المسمى الوظيفي: كبير مديري المشاريع التقنية (هندسة الذكاء الاصطناعي)
القسم: هندسة الذكاء الاصطناعي / تسليم المنتجات
ملخص الدور الوظيفي
نحن نبحث عن كبير مديري المشاريع التقنية يمتلك خبرة عملية في هندسة الذكاء الاصطناعي لتولي مسؤولية مشاريع الذكاء الاصطناعي من البداية إلى النهاية—بدءًا من التخطيط الأولي وتحديد النطاق، ووصولاً إلى التنفيذ والتقييم وإطلاق الإنتاج.
مسؤوليتك الأساسية هي إدارة المشاريع بشكل عملي: ملكية خطط التنفيذ، وتتبع المراحل الرئيسية، وإدارة التبعيات، وضمان التسليم الموثوق. على عكس أدوار إدارة المشاريع التقليدية، يتطلب هذا المنصب خبرة عملية في بناء أنظمة الذكاء الاصطناعي وإطلاقها. ستعمل كجسر بين الهندسة والقيادة التنفيذية، ممثلاً حكمًا تقنيًا مستنيرًا في قرارات النطاق، والتوازنات المعمارية، وبوابات الجودة.
المسؤوليات الرئيسية
- التخطيط للمشاريع وإدارة التسليم
- ملكية النطاق والجدول الزمني: ترجمة أهداف العمل إلى نطاقات مشاريع واضحة، ومراحل رئيسية، وجداول زمنية للتسليم، ومقاييس نجاح قابلة للقياس الكمي.
- التنفيذ والمساءلة: تحديد ملكية المهام، ومعايير القبول، وتقديرات الجهد، والتزامات التسليم؛ وتتبع التقدم اليومي مقابل الخطوط المرجعية المتفق عليها.
- إدارة التبعيات والسعة: تنسيق التبعيات بين المنتجات المختلفة، وحل اختناقات الموارد، وإدارة الأولويات المتنافسة عبر الفرق الهندسية.
- التخفيف من المخاطر والعوائق: تحديد عوائق التسليم بشكل استباقي، وقيادة الحلول السريعة، وتصعيد المشكلات الحرجة إلى القيادة مع تقديم توصيات ملموسة.
- حوكمة التغيير: إدارة التغييرات في النطاق أو الجدول الزمني أو الموارد مع صانعي القرار مع وضع خطوط مرجعية معدلة.
- الإشراف التقني على الذكاء الاصطناعي والتوافق الهندسي
- تقييم الجدوى التقنية: الشراكة مع القادة الهندسيين لتقييم ما إذا كانت نماذج وبنيات الذكاء الاصطناعي/تعلم الآلة المقترحة تناسب مشكلة العمل.
- الدقة والبساطة: التشكيك في التقديرات الهندسية غير الواقعية، والبنيات المعقدة للغاية، والافتراضات التقنية المبتسرة. تقديم المشورة للفرق عندما تكون الحلول البرمجية القياسية أو القواعد الإرشادية البسيطة أفضّل من الذكاء الاصطناعي.
- تحليل المفاضلات: تقييم المفاضلات التقنية بين دقة النموذج، وزمن استجابة التأخير، والتكلفة التشغيلية، وقابلية الصيانة، وموثوقية النظام.
- إعادة الاستخدام عبر المنتجات: تحديد الفرص لإعادة استخدام مكونات الذكاء الاصطناعي، وأطر التقييم، والأنماط المعمارية عبر المنتجات المختلفة.
- ضمان الجودة، والتقييم، ومعايير الإصدار
- أطر التقييم: ضمان تضمين طرق تقييم صارمة، ومقاييس مرجعية ممثلة، وأهداف جودة إحصائية في كل مرحلة من مراحل مشروع الذكاء الاصطناعي.
- الحراسة بين العروض التوضيحية والإنتاج: التمييز بين عروض إثبات المفهوم المبكرة والجاهزية الحقيقية للإنتاج؛ والتحدي والتشكيك في الادعاءات غير المدعومة المتعلقة بدقة النموذج أو اكتماله.
