مشاغل هوش مصنوعی

مهندس هوش مصنوعی با مدل‌های آماده، به‌ویژه مدل‌های زبانی بزرگ (LLM)، نرم‌افزارهایی می‌سازد که در محیط واقعی کار می‌کنند: ایجنت‌هایی که کارهای چندمرحله‌ای را خودکار می‌کنند، دستیارهایی که روی اسناد و داده‌های یک شرکت پاسخ می‌دهند و ابزارهایی که مدل را به سیستم‌های دیگر وصل می‌کنند. بخش اصلی کار، مهندسی نرم‌افزار است: یکپارچه‌سازی، ارزیابی کیفیت خروجی و نگهداری سیستم در پروداکشن.

مهندس یادگیری ماشین مدل‌هایی می‌سازد که از داده یاد می‌گیرند و آن‌ها را به بخشی از یک سیستم واقعی تبدیل می‌کند: آماده کردن داده و ساختن ویژگی‌ها، آموزش و ارزیابی مدل، استقرار در پروداکشن و پایش آن پس از انتشار. در آگهی‌های ۲۰۲۶ این کار را در سنجش ریسک اعتباری، تشخیص تقلب، رتبه‌بندی و توصیه و بهینه‌سازی تبلیغات می‌بینیم و بخش بزرگی از آن مهندسی نرم‌افزار است، نه پژوهش.

مهندس یادگیری عمیق شبکه‌های عصبی را برای داده‌هایی مثل تصویر، ویدیو، دادهٔ حسگر و متن طراحی، آموزش، ارزیابی و مستقر می‌کند و اغلب باید مدل را طوری بهینه کند که روی سخت‌افزار محدودِ یک دوربین، پهپاد یا خودرو اجرا شود. عنوان دقیق «Deep Learning Engineer» در بازار ۲۰۲۶ کم دیده می‌شود: بیشتر شرکت‌ها همین کار را با عنوان‌هایی مثل Machine Learning Engineer، AI Engineer یا Research Engineer آگهی می‌کنند. آگهی‌هایی که این عنوان را دارند بیشتر در بینایی ماشین، پهپاد، رباتیک و خودروی خودران‌اند.

مهندس پردازش زبان طبیعی (NLP Engineer) سیستم‌هایی می‌سازد که متن را می‌خوانند و از آن چیز قابل استفاده‌ای بیرون می‌کشند: استخراج موجودیت‌ها و روابط، دسته‌بندی، جستجوی معنایی، خلاصه‌سازی و پرسش‌وپاسخ. در ۲۰۲۶ آگهی‌های این حوزه NLP را کنار مدل‌های زبانی بزرگ می‌خواهند و خودِ عنوان «NLP Engineer» در آگهی‌ها کم شده است؛ کارفرماها همین کار را بیشتر با عنوان‌هایی مثل Machine Learning Engineer – NLP/LLM، Data Scientist (NLP) یا AI Engineer آگهی می‌کنند. مهارت NLP اما از بازار حذف نشده و معمولاً کنار LLM و RAG خواسته می‌شود.

مهندس بینایی ماشین نرم‌افزاری می‌سازد که از تصویر و ویدیو، و گاهی از داده‌های عمق، LiDAR و IMU، اطلاعات قابل استفاده بیرون می‌کشد: تشخیص و ردیابی اشیا، بازسازی سه‌بعدی محیط، تعیین موقعیت ربات و بازرسی کیفیت در خط تولید. در آگهی‌های ۲۰۲۶ این نقش بیشتر در رباتیک، خودروهای خودران، پهپاد، دوربین‌های امنیتی، تولید و صنایع دفاعی دیده می‌شود و معمولاً ترکیبی از یادگیری عمیق، هندسهٔ سه‌بعدی و برنامه‌نویسی C++ و Python می‌خواهد.

مهندس مدل‌های زبانی بزرگ (LLM Engineer) با خودِ مدل زبانی سروکار دارد، نه فقط با API آن: مدل مناسب را انتخاب و ارزیابی می‌کند، در صورت نیاز آن را fine-tune یا فشرده می‌کند، آن را با سرعت و هزینهٔ قابل قبول مستقر می‌کند و روی آن RAG و ایجنت می‌سازد. عنوان دقیق «LLM Engineer» در آگهی‌ها کم دیده می‌شود؛ کارفرماهای بزرگ همین کار را بیشتر با عنوان‌هایی مثل Machine Learning Engineer (LLM)، AI Engineer، Research Engineer (Post-Training) یا Inference Engineer آگهی می‌کنند.

مهندس سیستم‌های ایجنتیک نرم‌افزاری می‌سازد که در آن یک مدل زبانی بزرگ (LLM) فقط جواب نمی‌دهد، بلکه کاری چندمرحله‌ای را جلو می‌برد: ابزار صدا می‌زند، به سیستم‌های شرکت وصل می‌شود، وضعیت کار را نگه می‌دارد و هر جا لازم باشد از انسان تأیید می‌گیرد. این عنوان دقیق در آگهی‌ها کم است؛ همین کار بیشتر با عنوان‌هایی مثل Software Engineer, Agents، AI Agent Engineer یا AI Engineer (Agentic Systems) آگهی می‌شود. بخش اصلی کار مهندسی نرم‌افزار است: طراحی ابزار و orchestration، ارزیابی، guardrail و نگهداری سیستم در پروداکشن.

مهندس RAG بخشِ «بازیابی» سیستم‌های مبتنی بر مدل زبانی را می‌سازد و مسئول کیفیت آن است: اسناد و داده‌های سازمان را پردازش، تکه‌تکه و نمایه می‌کند، برای هر پرسش مرتبط‌ترین بخش‌ها را پیدا و رتبه‌بندی می‌کند و به مدل می‌دهد تا پاسخی با ارجاع به منبع بسازد، و با ارزیابی دقیق نشان می‌دهد این زنجیره درست کار می‌کند. عنوان دقیق «RAG Engineer» در آگهی‌ها کم است؛ بازار این کار را بیشتر با عنوان AI Engineer آگهی می‌کند و شرکت‌های بزرگ با عنوان‌هایی مثل Software Engineer یا Applied AI Engineer با پسوند Search یا Retrieval.

مهندس تنظیم دقیق مدل (Fine-tuning Engineer) یک مدل از پیش آموزش‌دیده را برمی‌دارد و با آموزش بیشتر، رفتارش را برای یک کار یا حوزهٔ مشخص بهتر می‌کند: با Supervised Fine-Tuning، روش‌های کم‌هزینه مثل LoRA، بهینه‌سازی بر اساس ترجیحات (مثل DPO) و یادگیری تقویتی. بازار این کار را تقریباً هیچ‌وقت با عنوان «Fine-tuning Engineer» آگهی نمی‌کند؛ نام رایج آن post-training است و آگهی‌ها عنوان‌هایی مثل Research Engineer, Post-Training، Member of Technical Staff, Post-Training یا Machine Learning Engineer, Post Training دارند.

متخصص هوش مصنوعی چندوجهی (Multimodal) سیستم‌هایی می‌سازد که چند نوع داده را با هم می‌فهمند یا تولید می‌کنند: متن، تصویر، صدا، ویدیو و گاهی داده‌های حسگر. در عمل یعنی آموزش و تطبیق مدل‌های بینایی-زبانی (VLM)، ساختن embedding مشترک برای جستجوی هم‌زمان با متن و تصویر، مدل‌های صدا-به-صدا و ادراک چندحسگری در خودروهای خودران. عنوان دقیق «Multimodal AI Specialist» در سایت استخدام شرکت‌ها تقریباً دیده نمی‌شود؛ کارفرماها همین کار را با عنوان‌هایی مثل Machine Learning Engineer، Applied Scientist، Research Engineer یا Member of Technical Staff با پسوند Multimodal یا VLM آگهی می‌کنند.

