شرکت: شریف کلینیک (Sharif Clinic)
موقعیت: تهران
چشمانداز ما:
در شریف کلینیک، ما باور داریم که آینده سلامت انسان با هوش مصنوعی گره خورده است. مأموریت ما ساخت نسل آینده راهکارهای هوشمند درمانی است؛ ابزارهایی که به پزشکان قدرت تحلیل دقیقتر و به بیماران امکان مراقبتی بهتر را میدهند. ما تیمی از پیشگامان و متخصصان حل مسئله هستیم و برای برداشتن گامهای بزرگ بعدی، به دنبال بهترینها میگردیم تا به ما بپیوندند.
نقش شما:
ما به دنبال متخصصان باتجربهای هستیم که در حداقل یکی از حوزههای تخصصی زیر دارای تسلط عمیق و سابقه کاری درخشان باشند. تخصص شما به ما کمک میکند تا چالشهای پیچیده دادههای پزشکی را به راهکارهای هوشمند و قابل اعتماد تبدیل کنیم.
حوزههای تخصصی مورد نظر (تسلط عمیق بر حداقل یک حوزه الزامی است):
1. مدلهای زبان بزرگ و NLP (Large Language Models & NLP):
- کاربرد LLMها: فاین-تیونینگ تخصصی، RAG و ارزیابی مدل در حوزه پزشکی.
- پردازش متن بالینی: استخراج اطلاعات (NER)، خلاصهسازی و ساخت دستیارهای هوشمند.
2. بینایی ماشین و هوش اسناد (Computer Vision & Document AI):
- تحلیل تصاویر پزشکی (DICOM, WSI): سگمنتیشن، طبقهبندی و تشخیص ناهنجاری.
- هوش اسناد (Document AI): استخراج اطلاعات از اسناد با OCR و مدلهای آگاه از چیدمان.
- تکنیکهای پیشرفته: یادگیری خودنظارتی/نیمهنظارتی و تحلیل چندوجهی (Multi-modal).
3. دانش دادههای کلاسیک و پیشبین (Predictive & Statistical Data Science):
- مدلسازی پیشبین (با دادههای EHR): پیشبینی ریسک و روند بیماری.
- آمار پیشرفته: تحلیل بقا (Survival Analysis)، سریهای زمانی و استنتاج علی (Causal Inference).
4. پردازش سیگنال و صوت (Signal & Speech Processing):
- تحلیل سیگنالهای بیولوژیکی (ECG, EEG): تشخیص آریتمی و ناهنجاریها.
- پردازش صوت پزشکی: تشخیص بیومارکرهای صوتی و پیادهسازی Speech-to-Text.
صلاحیتهای بنیادین (انتظار میرود نامزدهای ارشد در بخش بزرگی از این مهارتها قوی باشند):
1. برنامهنویسی و مهندسی نرمافزار:
- Python: تسلط بر پایتون و اصول کدنویسی تمیز (Clean Code).
- Git: مهارت در استفاده حرفهای از Git برای فرآیندهای تیمی.
- بهینهسازی: آشنایی با Java یا Go برای ماژولهای پرفورمنس-محور (مزیت بزرگ).
2. کار با داده و پایگاههای داده:
- SQL: تسلط بر کوئریهای پیچیده، Window Functions و بهینهسازی.
- دادههای بزرگ: تجربه کار با پلتفرمهایی مانند Spark, BigQuery, ClickHouse.
- پایپلاین داده: توانایی طراحی و پیادهسازی پایپلاینهای کارآمد ETL/ELT.
3. فریمورکها و ابزارهای ML:
- یادگیری عمیق: تسلط بر PyTorch یا TensorFlow و اکوسیستم آنها (مانند Hugging Face).
- کتابخانههای کلیدی: مهارت بالا در Scikit-learn, Pandas, NumPy و ابزارهای مصورسازی.
4. MLOps و استقرار مدل:
- کانتینرسازی: تجربه عملی با Docker و آشنایی با مفاهیم Kubernetes.
- اتوماسیون و پایش: درک فرآیندهای CI/CD و ابزارهای Monitoring مدل.
- استانداردهای پزشکی: آشنایی با DICOM, FHIR/HL7 (مزیت بزرگ).
5. تفکر تحلیلی و حل مسئله:
- رویکرد علمی: توانایی تعریف دقیق مسئله، فرضیه و متریکهای ارزیابی.
- یادگیری مستمر: اشتیاق به خودآموزی و دنبال کردن آخرین دستاوردهای علمی.
- مهارتهای ارتباطی: توانایی ارائه شفاف مفاهیم فنی پیچیده به اعضای فنی و غیرفنی.
اگر در یک یا چند حوزه بالا تخصص دارید و مشتاقید دانش خود را در محیطی نوآور به کار بگیرید، رزومه خود را برای ما به آدرس ارسال بفرمایید.