سيرة ذاتية مهندس تعلم الآلة — قوالب وأمثلة 2026

سيرة ذاتية مهندس تعلم الآلة — قوالب وأمثلة للسوق الخليجي

مهندس تعلم الآلة (ML Engineer) من أكثر الوظائف طلباً في سوق التقنية الخليجي. مع تسارع التحول الرقمي في السعودية والإمارات وقطر، تتنافس الشركات على استقطاب مهندسي ML قادرين على بناء ونشر نماذج تعلم آلة في بيئات إنتاجية حقيقية. كتابة سيرة ذاتية مهندس تعلم الآلة باحترافية تناسب هذا السوق المتنامي هي ما يميزك عن مئات المتقدمين.

هذا الدليل يقدم قوالب وأمثلة عملية لكل مستوى خبرة — من حديثي التخرج إلى المهندسين القياديين — مع تركيز خاص على ما تبحث عنه شركات الخليج ومنطقة MENA. أنشئ سيرتك الذاتية الآن عبر أداة إنشاء السيرة الذاتية بالذكاء الاصطناعي.

النقاط الرئيسية في هذا الدليل

• قوالب سير ذاتية لثلاثة مستويات خبرة: مبتدئ، متوسط، قيادي

• تنظيم المهارات التقنية بشكل يتوافق مع أنظمة ATS في شركات الخليج

• أمثلة نقاط إنجازات بأرقام واقعية من بيئات ML إنتاجية

• الفرق بين السيرة الذاتية لأدوار ML Research وML Production

• نصائح خاصة بحديثي التخرج لبناء سيرة ذاتية تنافسية بدون خبرة عملية

• تحسين سيرتك الذاتية لأنظمة ATS مثل Workday وSuccessFactors

الطلب على مهندسي تعلم الآلة في منطقة MENA

لماذا ML Engineering وليس فقط Data Science

الفرق الجوهري بين Data Scientist وML Engineer في السوق الخليجي أصبح واضحاً. الشركات لم تعد تبحث فقط عمن يبني نماذج في Jupyter notebooks — بل عمن ينشرها في بيئات إنتاجية يعتمد عليها ملايين المستخدمين. هذا التحول يعني أن مهندس تعلم الآلة يحتاج مزيجاً فريداً من مهارات ML ومهارات هندسة البرمجيات.

القطاعات الأكثر توظيفاً لمهندسي ML

| القطاع | أمثلة من شركات المنطقة | تطبيقات ML الرئيسية |
|--------|------------------------|---------------------|
| التقنية المالية | stc pay، Tamara، Tabby | كشف احتيال، تقييم ائتماني، تسعير |
| النفط والطاقة | أرامكو، أدنوك، ACWA Power | صيانة تنبؤية، تحسين إنتاج |
| التجارة الإلكترونية | Noon، Namshi، Mumzworld | محركات توصية، تحليل سلوك |
| النقل والتوصيل | Careem، Jahez، HungerStation | تحسين مسارات، تسعير ديناميكي |
| الاتصالات | stc، Etisalat، Zain | تحليل churn، تخصيص عروض |
| الرعاية الصحية | Cura، Vezeeta، Altibbi | تشخيص طبي، تنبؤ بالأمراض |

أمثلة سير ذاتية حسب مستوى الخبرة

المستوى الأول: حديث تخرج / مبتدئ (0-2 سنوات)

الملخص المهني:

> مهندس تعلم آلة حديث التخرج من جامعة الملك فهد للبترول والمعادن (2025) بتخصص علوم حاسوب ومعدل 3.85/4.0. أكملت تدريباً صيفياً في Mozn حيث بنيت نموذج كشف احتيال على بيانات مالية سعودية حقق دقة 96.8%. حاصل على شهادة AWS ML Specialty وترتيب Kaggle Expert مع 3 ميداليات فضية. أبحث عن فرصة ML Engineer في بيئة تقنية تتحدى قدراتي.

