أسئلة مقابلة مهندس ذكاء اصطناعي (2026)
دور مهندس الذكاء الاصطناعي أحدث وأقل توحيدًا من البرمجيات أو علم البيانات، لذا تتفاوت المقابلات بشكل كبير — لكن عملية 2026 تستكشف عادة أساسيات LLM، والتوليد المعزز بالاسترجاع (RAG)، وهندسة الأوامر والسياق، والتقييم، وعمل الهندسة اللازم لإطلاق ميزات ذكاء اصطناعي بشكل موثوق. كثير من العمليات تحتفظ أيضًا بجولة برمجة كلاسيكية، فلا تتجاهل بنى المعطيات.
يبحث القائمون على المقابلة عن شخص يفهم النماذج والهندسة المحيطة بها معًا: كيف تعمل المحولات (transformers) والانتباه (attention) على المستوى المفاهيمي، وكيف تُرسّخ نموذجًا بالاسترجاع، وكيف تقيّم أنظمة غير حتمية، وكيف تضبط زمن الاستجابة والتكلفة في الإنتاج. القول بشكل غامض 'فقط نستدعي الواجهة البرمجية' طريقة سريعة للفشل.
لأن هذا المجال يتطور سريعًا، فإن إظهار أنك تستدل من المبادئ الأولى — وأنك تُطلق وتقيس، لا تجرّب فقط — أهم من استذكار أرقام قياسية (benchmarks) قديمة.
أسئلة مقابلة مهندس ذكاء اصطناعي وكيفية الإجابة عنها
1. اشرح كيف يعمل الانتباه (attention) في المحوّل (transformer)، على مستوى عام.
النهج: صف query/key/value، والانتباه بحاصل الضرب النقطي المُقيّس، ولماذا تسمح self-attention لكل رمز (token) بالانتباه إلى كل رمز آخر — ما يلتقط التبعيات طويلة المدى التي تعاني منها RNNs. اذكر دور الانتباه متعدد الرؤوس وتكلفته التربيعية.
2. كيف تصمم نظام RAG لقاعدة معرفة شركة؟
النهج: اشرح خط الأنابيب: استراتيجية التقطيع (chunking)، اختيار نموذج التضمين (embedding)، مخزن متجهات (vector store)، الاسترجاع (top-k، هجين مع الكلمات المفتاحية)، إعادة الترتيب (reranking)، وتجميع الأمر (prompt). ناقش تداخل القطع، وتحديث البيانات القديمة، والاستشهاد بالمصادر.
3. كيف تقلل الهلوسة (hallucinations) في تطبيق LLM؟
النهج: رسّخ بالاسترجاع، وقيّد بمخرجات منظمة، وخفّض درجة الحرارة (temperature) للمهام الواقعية، وأضف متطلبات الاستشهاد، وتحقق بمرور ثانٍ أو قواعد. أكّد على التقييم: لا يمكنك تقليل ما لا تقيسه.
4. كيف تقيّم ميزة LLM غير حتمية؟
النهج: ابنِ مجموعة تقييم موسومة، واستخدم تقييمًا مبنيًا على معايير أو LLM-as-judge، وتتبّع التراجع عند تغييرات الأمر/النموذج، واجمع بين التقييمات دون اتصال والمقاييس عبر الإنترنت. اذكر تكلفة وتحيز LLM-as-judge.
5. متى تستخدم fine-tuning مقابل RAG مقابل هندسة الأوامر؟
النهج: هندسة الأوامر أولًا (الأرخص والأسرع). RAG للمعرفة/الحداثة. fine-tuning للسلوك أو التنسيق أو أسلوب المجال الذي لا تستطيع هندسة الأوامر تحقيقه بشكل موثوق. غالبًا مزيج؛ برّر بالتكلفة وزمن الاستجابة وقابلية الصيانة.
6. كيف تضبط زمن الاستجابة والتكلفة في منتج LLM؟
النهج: اختيار النموذج حسب المهمة (نماذج صغيرة للأدوار السهلة)، تقليم الأمر/السياق، التخزين المؤقت، البث (streaming) لتحسين زمن الاستجابة المُدرَك، التجميع (batching)، والتوجيه. قدّر كمّيًا: سياق أصغر ونموذج أرخص قد يخفضان التكلفة بمقدار رتبة كاملة.
7. ما المقايضات بين تشغيل نموذج محليًا مقابل عبر واجهة سحابية؟
النهج: محليًا: خصوصية، لا تكلفة لكل رمز، يعمل دون اتصال، لكن محدود بالعتاد وحجم النموذج. سحابيًا: نماذج متطورة وقابلية للتوسع، لكن بتكلفة وزمن استجابة وخروج بيانات من جهازك. اربط بحالة الاستخدام — وهي بالضبط المقايضة التي بُني Natively حولها.
8. كيف تختار نموذج تضمين (embedding) للاسترجاع؟
النهج: طابِق المجال واللغة، وتحقق من معايير شبيهة بـ MTEB، وزن حجم الأبعاد مقابل التخزين/زمن الاستجابة، وتحقق على بياناتك الخاصة بتقييم استرجاع. لا تثق بلوحة صدارة أكثر من اختبار خاص بمجالك.
9. نفّذ بحثًا دلاليًا بسيطًا على مجموعة من الوثائق.
النهج: ضمّن الوثائق والاستعلام، خزّن المتجهات، احسب تشابه جيب التمام (أو استخدم فهرس متجهات مثل sqlite-vec/FAISS)، وأعد أفضل k نتيجة. ناقش التسوية (normalization) ومقايضة السرعة/الدقة في البحث التقريبي عن الجار الأقرب.
10. حدّثني عن ميزة ذكاء اصطناعي أطلقتها وكيف قِستَ نجاحها.
النهج: استخدم STAR. أكّد على منهجية التقييم والمقياس في الإنتاج، لا العرض التوضيحي فقط. يُطلب مهندسو ذكاء اصطناعي يُطلقون ويقيسون — لا من يجرّبون بلا نهاية.
احصل على مساعدة فورية في مقابلة مهندس الذكاء الاصطناعي
Natively نفسه تطبيق ذكاء اصطناعي محلي أولًا — نماذج LLM على الجهاز، واسترجاع RAG محلي باستخدام sqlite-vec، وبنية bring-your-own-key. في مقابلة هندسة ذكاء اصطناعي مباشرة، يمكنه تفريغ السؤال نصيًا وإظهار تعريف دقيق أو مقايضة في الوقت الفعلي على جهازك.
