$ whoami

سلام، من سعید مهدیان

در نقش مهندس ارشد داده

داده‌های پراکنده و نامرتب را به پایپ‌لاین‌ها و پلتفرم‌هایی قابل اعتماد تبدیل می‌کنم؛ از منبع خام تا یک منبع واحد حقیقت.

کارهایم را ببینید سلام کنید

الان: مهندس داده در کارگزاری مفید

SELECT * FROM saeed LIMIT 1;

اسکرول ↓

۰۱ / impact

دستاوردها به زبان عدد

روی هر عدد بروید یا بزنید تا داستانش را ببینید.

۰۲ / career

پایپ‌لاین مسیر کاری

مسیر کاری من به شکل اجرای یک DAG در Airflow: یک مسیر صنعت و یک مسیر تدریس. ماوس را روی تسک‌ها ببرید، اذیتشان کنید و روی هر کدام بزنید تا لاگش را ببینید.

dag_id saeed_career schedule @lifelong tasks 0/10 در حال اجرا

201020122014201620182020202120222023202420252026

صنعت

Mofid

کارگزاری مفید

Divar

دیوار

Balad

بلد

Mahsan

مهسان

تدریس

Allameh Helli

Teaching

آموزش

YouTube

مهندس داده دانشمند داده مهندس هوش مصنوعی مهندس نرم‌افزار تدریس

[2025-12] task_id=mofid در حال اجرا

مهندس داده @ کارگزاری مفید

آذر ۱۴۰۴ – اکنون

ساخت اولین پلتفرم یکپارچه‌ی داده‌های متنی شرکت روی Elasticsearch و Kibana؛ تجمیع چهار منبع (متن تماس‌ها و چت‌ها از MongoDB، پیامک‌های مشتریان و جست‌وجوهای بازار سهام) در یک اسکیمای دی‌نرمال که با اطلاعات مشتری و معاملات غنی شده است.
طراحی پایپ‌لاین‌های ETL در Airflow که متادیتای هر جلسه را به متن آن وصل می‌کنند، هر مکالمه را به‌صورت گفت‌وگوی زمانی کارشناس و مشتری بازسازی می‌کنند و اسناد تخت و آماده‌ی جست‌وجو بارگذاری می‌کنند؛ به‌همراه بارگذاری تاریخچه‌ی یک سال کامل.
جایگزینی جست‌وجوهای تک‌رکوردی (N+1) در ClickHouse با یک bulk-fetch و نگاشت درون‌حافظه‌ای و کاهش زمان یک batch از ۷۰ دقیقه به کمتر از ۵ دقیقه (بیش از ۹۲٪ سریع‌تر).
امن‌سازی Elasticsearch و Kibana با ورود از طریق Active Directory (LDAP)، کنترل دسترسی نقش‌محور و Field-Level Security برای ماسک اطلاعات شخصی مثل کد ملی، به‌همراه لاگ ممیزی با Filebeat.
استقرار کلاستر سه‌نودی Elasticsearch با Ansible و Docker و سپس تنظیم دوباره‌ی shard و ایندکس‌ها بر اساس بررسی ظرفیت محیط عملیاتی، برای کاهش مصرف حافظه و ترافیک بین نودها.
بازنویسی کتابخانه‌ی مشترک ETL در DAGهای Airflow، رفع نشت اتصال پایگاه داده و ساخت تکراری engine، و افزودن انواع تراکنش جدید به پایپ‌لاین جریان نقدی مشتریان.

ElasticsearchKibanaApache AirflowMongoDBClickHouseAnsibleDockerPythonLDAP

تحصیلات

۱۳۸۹ – ۱۳۹۲ کارشناسی ارشد هوش مصنوعی دانشگاه علم و صنعت ایران

۱۳۸۴ – ۱۳۸۹ کارشناسی مهندسی کامپیوتر دانشگاه صنعتی اصفهان

۰۳ / work

کارهای منتخب

چند مسئله که از حل‌کردنشان خوشحالم.

کارگزاری مفیدویژه

اولین پلتفرم داده‌های متنی مفید

4 text sourcesEnrichElasticsearchRBAC + maskingKibana

نتیجه: یک جای امن و قابل جست‌وجو که هر تیم می‌تواند ببیند مشتری‌ها چه می‌گویند، چه می‌نویسند و دنبال چه هستند؛ کنار اینکه چه کسی هستند.

مسئله

گفت‌وگوها، پیام‌ها و جست‌وجوهای مشتریان با ساختارهای مختلف در سیستم‌های جدا پراکنده بود. نه می‌شد میانشان جست‌وجو کرد و نه آن‌ها را کنار اطلاعات همان مشتری دید؛ و اطلاعات شخصی حساس هم داشتند.

راه‌حل

اولین مخزن یکپارچه‌ی داده‌های متنی شرکت را روی Elasticsearch ساختم و Kibana را رویش راه انداختیم. الان چهار منبع دارد: متن تماس‌ها و چت‌های مشتریان که هر دو با اطلاعات مشتری غنی شده‌اند، پیامک‌های ارسالی به مشتریان، و جست‌وجوهای مشتریان در بازار سهام که با داده‌های معاملاتشان غنی شده‌اند. دسترسی از طریق Active Directory است و با RBAC و Field-Level Security اطلاعات شخصی مثل کد ملی ماسک می‌شود.