ترتيب أقسام السيرة الذاتية للمبتدئ:

1. معلومات التواصل (مع GitHub وLinkedIn وKaggle)

1. الملخص المهني

1. المهارات التقنية

1. المشاريع التقنية (الأهم — 4-5 مشاريع)

1. التعليم والمعدل التراكمي

1. الشهادات المهنية

1. التدريب العملي (إن وُجد)

نقاط إنجازات للمبتدئ:

• بنيت نموذج تصنيف صور طبية باستخدام ResNet50 وPyTorch على بيانات أشعة صدرية (15,000 صورة) حقق AUC 0.94 وقدّمته كمشروع تخرج بتقدير ممتاز

• طوّرت pipeline بيانات آلي باستخدام Apache Airflow يجمع ويعالج 10,000 تغريدة يومياً لتحليل اتجاهات السوق السعودي

• احتللت المركز الثالث في هاكاثون SDAIA للذكاء الاصطناعي من بين 200 فريق ببناء نظام ترجمة آلية للهجة النجدية

المستوى الثاني: متوسط الخبرة (3-6 سنوات)

الملخص المهني:

> مهندس تعلم آلة بخبرة 4 سنوات في بناء ونشر نماذج ML في بيئات إنتاجية عالية الأداء. نشرت 8 نماذج إنتاجية في stc تخدم أكثر من 10 ملايين مشترك، أبرزها نظام تنبؤ بالانسحاب (churn prediction) قلّل خسائر المشتركين 18%. أتقن full-stack ML من تنظيف البيانات إلى النشر على Kubernetes مع خبرة عميقة في MLOps وCI/CD للنماذج. حاصل على ماجستير في علوم البيانات من KAUST.

ترتيب أقسام السيرة الذاتية للمتوسط:

1. معلومات التواصل

1. الملخص المهني

1. المهارات التقنية

1. الخبرات العملية (الأهم — مع نقاط إنجازات مفصلة)

1. المشاريع المميزة (2-3 مشاريع)

1. التعليم

1. الشهادات المهنية

نقاط إنجازات للمتوسط:

• صممت ونشرت نظام توصية منتجات على Noon باستخدام Collaborative Filtering وDeep Learning يخدم 5 ملايين مستخدم يومياً ورفع الإيرادات 12% (8 ملايين درهم إضافية شهرياً)

• بنيت ML pipeline متكامل على AWS SageMaker يتضمن تدريب تلقائي وA/B testing ومراقبة data drift، مما قلّص وقت نشر النماذج من 3 أسابيع إلى يومين

• حسّنت أداء نموذج كشف الاحتيال المالي من precision 87% إلى 95% مع تقليل false positives بنسبة 60%، ما وفّر 5 ملايين ريال سنوياً من المراجعات اليدوية

• أسّست معايير ML code review في الفريق شملت اختبارات وحدات للنماذج وتوثيق تلقائي، مما رفع جودة الكود وقلّل الأخطاء في الإنتاج 40%

المستوى الثالث: خبير قيادي (7+ سنوات)

الملخص المهني:

> رئيس هندسة تعلم الآلة بخبرة 10 سنوات في بناء وقيادة فرق ML في بيئات عالية النمو. أدرت 4 فرق (20 مهندساً) في G42 لتطوير منصة ML تخدم 15 عميلاً حكومياً وخاصاً في الإمارات والسعودية. أشرفت على نشر 30+ نموذج إنتاجي بإيرادات سنوية تتجاوز 100 مليون درهم. حاصل على دكتوراه من جامعة كامبريدج في تعلم الآلة مع 12 ورقة بحثية منشورة. أقود حالياً استراتيجية AI في الشركة بما يتوافق مع رؤية 2030.

نقاط إنجازات للقيادي:

• قدت استراتيجية ML لشركة بإيرادات 2 مليار درهم، شملت إنشاء قسم AI من الصفر (20 مهندساً) ونشر 15 نموذجاً إنتاجياً في أول سنتين

• أسّست ML Platform داخلي يخدم 8 فرق هندسية مع أدوات تدريب ونشر ومراقبة موحدة، مما قلّص وقت التطوير 50% عبر المؤسسة

• حققت وفورات سنوية 25 مليون درهم من خلال نظام تحسين سلسلة التوريد الذكي يعتمد على التنبؤ بالطلب وتحسين المخزون