مهندس الگوریتم (Algorithm Engineer) الگوریتمی را که هستهٔ یک محصول است طراحی، پیاده‌سازی و ارزیابی می‌کند: مدل‌های توصیه و رتبه‌بندی در TikTok، پیش‌بینی قیمت و احتمال برد در مزایده‌های تبلیغاتی Taboola، پردازش سیگنال حسگرهای دستبند WHOOP یا ردیابی هدف در رادارهای Anduril. این عنوان در همهٔ بازارها یک معنا ندارد. در شرکت‌های اینترنتی و تبلیغاتی، به‌خصوص در سنگاپور و اسرائیل، تقریباً همان کار مهندس یادگیری ماشین است؛ در شرکت‌های سخت‌افزار، حسگر، دفاعی و فضایی، ترکیبی از پردازش سیگنال، تخمین، یادگیری ماشین و کد C/C++ روی دستگاه.

«توسعه‌دهندهٔ سیستم‌های توزیع‌شدهٔ هوشمند» (Intelligent Distributed Systems Developer) عنوانی نیست که کارفرماها به کار ببرند؛ در جستجوی ما در آگهی‌های باز اکتبر ۲۰۲۶ حتی یک آگهی با این عنوان پیدا نشد. کاری که این عنوان به آن اشاره می‌کند با نام‌هایی مثل Distributed Systems Engineer، Software Engineer, Distributed Systems یا Software Engineer, Infrastructure (Distributed Systems) آگهی می‌شود: ساختن نرم‌افزاری که روی ماشین‌های زیادی با هم کار می‌کند و وقتی بخشی از آن از کار می‌افتد، درست و پایدار می‌ماند. در شرکت‌های هوش مصنوعی همین مهندسان زمان‌بند، ذخیره‌سازی، جابه‌جایی داده و تحمل خطای سیستم‌هایی را می‌سازند که مدل‌ها را آموزش می‌دهند و اجرا می‌کنند؛ مثل تیم Distributed Systems در بخش RL Engineering شرکت Anthropic.

«توسعه‌دهندهٔ API هوش مصنوعی» در بازار کار عنوان رایجی نیست. کاری که این عنوان توصیف می‌کند، یعنی ساختن و نگه‌داشتن لایهٔ API که مدل‌های هوش مصنوعی از طریق آن به توسعه‌دهندگان و اپلیکیشن‌ها می‌رسند، با عنوان‌های دیگری آگهی می‌شود: «Software Engineer, API» در شرکت‌های سازندهٔ مدل مثل OpenAI و Anthropic، «Software Engineer, AI Gateway» در Vercel، Cloudflare و Kong، و «Developer Experience Engineer» برای SDK و مستندات، مثل ElevenLabs. هستهٔ کار مهندسی backend است: طراحی endpoint، streaming، احراز هویت، rate limit و سهمیه، اندازه‌گیری مصرف توکن، مسیریابی میان مدل‌ها و ارائه‌دهنده‌ها و پایدار نگه‌داشتن سرویس در پروداکشن.

توسعه‌دهندهٔ Full-Stack هر دو سوی یک نرم‌افزار وب را می‌سازد: رابط کاربری (frontend) و سرور، API و پایگاه داده (backend). در آگهی‌های ۲۰۲۶ این نقش بیشتر با عنوان‌هایی مثل Full Stack Engineer یا Software Engineer, Full Stack دیده می‌شود. دو چیز تازه هم به آن اضافه شده است: کار روزمره با ابزارهای کدنویسی مبتنی بر AI مثل Cursor، Claude Code و GitHub Copilot، همراه با بازبینی دقیق خروجی آن‌ها، و ساختن قابلیت‌های AI داخل خود محصول، مثل دستیار و چت‌بات روی داده‌های شرکت.

مهندس یادگیری ماشین کاربردی (Applied ML Engineer) مدل‌های یادگیری ماشین را به ویژگی‌هایی تبدیل می‌کند که در محصول واقعی کار می‌کنند: داده و مجموعهٔ ارزیابی می‌سازد، مدل را آموزش یا fine-tune می‌کند، مستقرش می‌کند و کیفیت، سرعت پاسخ و هزینه‌اش را بهینه می‌کند. در آگهی‌های ۲۰۲۶ این عنوان در اصل همان نقش Machine Learning Engineer است و واژهٔ «کاربردی» بیشتر فاصله از کار پژوهشی را نشان می‌دهد. محتوای دقیق کار را تیم تعیین می‌کند، نه عنوان، و عنوان ساده Machine Learning Engineer در بازار بسیار رایج‌تر است.

مهندس یادگیری ماشین Embedded (TinyML) مدل‌های یادگیری ماشین را طوری می‌سازد، فشرده می‌کند و در firmware جا می‌دهد که روی خود میکروکنترلر اجرا شوند: تراشه‌هایی مثل ARM Cortex-M یا RISC-V که حافظه‌شان به گفتهٔ مستندات TensorFlow Lite for Microcontrollers در حد چند ده تا چند صد کیلوبایت است و کم‌مصرف‌اند. TinyML سر میکروکنترلری Edge AI است؛ Edge AI دستگاه‌های قوی‌تری مثل گوشی و دوربین هوشمند با NPU را هم در بر می‌گیرد. کار روزمره سه بخش دارد: گرفتن و پردازش دادهٔ حسگر (IMU، میکروفون، لرزش)، آموزش و quantization مدل‌های کوچک، و نوشتن C/C++ برای اجرای آن روی RTOS یا bare-metal. عنوان «TinyML Developer» در آگهی‌های ۲۰۲۶ دیده نمی‌شود. کارفرمایان همین کار را AI / Embedded ML Engineer (E-Space)، Embedded Machine Learning Engineer (Apple و 42 Technology)، Staff Firmware Engineer, AI Native (Life360) یا Embedded Applications Engineer در TinyML Lab شرکت Renesas می‌نامند. به همین دلیل نام این صفحه از «توسعه‌دهنده TinyML» به عنوان رایج بازار تغییر کرده است.

مهندس زیرساخت آموزش مدل سیستمی را می‌سازد و اداره می‌کند که مدل‌های بزرگ هوش مصنوعی روی آن آموزش می‌بینند: کد آموزش توزیع‌شده روی ده‌ها تا هزاران GPU، تقسیم مدل بین GPUها (parallelism)، ارتباط بین آن‌ها، رساندن داده به GPU، checkpoint و بازیابی پس از خرابی، و ابزارهای پایش. هدف این است که هر GPU بیشترین کار مفید را انجام دهد و آموزش‌های چندهفته‌ای با کمترین توقف پیش برود. عنوان دقیق «Model Training Infrastructure Engineer» در آگهی‌های اکتبر ۲۰۲۶ دیده نشد؛ کارفرماها همین کار را با عنوان‌هایی مثل Training Infrastructure Engineer، Member of Technical Staff, AI Training Infrastructure، Research Engineer, Training Systems، Training Performance Engineer یا Research Engineer, Pretraining Scaling آگهی می‌کنند، هم در آزمایشگاه‌های سازندهٔ مدل و هم در شرکت‌های خودروی خودران، رباتیک و ابرهای AI.

