجع عن تغيير في النموذج أو الأمر (prompt) يُضعف النتائج؟
تلميح الإجابة
سجل نماذج بإصدارات، وإطلاق تجريبي محدود أو في الظل، وبوابات آلية، وتراجع بخطوة واحدة.
السؤال 17: متى يتفوق الضبط الدقيق (fine-tuning) على الاسترجاع أو تحسين الأوامر؟
تلميح الإجابة
السلوك والصيغة وأسلوب المجال ترجّح الضبط الدقيق، والحقائق المتجددة ترجّح الاسترجاع، مع موازنة البيانات والتكلفة.
السؤال 18: صِف حادثة في جودة البيانات اكتشفتها.
تلميح الإجابة
كيف اكتُشفت، والسبب الجذري، والعقد أو الاختبار الذي أُضيف، والتنبيه الموجود الآن.
السؤال 19: كيف تتوقع التكلفة الشهرية لحمل عمل ذكاء اصطناعي وتضع لها سقفًا؟
تلميح الإجابة
الرموز أو ساعات GPU، والتخزين المؤقت، والمعالجة على دفعات، وتوجيه الطلبات بين النماذج، وميزانيات مع تنبيهات.
السؤال 20: اشرح لمسؤول تنفيذي غير تقني مفاضلة في النمذجة اتخذتها.
تلميح الإجابة
لغة بسيطة، والأثر على الأعمال، والخيار المرفوض وسبب رفضه.
مهمة قريبة من أول أسبوع عمل
خذ نموذج scikit-learn مدرّبًا مع بيانات نموذجية، وضعه في حاوية وانشره على عنقود Kubernetes محلي خلف نقطة وصول تتوسع آليًا. سجّله في MLflow، ثم أضف فحص انحراف يُفشل المسار حين تتجاوز توزيعات الميزات عتبة محددة.
أرسل الموجز قبل 24 ساعة أو نفّذ المهمة مباشرة، واطلب من المرشح شرح المفاضلات أثناء العمل؛ فطريقة التفكير أهم من الناتج النهائي. مهمة محددة الوقت، بلا بيانات حقيقية لأي عميل، ويُناقش الحل مع المرشح بعد التسليم لفهم قراراته لا لمجرد النتيجة.
علامات التحذير
- يعامل MLOps على أنه DevOps عادي ويتجاهل التحقق من البيانات والنماذج.
- لا يستطيع تتبع إصدار نموذج حتى بيانات تدريبه.
- لم يتولَّ قط المراقبة أو المناوبة لنموذج في الإنتاج.
- يقترح منصة ثقيلة قبل أن يسأل عن حجم الفريق وعدد النماذج.
- يعجز عن شرح قرار تقني اتخذه بنفسه وسبب اختياره.
- ينسب نتائج الفريق لنفسه دون تفاصيل دوره الفعلي فيها.
أربعة أبعاد، ودرجة اجتياز معلنة
| البُعد | الوزن | ما تعنيه الدرجة 4 من 4 |
|---|---|---|
| العمق التقني وجاهزية الإنتاج والأمن | 40% | يشرح المفاضلات ويصمم للفشل والبيانات الحساسة ويعرف حدود كل أداة |
| المهمة العملية وحل المشكلات | 30% | حل يعمل، مع اختبارات وقرارات موثّقة |
| التواصل والتوثيق | 20% | يشرح بوضوح لجمهور تقني وغير تقني بالعربية أو الإنجليزية |
| المراجع والسياق الإقليمي | 10% | تؤكد المراجع النطاق المذكور، ويعرف الأطر وقواعد إقامة البيانات ذات الصلة |
الاجتياز بمتوسط مرجّح 3.0 من 4 فأكثر، دون أي بُعد أقل من 2. يعتمد قائد الممارسة النتيجة النهائية.