تنظيم المهارات التقنية لمهندس تعلم الآلة

أطر عمل ML والتعلم العميق

التعلم العميق: PyTorch (الأكثر طلباً حالياً)، TensorFlow، Keras، JAX
التعلم الآلي التقليدي: Scikit-learn، XGBoost، LightGBM، CatBoost
AutoML: Google AutoML، H2O.ai، Auto-sklearn
Optimization: Optuna، Ray Tune، Hyperopt

MLOps وهندسة البيانات

أدوار ML Engineer الحديثة في الخليج تتطلب مهارات MLOps متقدمة. إليك التصنيف الأمثل:

Feature Engineering & Storage:

• Feature Stores: Feast، Tecton

• Data Processing: Apache Spark، Dask، Polars

Model Training & Experimentation:

• Experiment Tracking: MLflow، Weights & Biases، Neptune

• Distributed Training: Horovod، PyTorch Distributed، Ray

Model Serving & Deployment:

• Serving: TensorFlow Serving، TorchServe، Triton Inference Server

• Containers: Docker، Kubernetes، Helm

• CI/CD: GitHub Actions، Jenkins، GitLab CI

Monitoring & Observability:

• Model Monitoring: Evidently AI، WhyLabs، Arize

• Infrastructure: Prometheus، Grafana، Datadog

المنصات السحابية

| المنصة | الأدوات الرئيسية | الانتشار في الخليج |
|--------|----------------|-------------------|
| AWS | SageMaker، Bedrock، Lambda | الأعلى — معظم الشركات الكبرى |
| GCP | Vertex AI، BigQuery ML، TPU | متزايد — شركات التقنية الناشئة |
| Azure | Azure ML، Databricks، OpenAI | قوي — القطاع الحكومي والبنوك |
| Alibaba Cloud | PAI، EAS، MaxCompute | محدود — بعض الشركات الصينية في المنطقة |

كتابة نقاط إنجازات فعّالة — صيغة STAR للمهندسين

الصيغة المثالية

كل نقطة إنجاز في سيرة ذاتية مهندس تعلم الآلة يجب أن تتبع هذا الهيكل:

فعل قوي + المشكلة/المشروع + التقنية المستخدمة + النتيجة بأرقام

أمثلة مصنفة حسب نوع العمل

نشر النماذج (Model Deployment):

• نشرت نموذج تسعير ديناميكي على Kubernetes يعالج 50,000 طلب في الدقيقة مع latency أقل من 30ms، رفع هامش الربح 8% لمنصة توصيل طعام سعودية

• بنيت microservice للتنبؤ بوقت التوصيل باستخدام LightGBM وFastAPI وDocker على AWS ECS، حقق MAE 3.2 دقائق مقارنة بـ 8.7 دقائق للنظام السابق

تحسين الأداء (Optimization):

• حسّنت كفاءة training pipeline بتطبيق mixed precision training وgradient accumulation، مما قلّص وقت التدريب 65% وتكلفة GPU 40% (وفّر 200,000 ريال سنوياً)

• خفّضت حجم نموذج BERT من 440MB إلى 60MB باستخدام Knowledge Distillation وQuantization مع فقدان أقل من 2% في الدقة، مما أتاح نشره على أجهزة Edge

بنية البيانات (Data Infrastructure):

• صممت data pipeline على Apache Spark يعالج 5TB يومياً من بيانات نقاط البيع لـ 2,000 فرع، مع ضمان جودة البيانات عبر Great Expectations

• أسّست Feature Store مركزي باستخدام Feast يخدم 12 نموذجاً إنتاجياً، مما أزال تكرار حساب الـ features ووفّر 30% من وقت المهندسين

تخصيص السيرة الذاتية: أدوار البحث مقابل الإنتاج

ML Research Engineer

إذا كنت تستهدف أدوار بحثية في مؤسسات مثل KAUST أو MBZUAI أو فريق البحث في G42:

ركّز على:

• الأوراق البحثية المنشورة (اذكر المؤتمر وعامل التأثير)

• الابتكارات في خوارزميات وهندسة معمارية جديدة

• مراجعة أوراق بحثية لمؤتمرات (NeurIPS، ICML، ACL)

• التعاون مع فرق أكاديمية

• براءات الاختراع (إن وُجدت)