مهندس یادگیری تقویت‌شده (Reinforcement Learning Engineer) سیستمی می‌سازد که با عمل کردن در یک محیط و گرفتن پاداش، خودش یاد می‌گیرد چه کند: رباتی که راه رفتن و برداشتن اجسام را یاد می‌گیرد، خودرویی که مسیرش را برنامه‌ریزی می‌کند، یا مدل زبانی‌ای که با یادگیری تقویتی (RL) در کدنویسی و استدلال بهتر می‌شود. در ۲۰۲۶ عنوان دقیق «Reinforcement Learning Engineer» بیشتر در شرکت‌های رباتیک و خودروی خودران دیده می‌شود. آزمایشگاه‌های مدل زبانی همین کار را با عنوان‌هایی مثل Research Engineer (Reinforcement Learning)، Member of Technical Staff یا Software Engineer, RL Environments آگهی می‌کنند. در بازی، سیستم‌های توصیه و معاملات مالی هم RL معمولاً یکی از مهارت‌های خواسته‌شده در عنوان‌های عمومی‌تر است.

مهندس تشخیص گفتار سیستم‌هایی می‌سازد که صدای انسان را به متن تبدیل می‌کنند (ASR یا speech-to-text): از رونویسی جلسه‌ها و تماس‌های مرکز تماس تا یادداشت‌نویسی پزشکی، دستیار صوتی خودرو و ایجنت‌های صوتی بلادرنگ. کار شامل آماده‌کردن دادهٔ صوتی، آموزش و fine-tune کردن مدل‌هایی مثل Whisper و Conformer، سنجش خطا با WER و رساندن مدل به پروداکشن با تأخیر کم است. عنوان دقیق Speech Recognition Engineer در آگهی‌های ۲۰۲۶ کمیاب است و همین کار بیشتر با عنوان‌هایی مثل Machine Learning Engineer (Speech)، Applied Scientist, Speech، Research Engineer, Audio and Speech یا ASR Engineer آگهی می‌شود.

مهندس یادگیری ماشین سیستم‌های توصیه‌گر سیستمی را می‌سازد و بهتر می‌کند که تصمیم می‌گیرد هر کاربر در فید، صفحهٔ اصلی، جستجو یا ایمیل چه چیزی ببیند: تجربه‌های بخش Discover در Fortnite، رستوران و غذا در Deliveroo، فید و ایمیل‌های digest در Quora یا محصولات پیشنهادی در ایمیل و پیامکی که فروشگاه‌ها با Klaviyo می‌فرستند. کار از بازیابی نامزدها و رتبه‌بندی تا آزمایش A/B و پایش در پروداکشن را در بر می‌گیرد. «Recommendation Systems Developer»، نام قبلی این صفحه، عنوان شغلی کارفرمایان نیست؛ در آگهی‌های ۲۰۲۶ همین کار با عنوان Machine Learning Engineer و نام تیم (Recommendations، Recommendation Systems، Personalization یا Ranking) آگهی می‌شود و بخش زیرساختی آن با عنوان Software Engineer, Recommendations.

مهندس نمونه‌سازی هوش مصنوعی (AI Prototyping Engineer) قابلیت‌های تازهٔ مدل‌های هوش مصنوعی را در چند روز یا چند هفته به نمونهٔ کارکردی و دمو تبدیل می‌کند تا تیم پیش از سرمایه‌گذاری بزرگ بفهمد یک ایده ارزش ساختن دارد یا نه، و نمونه‌های موفق را برای تیم‌های پروداکشن آماده می‌کند. نام قبلی این صفحه، «AI Rapid Prototyping Engineer»، عنوان شغلی‌ای نیست که کارفرماها به کار ببرند. نزدیک‌ترین عنوان واقعی AI Prototyping Engineer است (مثلاً در Lenovo) که آن هم کم‌یاب است؛ همین کار بیشتر با عنوان‌هایی مثل Software Engineer, Labs در Anthropic، Product Explorations در OpenAI یا Senior Expert (Rapid Prototyping) در Novartis آگهی می‌شود.

مهندس یادگیری فدرال (Federated Learning Engineer) سیستم‌هایی می‌سازد که مدل یادگیری ماشین را روی داده‌ای آموزش می‌دهند که نمی‌شود یا نباید یک‌جا جمع شود: داده روی گوشی کاربران یا روی سرورهای بیمارستان‌ها و شرکت‌های دارویی می‌ماند و فقط به‌روزرسانی‌های مدل جابه‌جا می‌شود. کار روزانه ترکیبی است از pipeline آموزش و ارزیابی، الگوریتم‌هایی مثل FedAvg، فناوری‌های حریم خصوصی مثل differential privacy و secure aggregation، و فریم‌ورک‌هایی مثل Flower و NVIDIA FLARE. عنوان دقیق «Federated Learning Engineer» در آگهی‌های ۲۰۲۶ کمیاب است؛ در بررسی ما تنها آگهی بازِ شرکتی با این عنوان مال Steampunk، پیمانکار دولت آمریکا، بود («Machine Learning / Federated-Learning Engineer»). بیشتر این کار با عنوان‌های دیگر استخدام می‌شود: Platform Engineer, Privacy Preserving ML در Apple، ML Engineer در شبکه‌های دادهٔ فدرال دارویی مثل Apheris، یا Software Development Engineer در تیم AI Trust آمازون. در بیشتر آگهی‌ها federated learning یک مهارت در کنار تخصص اصلی ML است، نه نام شغل.

مهندس هوش مصنوعی تجسم‌یافته (Embodied AI Engineer) روی «مغز» عمومی ربات کار می‌کند: مدل‌های پایهٔ رباتیک (robot foundation models)، مثل مدل‌های vision-language-action (VLA) و world model، که روی دادهٔ چند نوع ربات، ویدیو و دادهٔ مصنوعی پیش‌آموزش می‌بینند و بعد برای کار مشخص روی ربات fine-tune می‌شوند. فرقش با مهندس رباتیک هوش مصنوعی این است که مرکز کار خود مدل بزرگ، داده و زیرساخت آموزش آن است، نه کل نرم‌افزار یک ربات. خود عبارت «Embodied AI Engineer» در آگهی‌هایی که برای این صفحه در ۲۰۲۶ بررسی شد کم است و با معنای یکسانی به کار نمی‌رود: AIM آن را برای یک نقش کنترل («Senior Embodied AI Engineer - Controls») و Qualcomm در پکن («Robotic Embodied AI Engineer») به کار برده‌اند، و Meta، A*STAR و Niantic Spatial «Embodied AI» را در عنوان نقش یا نام تیم آورده‌اند. کار مدل‌های پایه در شرکت‌های دیگر با عنوان‌هایی مثل VLA Pre-training Engineer (Humanoid)، Research Scientist, Robot Foundation Models (Wayve)، Helix AI Engineer (Figure)، Foundation Models (Genesis AI) و Machine Learning: Multimodal Foundation Models (The Bot Company) آگهی می‌شود. در جستجوی کار همهٔ این عنوان‌ها را امتحان کنید.

«مهندس لایهٔ ارکستراسیون مدل‌های بزرگ» (LLM Orchestration Engineer) عنوان شغلی نیست: در بررسی ما در اکتبر ۲۰۲۶ روی ۳۷٬۵۷۱ آگهی باز در تابلوی استخدام ۴۱۷ شرکت، حتی یک آگهی این عنوان را نداشت. خودِ کار اما واقعی است و با عنوان‌هایی مثل Software Engineer, Agent Platform (در Decagon، Replit و Anduril)، Agent Runtime (در Sierra، Glean و OpenAI) و Agent Infrastructure (در Cohere و Roblox) آگهی می‌شود. مهندس پلتفرم ایجنت لایه‌ای را می‌سازد که ایجنت‌ها روی آن اجرا می‌شوند: موتور orchestration، فراخوانی ابزار، مسیریابی بین مدل‌ها، نگه‌داشتن state و حافظه، streaming، guardrail، اجرای امن کد و پایش. کاربران این لایه معمولاً مهندسان دیگری‌اند که خودِ ایجنت را می‌سازند؛ برای همین هستهٔ کار مهندسی backend و سیستم‌های توزیع‌شده است، نه نوشتن prompt.