ElasticsearchKibanaMongoDBClickHouseLDAPRBACPython

ingest(sources=4)

extract(calls, chats, sms, searches)→ 4 sources
enrich(customer, trades)→ joined
index(elasticsearch)→ searchable
secure(rbac, mask_pii)→ national_id → ••••
explore(kibana)→ dashboards

# اجرای نمایشی، نه داده‌ی واقعی

کارگزاری مفید

۷۰ دقیقه ← ۵ دقیقه: حذف N+1

BatchBulk fetchIn-memory mapEnrich

نتیجه: بیش از ۹۲٪ سریع‌تر؛ از ۷۰ دقیقه به کمتر از ۵ دقیقه.

ClickHousePythonPerformance

کارگزاری مفید

مدیریت Elasticsearch در محیط عملیاتی

ProvisionSecureAuditCapacityRe-shard

نتیجه: کلاستری امن و قابل پایش، با سربار shard بسیار کمتر روی حافظه و ترافیک کمتر بین نودها.

ElasticsearchKibanaAnsibleDockerFilebeatLDAPCapacity planning

دیوار

منبع واحد حقیقت برای داده‌های CRM

CRM sourcesPySparkQuality checksMaster table

نتیجه: یک منبع واحد و قابل اعتماد برای تحلیل‌های بین‌تیمی و خطاهای پایین‌دستی بسیار کمتر.

PySparkApache AirflowData QualitySQL

دیوارویژه

مکان‌یاب آگهی: ایجنتی که آگهی شما را پیدا می‌کند

User questionFind adPick keywordsSearchScreenshot

نتیجه: کاهش چشمگیر تیکت‌های دیده‌نشدن آگهی؛ و کاربر جوابی می‌گیرد که خودش می‌تواند ببیند.

مسئله

سیل تیکت‌های پشتیبانی از کاربرانی می‌آمد که می‌پرسیدند «چرا آگهی‌ام را نمی‌بینم؟» و هر کدام یعنی جست‌وجوی دستی یک کارشناس پشتیبانی.

راه‌حل

یک ایجنت خودمختار LLM آگهی کاربر را شناسایی می‌کند، کلیدواژه‌هایی را که به احتمال زیاد آن را نشان می‌دهند انتخاب می‌کند، کوئری جست‌وجوی بهینه می‌سازد و در پایان لینک مستقیم و اسکرین‌شاتی از محل دقیق نمایش آگهی را برمی‌گرداند.

LLMAI AgentsPydantic AIPythonTool calling

agent.run("where is my ad?")

find_user_ads(user)→ 1 active ad
pick_keywords(ad)→ 3 keywords
search(query, city)→ found · page 1
screenshot(result)→ proof.png
reply(link, image)→ done

# اجرای نمایشی، نه داده‌ی واقعی

بلد

پاک‌سازی نقشه با NLP

POIsNLP matchConfidenceMerge

نتیجه: بیش از ۱۰۰ هزار مکان تکراری حذف شد.

NLPPythonSpark

بلد

نوتیفیکیشن‌هایی که واقعاً باز می‌شوند

POI activityETLSegmentsPersonalised push

نتیجه: افزایش ۲۸ درصدی تعامل کاربران.

ETLPythonSparkPersonalisation

دیوار

مانیتورینگ سرویس‌های داده‌محور

DecoratorsPrometheusGrafanaAlerts

نتیجه: عیب‌یابی استاندارد، سریع و قابل اندازه‌گیری شد.

PrometheusGrafanaObservability

بلدویژه

پیشنهاد رستوران روی نقشه

LocationSimilar usersSimilar placesHybrid rankTop picks

نتیجه: پیشنهادهای شخصی‌سازی‌شده‌ی رستوران روی نقشه‌ای با بیش از ۱۰ میلیون کاربر فعال هفتگی.

مسئله

نقشه‌ی بلد هزاران رستوران را می‌شناسد، اما یک فهرست بلند که فقط بر اساس فاصله مرتب شده، به کسی نمی‌گوید کجا واقعاً از غذا خوردن لذت می‌برد.

راه‌حل

یک سیستم پیشنهاددهنده‌ی ترکیبی، collaborative filtering را (آنچه کاربران مشابه، از طریق گراف روابط کاربران، پسندیده‌اند) با شباهت محتوایی مکان‌ها (نوع غذا، قیمت، سبک) ترکیب می‌کند. هر دو بر پایه‌ی ماتریس‌های شباهتی ساخته می‌شوند که پایپ‌لاین‌های ETL تولید می‌کنند.

Recommender SystemsCollaborative filteringGraphsPythonSpark

۰۴ / stack

ابزارها و مهارت‌ها

ابزارهایی که با آن‌ها کار می‌کنم، مثل تکه‌های پازل جابه‌جا می‌شوند. روی هر کدام بروید تا ببینید کجا از آن استفاده کرده‌ام.

داده و ارکستراسیون ۱۱

زبان‌ها و فریم‌ورک‌ها ۱۰

زیرساخت و مانیتورینگ ۸

هوش مصنوعی و MLOps ۷

استفاده در → کارگزاری مفید دیوار بلد مهسان دبیرستان‌های علامه حلی آموزش یوتیوب · Python as Candy

۰۵ / teaching

معلم هم هستم.

از سال ۱۳۸۹ و هم‌زمان با کارشناسی ارشد، تدریس برنامه‌نویسی را در دبیرستان علامه حلی شروع کردم. چند سال تمام‌وقت معلم بودم و تا ۱۳۹۸، حتی بعد از ورود به صنعت، به‌صورت پاره‌وقت کلاس داشتم. از ۱۴۰۰ هم هر از گاهی کلاس برگزار می‌کنم و آموزش‌های رایگان Python را در یوتیوب منتشر می‌کنم.

۱۳۸۹اولین کلاس

۴ سالهبرنامه‌ی آموزشی که طراحی کردم

رایگانآموزش Python در یوتیوب