مثال نقطة إنجاز بحثية:
> نشرت ورقة في EMNLP 2025 تقترح هندسة معمارية جديدة لتحليل المشاعر في اللهجات العربية حققت State-of-the-Art على مقياس ArSentD بتحسن 4.2% مقارنة بأفضل النتائج السابقة

ML Production Engineer

إذا كنت تستهدف أدوار إنتاجية في شركات مثل Careem أو Noon أو stc:

ركّز على:

• عدد النماذج المنشورة في بيئة إنتاجية

• أداء الأنظمة: latency، throughput، uptime

• مقاييس الأثر التجاري: إيرادات، وفورات، معدلات تحويل

• مهارات MLOps وCI/CD

• التعامل مع البيانات على نطاق واسع

مثال نقطة إنجاز إنتاجية:
> بنيت ونشرت ML platform يخدم 8 نماذج إنتاجية مع 99.95% uptime و50ms p99 latency، يعالج 100 مليون تنبؤ يومياً لتطبيق يخدم 3 ملايين مستخدم نشط

نصائح خاصة بحديثي التخرج والمبتدئين

كيف تبني سيرة ذاتية تنافسية بدون خبرة عملية

حديثو التخرج الذين يستهدفون وظائف ML في الخليج يواجهون معضلة "الخبرة المطلوبة". إليك كيف تتغلب عليها:

1. مشاريع GitHub هي خبرتك العملية

بناء 3-5 مشاريع ML كاملة على GitHub يعادل سنة خبرة في نظر كثير من مسؤولي التوظيف. الشروط:

• كل مشروع يتضمن README شامل يشرح المشكلة والحل والنتائج

• كود نظيف مع تعليقات وdocstrings

• ملف requirements.txt أو Docker setup للتشغيل

• اختبارات وحدات (unit tests) — وهذا ما يميزك عن 90% من المتقدمين

2. Kaggle كبديل للخبرة

| الإنجاز | ما يعادله |
|---------|---------|
| Kaggle Expert | 6 أشهر خبرة عملية |
| Kaggle Master | سنة خبرة عملية |
| ميدالية ذهبية في مسابقة | مشروع إنتاجي ناجح |
| نشر Notebook بأكثر من 100 upvote | مقال تقني مؤثر |

3. المشاركة في هاكاثونات المنطقة

• هاكاثون SDAIA — السعودية، مسابقات AI وطنية

• Dubai Future Accelerators — فرص للعمل مع جهات حكومية

• KAUST Innovation — مسابقات بحثية وتطبيقية

• Flat6Labs AI Challenge — شركات ناشئة في مصر والخليج

4. شهادات تعوّض نقص الخبرة

ابدأ بهذا الترتيب:

1. AWS Machine Learning Specialty (الأكثر طلباً في الخليج)

1. Google Professional ML Engineer

1. TensorFlow Developer Certificate

1. دورة Andrew Ng's ML Specialization (للأساسيات)

كيف تكتب قسم المشاريع كمبتدئ

مثال مشروع متكامل:

نظام كشف الأخبار المزيفة بالعربية | GitHub | Demo

• المشكلة: انتشار الأخبار المزيفة باللغة العربية على وسائل التواصل

• الحل: نموذج تصنيف نصوص باستخدام AraBERT fine-tuned على 30,000 مقال عربي

• التقنيات: Python، PyTorch، Hugging Face، FastAPI، Streamlit، Docker

• النتائج: دقة 93.7%، F1-score 0.91، API يستجيب خلال 120ms

• الأثر: 500+ نجمة على GitHub، استخدمته 3 جامعات سعودية في أبحاثها

تحسين السيرة الذاتية لأنظمة ATS — نصائح خاصة بـ ML

الكلمات المفتاحية الضرورية

أنظمة ATS في شركات التقنية الخليجية (Workday في أرامكو، Greenhouse في الشركات الناشئة) تبحث عن مجموعات كلمات مفتاحية محددة. تأكد من تضمين هذه المصطلحات إذا كانت ذات صلة:

كلمات أساسية لكل إعلان ML:
Machine Learning، Deep Learning، Python، TensorFlow، PyTorch، Model Training، Model Deployment، Data Pipeline