مهندس گراف دانش داده‌های پراکندهٔ یک سازمان را، از جدول‌های پایگاه داده تا رویدادها، گزارش‌ها و متن آزاد، به شبکه‌ای از موجودیت‌ها و رابطه‌های میان آن‌ها تبدیل می‌کند. هستی‌شناسی (ontology) و طرح‌وارهٔ گراف را طراحی یا پیاده می‌کند، pipeline هایی می‌نویسد که موجودیت‌ها را استخراج و یکی‌سازی (entity resolution) می‌کنند، کیفیت گراف را با قواعدی مثل SHACL می‌سنجد و گراف را برای جستجو، تحلیل و، در آگهی‌های ۲۰۲۶ بیش از همه، برای ایجنت‌های هوش مصنوعی و GraphRAG قابل پرس‌وجو می‌کند. این عنوان در آگهی‌های ۲۰۲۶ واقعاً به کار می‌رود (مثلاً در EcoVadis، Redpine و Capgemini Engineering)، اما همین کار با عنوان‌های دیگری هم آگهی می‌شود: Ontologist یا Ontology Engineer (Amazon، Samba TV، Lockheed Martin)، Semantic AI Engineer (AbbVie) و عنوان‌های عمومی‌تری مثل Data Engineer یا Research Engineer با پسوند Knowledge Graph (Point72، OpenAI). فرقش با مهندس RAG این است که مهندس RAG کیفیت بازیابی از متن و نمایهٔ برداری را بالا می‌برد و مهندس گراف دانش خودِ ساختار دانش را می‌سازد؛ ساختاری که پاسخ دادن به پرسش‌های چندمرحله‌ای را ممکن می‌کند.

مهندس شبیه‌سازی در رباتیک و خودران (Simulation Engineer) دنیای مجازی‌ای می‌سازد که ربات، خودروی خودران یا پهپاد پیش از رسیدن به دنیای واقعی در آن آموزش می‌بیند و آزموده می‌شود: فیزیک حرکت و تماس، حسگرهای شبیه‌سازی‌شده، سناریوهای رانندگی و پرواز، و زیرساختی که هزاران اجرای تکرارپذیر را پیش می‌برد. نام قدیمی این صفحه، «Intelligent Simulation Engineer»، عنوان شغلی نیست و در هیچ‌یک از آگهی‌هایی که برای این صفحه بررسی شد دیده نشد. کارفرماها همین کار را Simulation Engineer، Software Engineer, Simulation یا Machine Learning Engineer, Simulation می‌نامند: از 1X و Apptronik در ربات‌های انسان‌نما تا Waymo، Wayve و Nuro در خودروی خودران و Zipline و Skydio در پهپاد. بیشتر این آگهی‌ها C++ و Python قوی و چند سال تجربه می‌خواهند.

مهندس DevOps و پلتفرم زیرساخت و ابزارهایی را می‌سازد و اداره می‌کند که تیم‌های نرم‌افزار با آن‌ها کد را از commit تا پروداکشن می‌برند و سرویس را سالم نگه می‌دارند: pipeline های CI/CD، زیرساخت به‌صورت کد با Terraform، خوشه‌های Kubernetes، پایش و رسیدگی به خطا. در آگهی‌های ۲۰۲۶ دو تغییر دیده می‌شود: کار روزمره با ابزارهای AI، و نگهداری زیرساختی که سرویس‌ها، مدل‌ها و ایجنت‌های AI روی آن اجرا می‌شوند.

مهندس LLMOps سیستم‌هایی را که با مدل‌های زبانی بزرگ کار می‌کنند در پروداکشن قابل اتکا، قابل اندازه‌گیری و با هزینهٔ قابل پیش‌بینی نگه می‌دارد: نسخه‌بندی پرامپت و pipeline، ارزیابی خودکار، پایش تأخیر و هزینه و کیفیت، guardrail، نگهداری RAG و مسیریابی بین مدل‌ها. عنوان دقیق «LLMOps Engineer» در آگهی‌ها کم است؛ همین کار بیشتر با عنوان‌هایی مثل AI Platform Engineer، GenAI Platform Engineer، ML Platform Engineer یا AI Infrastructure Engineer آگهی می‌شود.

معمار زیرساخت هوش مصنوعی خوشه‌های GPU را طراحی می‌کند که مدل‌های هوش مصنوعی روی آن‌ها آموزش می‌بینند و اجرا می‌شوند: سرورها و شتاب‌دهنده‌ها، شبکهٔ پرسرعت بین آن‌ها، ذخیره‌سازی داده و checkpoint، زمان‌بند کارها و ابزارهای پایش. در آگهی‌های ۲۰۲۶ این عنوان دقیق کم دیده می‌شود و همین کار بیشتر با نام‌هایی مثل HPC Systems Architect، GPU Cluster Architect و AI Infrastructure Engineer آگهی می‌شود؛ بیشتر در ابرهای GPU، شرکت‌های سازندهٔ مدل و شرکت‌های تراشه.

مهندس پلتفرم داده زیرساخت مشترکی را می‌سازد و اداره می‌کند که بقیهٔ سازمان روی آن با داده کار می‌کنند: سیستم‌هایی که داده را از دیتابیس‌ها و سرویس‌های عملیاتی به data lake یا انبار داده می‌برند، موتورهای پردازش مثل Spark و Kafka، catalog و lineage، کنترل دسترسی، پایش کیفیت، و ابزارهای self-service که تیم‌های دیگر با آن‌ها pipeline خودشان را می‌سازند. مشتری‌های این نقش تیم‌های داخلی‌اند: مهندسان داده، تحلیل‌گران، دانشمندان داده و تیم‌های ML و AI. آگهی‌های ۲۰۲۶ این کار را بیشتر یک تخصص مهندسی نرم‌افزار می‌دانند تا کار تحلیلی، و در بسیاری از آن‌ها پشتیبانی از ML و محصولات مبتنی بر AI هم به وظایف اضافه شده است.

معمار ابری زیرساخت یک سازمان را روی AWS، Azure یا Google Cloud طراحی می‌کند: شبکه، هویت و دسترسی، امنیت، محاسبات و ذخیره‌سازی، پایداری و هزینه. در آگهی‌های ۲۰۲۶ بخش بزرگی از کار هنوز همین پایه‌هاست، یعنی Infrastructure as Code با Terraform، Kubernetes، شبکهٔ ابری و مهاجرت سیستم‌های قدیمی، اما زیرساخت AI هم وارد شرح وظایف شده است: کلاسترهای GPU، مقیاس‌پذیری خودکار برای بارهای LLM، شبکهٔ خصوصی برای ترافیک AI و حاکمیت مدل‌ها و داده. بیشتر کارفرماها چند سال سابقه در مهندسی ابر، DevOps یا SRE می‌خواهند.