- حواجز الحماية للإنتاج: ضمان أن خطط المشاريع تأخذ في الاعتبار المراقبة الفورية، وآليات التعامل مع الفشل/الاستجابة البديلة، وأمن البيانات، والإشراف البشري.
- الرؤية، والتقارير، وتوافق الأولويات
- التقارير القائمة على الأدلة: التحقق من التقدم باستخدام أدلة ملموسة (العروض التوضيحية، ونتائج الاختبارات، وتقارير التقييم، وسجلات النشر) بدلاً من التحديثات غير الرسمية.
- الشفافية التنفيذية: الحفاظ على مصدر واحد للحقيقة لحالة المنتج، والمخاطر الرئيسية، والقرارات المفتوحة، والخطوات التالية للقيادة التنفيذية.
- التحكم في النطاق: تحديد زحف النطاق، والجهود المكررة، أو العمل التقني الذي يفتقر إلى عائد واضح على الاستثمار للعمل، مما يجعل تأثير التغييرات المقترحة صريحًا.
- تتبع القرارات: توثيق القرارات التقنية والتشغيلية الرئيسية، وضمان انعكاس جميع خطط التسليم على النتائج المتفق عليها.
- تحسين عملية التسليم
- توحيد العمليات: وضع تعريفات واضحة وعملية للجاهزية (DoR)، وتعريفات الإنجاز (DoD)، ومعايير إصدار الإنتاج.
- اجتماعات مركزة: تيسير جلسات تخطيط فعالة، ومراجعات للمخاطر التقنية، وعروض توضيحية للمراحل الرئيسية التي تعزز إمكانية التنبؤ دون إضافة أعباء إدارية إضافية.
المؤهلات والخبرات المطلوبة
- الخبرة: سجل حافل ومثبت كمدير مشاريع تقنية، أو مدير برامج تقنية، أو قائد هندسي في تسليم مشاريع برمجية معقدة.
- خلفية عملية في الذكاء الاصطناعي: خبرة عملية مباشرة في بناء أو اختبار أو نشر أنظمة الذكاء الاصطناعي/تعلم الآلة في بيئات الإنتاج (تتجاوز مجرد استخدام توجيه النماذج اللغوية الكبيرة أو أغطية واجهات برمجة التطبيقات API wrappers).
- سجل التسليم: قدرة مثبتة على إدارة خطط مشاريع متعددة الأوجه، وموازنة المفاضلات بين الوظائف المختلفة، وإطلاق المنتجات في المواعيد المحتدمة.
- العمق التقني: فهم عميق لدورات حياة تطوير الذكاء الاصطناعي، وأطر التقييم، ومفاضلات التكلفة/زمن استجابة النموذج، ومتطلبات مراقبة الإنتاج.
- إدارة أصحاب المصلحة: مهارات تواصل استثنائية—براعة متساوية في مناقشة مقاييس التقييم مع مهندسي الذكاء الاصطناعي وتقديم تقييمات المخاطر للرؤساء التنفيذيين.
- عقلية تحليلية: نهج قائم على البيانات في تتبع التقدم، والتحقق، وحل المشكلات.
ملف المرشح المثالي
- من يُستهدف بهذا الدور: قائد تقني مخضرم يجمع بين الانضباط الصارم لإدارة المشاريع والسياق الحقيقي لهندسة الذكاء الاصطناعي، ويطلب أدلة على التقدم ويحمل الفرق المسؤولية عن جودة الإنتاج.
- من لا يُستهدف بهذا الدور: مدير مشاريع غير تقني يعتمد فقط على تتبع التذاكر، أو باحث/أخصائي ذكاء اصطناعي غير مهتم بتنفيذ المشاريع، والجداول الزمنية، وحوكمة التسليم.
Position: Senior Technical Project Manager (AI Engineering)
Department: AI Engineering / Product Delivery
Role Summary
We are seeking a Senior Technical Project Manager with hands-on AI engineering experience to own AI projects end-to-end—from initial planning and scoping through execution, evaluation, and production release.