كلمات MLOps (طلبها يتزايد سريعاً):
MLOps، CI/CD، Docker، Kubernetes، MLflow، Feature Store، Model Monitoring، A/B Testing

كلمات خاصة بالسوق الخليجي:

• رؤية 2030، التحول الرقمي — في إعلانات الشركات السعودية

• Arabic NLP، Bilingual Models — ميزة تنافسية فريدة

• Scale، Production، Real-time — تميزك عن Data Scientists

• Cloud (AWS/GCP/Azure) — كل الشركات الكبرى تعمل على السحابة

قواعد التنسيق لملفات ML Engineers

1. اكتب المصطلحات التقنية بالإنجليزية: حتى في السيرة العربية، اكتب "PyTorch" و"Kubernetes" وليس "بايتورش" و"كوبيرنيتيز"

1. لا تستخدم رسومات لعرض مستوى المهارات: شريط بنسبة 80% لا يعني شيئاً لنظام ATS ولا لمسؤول التوظيف

1. اذكر الإصدارات عند الأهمية: "Python 3.11" و"TensorFlow 2.x" تظهر أنك محدّث

1. فصل المهارات بفواصل أو أنبوب: `Python | PyTorch | AWS SageMaker | Docker`

1. صفحتان كحد أقصى: حتى لخبرة 10 سنوات — اختصر الوظائف القديمة

أخطاء شائعة في سير مهندسي ML العرب

1. التركيز على النظرية وإهمال التطبيق: "أفهم الشبكات العصبية" لا تكفي. "نشرت شبكة عصبية تخدم 1 مليون مستخدم" هي ما يبحث عنه أصحاب العمل

1. عدم التمييز بين Notebook وProduction: مشروع في Jupyter notebook ليس نموذجاً إنتاجياً. وضّح في سيرتك إذا كان المشروع deployed أم prototype

1. سرد 40 أداة بدون سياق: الأفضل ذكر 15-20 أداة مع سياق استخدامها الفعلي بدلاً من قائمة طويلة تثير الشك

1. نسيان مقاييس الأعمال: مسؤولو التوظيف غير التقنيين يقرأون سيرتك أيضاً. "رفع الإيرادات 12%" أوضح من "حسّن AUC من 0.82 إلى 0.91"

1. تجاهل Soft Skills: مهندسو ML يعملون مع فرق المنتج والأعمال. اذكر خبرتك في التواصل مع أصحاب المصلحة غير التقنيين

1. إرسال نفس السيرة لشركات مختلفة: سيرة لـ G42 (بحث وتطوير) تختلف عن سيرة لـ Jahez (تطبيقات عملية). خصّص كل سيرة حسب متطلبات الوظيفة

1. إهمال الحضور الرقمي: مهندس ML بدون GitHub أو LinkedIn محدّث يفقد كثيراً من المصداقية

ابدأ الآن في إنشاء سيرتك الذاتية

سوق تعلم الآلة في الخليج والشرق الأوسط يقدم فرصاً استثنائية لمن يملك المهارات الصحيحة. سيرة ذاتية مهندس تعلم الآلة مكتوبة باحترافية هي أساس رحلتك المهنية في هذا المجال المتنامي. لا تنتظر حتى تكتمل خبرتك — ابدأ الآن وطوّر سيرتك مع كل مشروع ومهارة جديدة.

1. أنشئ سيرتك الذاتية عبر أداة إنشاء السيرة الذاتية الذكية — قوالب تقنية محسّنة لأنظمة ATS

1. افحص توافقها مع ATS باستخدام أداة فحص ATS المجانية

1. تصفح القوالب واختر الأنسب من مكتبة القوالب الاحترافية

---

مقالات ذات صلة:

• سيرة ذاتية مهندس ذكاء اصطناعي — دليل شامل لمهندسي AI

• دليل كتابة السيرة الذاتية الشامل — كل ما تحتاجه لكتابة سيرة ذاتية متميزة

• سيرة ذاتية متوافقة مع أنظمة ATS — تحسين سيرتك لتجاوز الفلترة الآلية

• نقاط السيرة الذاتية بالذكاء الاصطناعي — كتابة نقاط إنجازات قوية بمساعدة AI