مهندس قابلیت اطمینان هوش مصنوعی همان کار Site Reliability Engineering (SRE) را انجام می‌دهد، روی سیستم‌هایی که مدل‌های هوش مصنوعی را سرو می‌کنند یا آموزش می‌دهند: تعریف SLO، پایش، on-call، رسیدگی به حادثه و خودکارسازی، این بار برای سرویس inference، خوشهٔ GPU و کارهای آموزش مدل. در آگهی‌های ۲۰۲۶ عنوان دقیق «AI SRE» برای این شغل پیدا نکردیم. کارفرماها همین کار را با عنوان‌هایی مثل Site Reliability Engineer, Inference Infrastructure (Cohere)، AI Reliability Engineering (Anthropic) یا Production Engineer, LLM Serving (FuriosaAI) آگهی می‌کنند. خود عبارت «AI SRE» در بازار بیشتر نام دسته‌ای از ابزارهاست: ایجنت‌های هوش مصنوعی که بررسی حادثه را خودکار می‌کنند. کار با این ابزارها هم کم‌کم به شرط‌های آگهی‌های SRE اضافه می‌شود.

مهندس خط لوله داده (Data Pipeline Engineer) pipeline هایی را می‌سازد، زمان‌بندی می‌کند، پایش می‌کند و تعمیر می‌کند که داده را از دیتابیس‌ها، API ها، دستگاه‌ها و سرویس‌ها به انبار داده، data lake، محصولات و مدل‌های AI می‌رسانند. این در عمل همان کار مهندس داده است با تمرکز بر جابه‌جایی داده و سالم نگه داشتن جریان آن، و عنوانش در آگهی‌ها کم دیده می‌شود: در بررسی ما روی ۳۸٬۸۰۷ آگهی باز در ۳۱۶ شرکت (اکتبر ۲۰۲۶) هیچ آگهی‌ای با این عنوان نبود، در حالی که ۲۳۵ آگهی عنوان Data Engineer داشتند. فقط چند کارفرما، مثل Hexegic و GlobalData Healthcare در بریتانیا و myDNA در آمریکا، این عنوان را به کار می‌برند. اگر دنبال این شغل هستید، آگهی‌های Data Engineer را هم جستجو کنید.

Inference Engineer (متخصص بهینه‌سازی عملکرد مدل) کسی است که مدل آموزش‌دیده را در پروداکشن سریع، ارزان و درست اجرا می‌کند: موتور serving، زمان‌بندی و batch کردن درخواست‌ها، مدیریت KV cache، تقسیم مدل بین چند GPU، quantization و در صورت نیاز نوشتن kernel روی GPU. عنوان دقیق «Inference Engineer» در آگهی‌های ۲۰۲۶ وجود دارد اما کم است؛ کارفرماها همین کار را بیشتر با عنوان‌هایی مثل Software Engineer, Inference، Member of Technical Staff, Inference، Performance Engineer (Inference)، ML Systems Engineer, Inference یا Machine Learning Engineer, LLM Inference Optimization آگهی می‌کنند، بیشتر در آزمایشگاه‌های مدل، ابرهای inference و شرکت‌های تراشه.

مهندس طراحی ASIC شتاب‌دهنده‌های یادگیری ماشین تراشه‌هایی را طراحی می‌کند که مدل‌های هوش مصنوعی روی آن‌ها آموزش می‌بینند و اجرا می‌شوند: TPU در Google، Trainium و Inferentia در AWS، و تراشه‌های Cerebras، Etched و MatX. کار اصلی نوشتن مشخصات micro-architecture و کد RTL با SystemVerilog است و بعد همکاری با تیم‌های verification و physical design تا طرح به tapeout و ساخت برسد. نام قبلی این صفحه، «AI Hardware Engineer»، عنوان شغلی کارفرماها نیست: در جستجوی ما در اکتبر ۲۰۲۶ در حدود ۳۲ هزار آگهی باز حتی یک آگهی با این عنوان دقیق پیدا نشد. همین کار با نام‌هایی مثل RTL Design Engineer، ASIC Design Engineer، Design Verification Engineer، Silicon Engineer و ML Accelerator Architect آگهی می‌شود.

متخصص هوش مصنوعی لبه (Edge AI) مدل‌های یادگیری ماشین را طوری آماده و بهینه می‌کند که به‌جای سرور ابری، روی خود دستگاه اجرا شوند: گوشی و لپ‌تاپ، دوربین هوشمند، پهپاد و ربات، دستبند سلامت یا ماژول‌هایی مثل NVIDIA Jetson Orin. کار اصلی فشرده‌سازی و تبدیل مدل (quantization، جایگزینی operator، تغییر ساختار)، اجرای آن با runtime هایی مثل LiteRT، Core ML، ExecuTorch، ONNX Runtime یا TensorRT، و سنجیدن دقت، تأخیر، حافظه و مصرف توان روی سخت‌افزار واقعی است. عنوان «Edge AI Specialist» در آگهی‌های ۲۰۲۶ تقریباً دیده نمی‌شود. کارفرمایان همین کار را Machine Learning Engineer – Edge AI (Samsara)، Applied ML Engineer – Edge Devices (Deepgram)، Embedded Machine Learning Engineer و On-device ML Performance Engineer (Apple) یا Software Engineer, On-Device Machine Learning (Google) می‌نامند.

تحلیلگر FinOps هوش مصنوعی هزینهٔ استفاده از AI را در سازمان اندازه می‌گیرد، آن را به تیم‌ها و محصول‌ها نسبت می‌دهد، پیش‌بینی می‌کند و راه‌های کم کردنش را پیدا می‌کند: هزینهٔ توکن و API مدل‌ها، GPU و زیرساخت ابری، و مجوزها و قراردادهای ابزارهای AI. FinOps Foundation این شاخه را «FinOps for AI» می‌نامد. عنوان قبلی این صفحه، AI FinOps Specialist، عنوان رایجی در بازار نیست و در ۲۰۲۶ فقط یک آگهی با آن پیدا شد. کارفرماها بیشتر عنوان‌هایی مثل Senior FinOps Analyst — AI یا AI FinOps Analyst را به کار می‌برند. شرکت‌های سازندهٔ مدل هم کار مشابه را با عنوان‌های مالی مثل Strategic Finance, Compute آگهی می‌کنند.

MLOps Lead تیم یا پلتفرمی را رهبری می‌کند که مدل‌های یادگیری ماشین را از آموزش به پروداکشن می‌برد و آن‌جا سالم نگه می‌دارد: pipeline آموزش، رجیستری مدل، serving، پایش و هزینهٔ محاسبات. در آگهی‌های ۲۰۲۶ این نقش دو شکل دارد: مدیر مهندسی (Engineering Manager یا Associate Director) که تیم ۶ تا ۷ نفره یا بیشتر را می‌سازد و نقشهٔ راه را تعیین می‌کند، و رهبر فنی (Staff یا Lead Engineer) که بدون مدیریت مستقیم، معماری پلتفرم را در دست دارد. عنوان دقیق «MLOps Lead» کم دیده می‌شود و بیشتر آگهی‌ها سطح مهندس‌اند، پس این نقشی برای چند سال بعد از ورود به MLOps است.

متخصص اتوماسیون هوش مصنوعی کارهای تکراری یک شرکت را با پلتفرم‌های workflow مثل n8n، Zapier، Make و Power Automate و مدل‌های زبانی مثل Claude و Gemini خودکار می‌کند: خواندن و خلاصه کردن سند، جابه‌جایی داده بین CRM و سیستم مالی، دسته‌بندی تیکت و ساختن گزارش. بیشتر کار روی همین پلتفرم‌ها انجام می‌شود، اما آگهی‌ها کار با API، webhook و JSON و گاهی کمی اسکریپت‌نویسی را هم می‌خواهند. عنوان قبلی این صفحه، «متخصص پلتفرم‌های بدون کد هوش مصنوعی» (No-Code AI Platform Specialist)، عنوان شغلی رایجی نیست؛ کارفرماها این کار را AI Automation Specialist، AI & Automation Specialist یا AI Automation Engineer می‌نامند. بیشتر آگهی‌ها شغل تمام‌وقت در خود شرکت‌ها هستند، اما بازار فریلنس و آژانسی هم در کنارشان وجود دارد.