Your core responsibility is hands-on project management: owning execution plans, tracking milestones, managing dependencies, and ensuring reliable delivery. Unlike traditional project management roles, this position requires practical experience building and shipping AI systems. You will bridge the gap between engineering and executive leadership, bringing informed technical judgment to scope decisions, architectural trade-offs, and quality gates.
Key Responsibilities
- Project Planning & Delivery Management
- Scope & Schedule Ownership: Translate business objectives into clear project scopes, milestones, delivery schedules, and quantifiable success metrics.
- Execution & Accountability: Define task ownership, acceptance criteria, effort estimates, and delivery commitments; track day-to-day progress against agreed baselines.
- Dependency & Capacity Management: Coordinate cross-product dependencies, resolve resource bottlenecks, and manage competing priorities across engineering teams.
- Risk & Blocker Mitigation: Proactively identify delivery blockers, lead rapid resolution, and escalate critical issues to leadership with concrete recommendations.
- Change Governance: Manage changes to scope, schedule, or resources with decision-makers while establishing revised baselines.
- AI Technical Oversight & Engineering Alignment
- Technical Feasibility Assessment: Partner with engineering leads to evaluate whether proposed AI/ML models and architectures suit the business problem.
- Rigor & Simplicity: Challenge unrealistic engineering estimates, overly complex architectures, and premature technical assumptions. Advise teams when simple heuristics or standard software solutions are preferable to AI.
- Trade-Off Analysis: Evaluate technical trade-offs between model accuracy, response latency, operational cost, maintainability, and system reliability.
- Cross-Product Reuse: Identify opportunities to reuse AI components, evaluation frameworks, and architectural patterns across products.
- Quality Assurance, Evaluation & Release Criteria
- Evaluation Frameworks: Ensure every AI project milestone incorporates rigorous evaluation methods, representative benchmarks, and statistical quality targets.
- Demonstration vs. Production Gatekeeping: Distinguish early proof-of-concept demos from true production readiness; challenge unsupported claims regarding model accuracy or completion.
- Production Guardrails: Ensure project plans account for real-time monitoring, failure-handling/fallback mechanisms, data security, and human-in-the-loop oversight.
- Visibility, Reporting & Priority Alignment
- Evidence-Based Reporting: Verify progress using tangible evidence (demonstrations, test results, evaluation reports, and deployment logs) rather than informal updates.
- Executive Transparency: Maintain a single source of truth for product status, key risks, open decisions, and next steps for executive leadership.
- Scope Control: Identify scope creep, redundant efforts, or technical work lacking clear business ROI, making the impact of proposed changes explicit.
- Decision Tracking: Document key technical and operational decisions, ensuring all delivery plans reflect agreed outcomes.
- Delivery Process Optimization
- Process Standardisation: Establish clear, practical Definitions of Ready (DoR), Definitions of Done (DoD), and production release standards.
- Focused Ceremonies: Facilitate efficient planning sessions, technical risk reviews, and milestone demos that enhance predictability without adding administrative overhead.
Required Qualifications & Experience
- Experience: Proven track record as a Technical Project Manager, Technical Program Manager, or Engineering Lead delivering complex software projects.
- Hands-On AI Background: Direct, practical experience building, testing, or deploying AI/ML systems in production environments (beyond basic LLM prompting or API wrapper usage).
- Delivery Track Record: Demonstrated ability to manage multi-faceted project plans, balance cross-functional trade-offs, and ship products on schedule.
- Technical Depth: Deep understanding of AI development lifecycles, evaluation frameworks, model latency/cost trade-offs, and production monitoring requirements.
- Stakeholder Management: Exceptional communication skills—equally adept at discussing evaluation metrics with AI engineers and presenting risk assessments to C-suite executives.
- Analytical Mindset: Data-driven approach to progress tracking, verification, and problem-solving.
Ideal Candidate Profile
- Who this role IS for: A seasoned technical leader who combines rigorous project management discipline with real AI engineering context, demanding evidence of progress and holding teams accountable for production quality.
- Who this role IS NOT for: A non-technical project manager relying solely on ticket tracking, or an AI researcher/specialist uninterested in project execution, schedules, and delivery governance.