مهندس دیتابیس‌های برداری لایه‌ای را می‌سازد و اداره می‌کند که embedding ها را نگه می‌دارد و برای هر پرسش شبیه‌ترین بردارها را پیدا می‌کند: ساختار نمایه (مثل HNSW)، چیدمان داده روی حافظه و دیسک، مسیر اجرای پرسش، جستجوی فیلترشده و توازن میان recall، تأخیر و هزینه. این کار بیشتر مهندسی سیستم و پایگاه داده است تا یادگیری ماشین. عنوان دقیق «Vector Database Engineer» در آگهی‌ها کم است و بیشتر در شرکت‌های مشاوره دیده می‌شود. کارفرماها این کار را معمولاً با عنوان Software Engineer یا Database Engineer و پسوندهایی مثل Vector Search، VectorDB، Vector Index یا Search Infrastructure آگهی می‌کنند؛ هم در شرکت‌های سازندهٔ پایگاه برداری مثل Pinecone، Zilliz و turbopuffer و هم در Elastic، MongoDB و آزمایشگاه‌های هوش مصنوعی مثل Anthropic.

مهندس خوشهٔ GPU خوشه‌ای از سرورهای GPU را که مدل‌های هوش مصنوعی روی آن آموزش می‌بینند و اجرا می‌شوند، از روز نصب تا روز بازنشستگی سرپا نگه می‌دارد: سیستم‌عامل و درایورها، تست سلامت و پذیرش هر نود، زمان‌بند کارها، پایش، و تعمیر یا تعویض سخت‌افزار خراب. عنوان قدیمی این صفحه، «GPU Cluster Manager»، عنوان شغلی‌ای نیست که کارفرماها به کار ببرند؛ در جستجوی اکتبر ۲۰۲۶ هیچ آگهی‌ای با این نام پیدا نشد. همین کار با عنوان GPU Cluster Engineer (Sciforium و NEURA Robotics)، HPC Cluster Engineer (NVIDIA)، HPC Engineer یا Operations Engineer در تیم‌های Fleet (Lambda و CoreWeave) و HPC Operations Engineer (Tower Research و Jump Trading) آگهی می‌شود.

«مهندس مشاهده‌پذیری هوش مصنوعی» (AI Observability Engineer) عنوان شغلی نیست: در بررسی ما در ۲۲ اکتبر ۲۰۲۶ روی ۳۷٬۹۱۸ آگهی باز در تابلوی استخدام ۴۲۹ شرکت، هیچ آگهی‌ای این عنوان را نداشت، و سه آگهی هم‌نامی که در سایت‌های کاریابی پیدا کردیم همه بسته شده بودند. خودِ کار اما واقعی است و کارفرماها آن را با عنوان‌هایی مثل Software Engineer, AI Observability & Evals Platform (در LangChain، سازندهٔ LangSmith)، Senior Software Engineer - Agent Observability (در Honeycomb)، Staff AI Engineer - Agent Observability (در Datadog)، Manager, Software Engineering - AI Observability (در Figma) و Software Engineer, Evals (در Glean و xAI) آگهی می‌کنند. این مهندس سیستمی می‌سازد که نشان می‌دهد یک محصول مبتنی بر LLM یا ایجنت در پروداکشن واقعاً چه می‌کند: trace هر فراخوانی مدل و ابزار، مصرف توکن و هزینه، خطاها، و ارزیابی خودکار (eval) کیفیت پاسخ پیش و پس از هر تغییر. هستهٔ کار مهندسی نرم‌افزار backend و داده است، نه نوشتن prompt.

مهندس پلتفرم یادگیری ماشین (ML Platform Engineer) زیرساخت، ابزار و سرویس‌هایی را می‌سازد که مهندسان یادگیری ماشین و دانشمندان داده با آن مدل آموزش می‌دهند، مستقر می‌کنند و پایش می‌کنند: سرویس استنتاج (serving)، رجیستری مدل، feature store، ارکستراسیون آموزش و ابزار پایش. کاربران او تیم‌های داخلی شرکت‌اند، نه مشتری نهایی. عنوان دقیق در آگهی‌های ۲۰۲۶ دیده می‌شود (Klaviyo، Coinbase، Roblox و Synthesia)، اما همین کار بیشتر با عنوان‌هایی مثل Software Engineer, ML Platform یا ML Infrastructure آگهی می‌شود. بیشتر آگهی‌ها ۵ تا ۱۰ سال تجربهٔ مهندسی نرم‌افزار می‌خواهند؛ پس این نقش معمولاً قدم دوم شغلی است، نه نقطهٔ ورود.

«مهندس امنیت سایبری هوش مصنوعی» (AI Cybersecurity Engineer) عنوانی نیست که کارفرماها به کار ببرند: در بررسی ما در اکتبر ۲۰۲۶ روی ۴۴٬۱۷۳ آگهی باز در تابلوی استخدام ۵۱۵ شرکت، هیچ آگهی‌ای این عنوان را نداشت. همین کار با عنوان AI Security Engineer (مهندس امنیت هوش مصنوعی) آگهی می‌شود، مثلاً در Plaid، Interra Health و GuidePoint Security. این مهندس سیستم‌های مبتنی بر AI و LLM را امن می‌کند: پیش از استقرار ریسکشان را بررسی می‌کند، guardrail و sandbox می‌سازد تا کارهایی که ایجنت‌ها می‌توانند انجام دهند محدود بماند، هویت و دسترسی ایجنت‌ها را مدیریت می‌کند و جلوی prompt injection و نشت داده را می‌گیرد. در بعضی تیم‌ها کار سوی دیگری هم دارد: ساختن ابزار و ایجنت‌های AI برای خودِ تیم امنیت.

دانشمند داده با آمار، برنامه‌نویسی (بیشتر Python و SQL) و یادگیری ماشین از داده بینش و مدل بیرون می‌کشد تا تصمیم‌های یک سازمان بر پایهٔ شواهد گرفته شود. کار روزمره ترکیبی است از تعریف سنجه، طراحی و تحلیل آزمایش، ساخت و اعتبارسنجی مدل پیش‌بینی و توضیح نتیجه برای مدیران و تیم‌های محصول. در آگهی‌های ۲۰۲۶، کار با ابزارهای هوش مصنوعی هم کم‌کم جزو شرایط این شغل شده است.

تحلیل‌گر داده با داده‌های یک سازمان به سؤال‌های مشخص کسب‌وکار جواب می‌دهد: چه اتفاقی افتاده، چرا افتاده و حالا چه باید کرد. ابزار اصلی کار SQL است، در کنار Excel یا Google Sheets و یک ابزار BI مثل Power BI یا Tableau؛ بسیاری از آگهی‌ها Python هم می‌خواهند. خروجی کار داشبورد، گزارش و تحلیلی است که تیم‌ها و مدیران بر اساس آن تصمیم می‌گیرند، و بخش مهمی از کار توضیح دادن نتیجه برای مخاطب غیرفنی است.

تحلیل‌گر هوش تجاری (Business Intelligence Analyst) گزارش‌ها، داشبوردها و مدل‌های داده‌ای را می‌سازد و نگه می‌دارد که مدیران و تیم‌ها با آن‌ها عملکرد کسب‌وکار را دنبال می‌کنند و تصمیم می‌گیرند. کار روزمره SQL، یک ابزار BI مثل Power BI، Tableau یا Looker، تعریف KPI همراه با تیم‌ها و کنترل درستی عددهاست. در آگهی‌های ۲۰۲۶ کار با ابزارهای AI هم آمده است، و ابزارهای BI حالا امکان پرسیدن از داده به زبان طبیعی دارند؛ به نوشتهٔ مستندات Microsoft، این قابلیت بدون مدل معنایی (semantic model) آماده ممکن است جواب کلی یا نادرست بدهد، و آماده کردن همین مدل در حوزهٔ کار تحلیل‌گر BI است.

معمار داده تصمیم می‌گیرد داده‌های یک سازمان چه ساختاری داشته باشند، روی چه پلتفرمی نگه داشته شوند، چطور میان سیستم‌ها جابه‌جا شوند و با چه قواعدی از نظر کیفیت، امنیت و مالکیت اداره شوند. خروجی کارش مدل دادهٔ سازمان، معماری هدف و نقشهٔ راه مهاجرت، و استانداردهایی است که مهندسان داده، DBA ها و تیم‌های BI بر اساس آن کار می‌کنند. در آگهی‌های ۲۰۲۶ آماده کردن داده برای AI هم به این فهرست اضافه شده است: داده‌ای که RAG، جست‌وجوی برداری و ایجنت‌های AI بتوانند با کنترل دسترسی و ردیابی‌پذیری از آن استفاده کنند.

مهندس داده سیستم‌هایی می‌سازد که داده را از منابع مختلف جمع می‌کنند، تمیز و یکپارچه می‌کنند و به شکل جدول‌های قابل اعتماد در انبار داده یا data lake در اختیار تحلیل‌گران، دانشمندان داده، تیم‌های AI و خود محصول می‌گذارند. بخش اصلی کار نوشتن و نگهداری pipeline با SQL و Python، مدل‌سازی داده، زمان‌بندی کارها با ابزارهایی مثل Airflow و تضمین کیفیت و به‌موقع بودن داده است. در آگهی‌های ۲۰۲۶ کار با ابزارهای AI و آماده کردن داده برای ایجنت‌ها هم به این فهرست اضافه شده است.

دانشمند یادگیری ماشین با روش‌های یادگیری ماشین، آمار و آزمایش یک مسئلهٔ مشخص محصول یا کسب‌وکار را حل می‌کند: مسئله را به زبان ML صورت‌بندی می‌کند، مدل را می‌سازد و آموزش می‌دهد، اثرش را با A/B test و تحلیل علّی می‌سنجد و همراه مهندسان نرم‌افزار آن را به پروداکشن می‌رساند. در بازار ۲۰۲۶ این کار بیشتر با عنوان Applied Scientist آگهی می‌شود؛ آمازون، Lyft، DoorDash و Figma همین عنوان را به کار می‌برند. عنوان دقیق ML Scientist بیشتر در استارتاپ‌های AI برای زیست‌شناسی و دارو دیده می‌شود. فرق این نقش با پژوهشگر AI در هدف است: معیار موفقیت اثر روی محصول است، نه روش تازه یا مقاله.

پژوهشگر هوش مصنوعی روش، مدل یا فهم تازه‌ای دربارهٔ سیستم‌های هوش مصنوعی می‌سازد و آن را با آزمایش دقیق می‌سنجد: از آموزش و بهبود مدل‌های زبانی بزرگ تا فهمیدن اینکه درون این مدل‌ها چه می‌گذرد. در بازار کار این نقش بیشتر با عنوان‌های Research Scientist و Research Engineer در آزمایشگاه‌های AI، شرکت‌های بزرگ فناوری و مؤسسه‌های پژوهشی آگهی می‌شود و در دانشگاه از مسیر دکترا و پسادکترا می‌گذرد. خروجی کار آزمایش، کد، گزارش فنی و مقاله است.

دانشمند داده‌های سلامت (Health Data Scientist) با داده‌های پزشکی، مثل پروندهٔ الکترونیک سلامت (EHR)، دادهٔ مطالبات بیمه (claims)، داده‌های کارآزمایی بالینی و تصویربرداری، مدل آماری و یادگیری ماشین می‌سازد تا به سؤال‌هایی دربارهٔ پیشرفت بیماری، اثر درمان، ریسک بیماران و هزینهٔ مراقبت پاسخ دهد. در ۲۰۲۶ این عنوان دقیق بیشتر در دانشگاه‌ها و نهادهای پژوهشی بریتانیا آگهی می‌شود؛ شرکت‌های دارویی، بیمه‌های سلامت و شرکت‌های سلامت دیجیتال همین کار را با عنوان‌هایی مثل Data Scientist، Data Scientist, EHR AI، Clinical Data Scientist یا Data Science RWE می‌خوانند. فرق اصلی با دانشمند دادهٔ عمومی، شناخت ساختار و کدگذاری دادهٔ بالینی، روش‌های علّی روی دادهٔ مشاهده‌ای و کار در چارچوب حریم خصوصی و مقررات است.

نام قبلی این صفحه، Quant AI Analyst، عنوانی نیست که کارفرماها در آگهی بنویسند. کاری که این صفحه توصیف می‌کند، یعنی ساختن مدل‌های پیش‌بینی و سیگنال معاملاتی با آمار و یادگیری ماشین روی داده‌های بازار، در شرکت‌های معاملاتی و صندوق‌ها بیشتر با عنوان Quantitative Researcher (گاهی با پسوند Machine Learning)، Machine Learning Researcher یا Deep Learning Researcher آگهی می‌شود و در بانک JPMorganChase با عنوان‌هایی مثل AI Scientist و AI/ML Quantitative Researcher. در جستجوی ۲۲ اکتبر ۲۰۲۶ نزدیک‌ترین عنوان به «Quant AI» آگهی Quantitative AI Strategist در DRW بود که ابزارهای AI را برای پژوهش و تحلیل میزهای معاملاتی می‌سازد. در بسیاری از این آگهی‌ها سابقهٔ کار در صنعت مالی شرط نیست، اما پایهٔ قوی آمار، یادگیری ماشین و برنامه‌نویسی Python شرط است.

تحلیل‌گر پیش‌بینی (Forecasting Analyst) عددی را می‌سازد که بقیهٔ سازمان با آن برنامه‌ریزی می‌کند: از هر محصول چقدر فروش می‌رود، چند تماس به پشتیبانی می‌رسد یا بودجهٔ ماه‌های آینده بر چه فرضی بسته شود. در زنجیرهٔ تأمین همین کار بیشتر با عنوان Demand Planner آگهی می‌شود و در مراکز تماس با عنوان‌هایی مثل Forecasting and Demand Planning Analyst. هستهٔ کار آمار پیش‌بینی (روند، فصلی بودن، اثر پروموشن)، SQL و Excel، نرم‌افزارهای برنامه‌ریزی مثل Anaplan و SAP IBP و دفاع از عدد پیش‌بینی در جلسه‌های S&OP است. در آگهی‌هایی که بررسی کردیم، یادگیری ماشین بیشتر در نقش‌های ارشد و جهانی آمده و آنجا هم اغلب «امتیاز» یا «مسیر آینده» است، نه شرط ورود؛ ساخت و استقرار مدل‌های ML پیش‌بینی معمولاً کار دانشمند داده است.

مهندس داده‌های سنتتیک (Synthetic Data Engineer) سیستم‌هایی می‌سازد که برای آموزش و ارزیابی مدل‌های هوش مصنوعی دادهٔ مصنوعی تولید می‌کنند، و بعد نشان می‌دهد این داده واقعاً مدل را بهتر کرده است. در آگهی‌های ۲۰۲۶ این کار سه شاخهٔ اصلی دارد: تولید متن، کد و مسئله‌های قابل‌وارسی برای مدل‌های زبانی؛ شبیه‌سازی و ویدیوی ساخته‌شده با world model برای خودروهای خودران و ربات‌ها؛ و ساختن جایگزین مصنوعی برای دادهٔ حساس. عنوان دقیق «Synthetic Data Engineer» را NVIDIA و Apple به کار برده‌اند، اما بیشتر کارفرماها نام نقش را با پسوند Synthetic Data می‌نویسند: Machine Learning Engineer, Synthetic Data در Wayve، Research Engineer, Synthetic Data در SpaceXAI و Senior Member of Technical Staff, Synthetic Data در Cohere. بیشتر این آگهی‌ها چند سال سابقه در یادگیری ماشین، شبیه‌سازی یا مهندسی داده می‌خواهند.

دانشمند داده‌های مکانی با داده‌هایی کار می‌کند که به یک نقطه روی زمین وصل‌اند: تصویرهای ماهواره‌ای و هوایی، ابر نقاط LiDAR، مسیرهای GPS و لایه‌های GIS. او با Python، پایگاه دادهٔ مکانی، آمار مکانی و یادگیری ماشین از این داده‌ها مدل و محصول می‌سازد؛ مثلاً مدل ریسک آتش‌سوزی برای شبکهٔ برق، پایش مزرعه و جنگل از فضا، یا تحلیل نیاز زیرساختی یک منطقه. عنوانی که کارفرمایان در آگهی‌های ۲۰۲۶ به کار می‌برند Geospatial Data Scientist است؛ برچسب «GIS / Spatial Data Scientist» به این شکل عنوان شغلی نیست و دو شکل GIS Data Scientist و Spatial Data Scientist کمتر دیده می‌شوند. بسیاری از شرکت‌های این حوزه، مثل Planet و Esri، همین کار را با عنوان سادهٔ Data Scientist آگهی می‌کنند.

مهندس کلان‌داده (Big Data Engineer) سیستم‌هایی می‌سازد و اداره می‌کند که داده‌ای در حد ترابایت و پتابایت را جمع‌آوری، پردازش و ذخیره می‌کنند؛ معمولاً با Apache Spark، با Python یا یک زبان JVM مثل Scala و Java، و با ابزارهایی مثل Kafka، Hive و پلتفرم‌های ابری مثل Databricks و EMR. در عمل این همان کار مهندس داده است با تأکید بر پردازش توزیع‌شده در مقیاس بزرگ، و خود عنوان امروز در بازارهای محدودی دیده می‌شود: در نمونهٔ ما از ۱٬۱۹۹ آگهی LinkedIn در ۱۲ کشور (اکتبر ۲۰۲۶)، ۸۳۵ عنوان شامل Data Engineer بودند و ۱۹ عنوان Big Data Engineer یا مشابه آن، همه در لهستان، هند، سنگاپور، هلند و امارات و هیچ‌کدام در آمریکا، بریتانیا یا کانادا. ITJobsWatch هم در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ فقط ۴ آگهی استخدام دائم با این عنوان در بریتانیا ثبت کرده، در برابر ۲٬۱۸۳ آگهی Data Engineer. اگر دنبال این شغل هستید، آگهی‌های Data Engineer را هم جستجو کنید.

مهندس آنالیتیکس (Analytics Engineer) داده‌ی خامی را که به data warehouse رسیده، با SQL و ابزارهایی مثل dbt به مدل‌های تمیز، تست‌شده و مستند تبدیل می‌کند تا تحلیل‌گرها، مدیران و ابزارهای AI بتوانند به آن تکیه کنند. این نقش میان مهندس داده و تحلیل‌گر داده قرار می‌گیرد و روش‌های مهندسی نرم‌افزار مثل version control، تست و CI را به کار تحلیل می‌آورد. در بسیاری از آگهی‌های ۲۰۲۶ کار روزانه با ابزارهای AI و آماده کردن داده برای AI agents هم از این نقش خواسته می‌شود.

توسعه‌دهنده ETL داده را از سیستم‌های عملیاتی یک سازمان بیرون می‌کشد، پاک و یکپارچه می‌کند و در انبار داده بارگذاری می‌کند تا گزارش‌ها و تحلیل‌ها روی دادهٔ درست و به‌موقع کار کنند. بیشتر آگهی‌هایی که با این عنوان دیدیم مال شرکت‌های خدمات IT، بانک‌ها، سازمان‌های دولتی، بیمه و بیمارستان‌ها بود و ابزارهای تجاری مثل Informatica، SSIS و DataStage را می‌خواستند. کار با مهندسی داده هم‌پوشانی زیادی دارد و بخش بزرگی از آن نگهداری و پشتیبانی بارگذاری‌های شبانه است.

Decision Scientist عنوانی است که کارفرماها به نوعی از کار علم داده می‌دهند که خروجی‌اش یک تصمیم کسب‌وکار است، نه مدلی در پروداکشن: تعریف سنجه، طراحی و تحلیل A/B test، سنجیدن اثر تغییرها با روش‌های استنباط علّی وقتی آزمایش تصادفی ممکن نیست، و رساندن توصیهٔ روشن به مدیر محصول و مدیران ارشد. در آگهی‌های ۲۰۲۶ این عنوان دو شاخهٔ اصلی دارد: تیم‌های محصول، رشد و بازاریابی (مثل ZipRecruiter، Ibotta، Instructure و Vinted) و تیم‌های ریسک و تقلب (مثل Plooto و تیم‌های امنیت Vinted). بعضی شرکت‌ها، از جمله Sony Interactive Entertainment، همین کار را با عنوان Data Scientist و برچسب Decision Science آگهی می‌کنند.

تحلیل‌گر بینش مشتری داده‌های خرید، باشگاه مشتریان، رفتار دیجیتال و نظرسنجی‌ها را کنار هم می‌گذارد تا بفهمد مشتریان چه کسانی‌اند، چرا می‌خرند یا می‌روند و کدام کمپین واقعاً اثر داشته است. خروجی کار بخش‌بندی مشتریان، تحلیل ریزش و ارزش طول عمر مشتری، سنجش کمپین و توصیه‌های روشن برای بازاریابی، محصول و تجربهٔ مشتری است. در آگهی‌های ۲۰۲۶ ساختن مدل یادگیری ماشین معمولاً کار تیم علم داده است و هوش مصنوعی بیشتر به‌عنوان ابزاری برای سریع‌تر کردن تحلیل داده و بازخوردها آمده است.

زبان‌شناس محاسباتی (Computational Linguist) دانش زبان‌شناسی را به قاعده، داده و معیار ارزیابی تبدیل می‌کند تا سیستم‌های زبانی، که امروز بیشتر مدل‌های زبانی بزرگ (LLM) هستند، درست‌تر کار کنند: پدیده‌های زبانی را صورت‌بندی می‌کند، دستورالعمل برچسب‌گذاری می‌نویسد، دیتاست آموزش و ارزیابی می‌سازد، پرامپت طراحی می‌کند و خطاهای مدل را تحلیل می‌کند. در آگهی‌های صنعتی ۲۰۲۶ بیشتر این کار دادهٔ زبانی و ارزیابی LLM است و Python در حد اسکریپت‌نویسی خواسته می‌شود؛ نسخه‌های فنی‌ترِ آن اغلب با عنوان Language Engineer آگهی می‌شوند و نقش‌های پژوهشی معمولاً دکترا می‌خواهند. خودِ عنوان Computational Linguist در آگهی‌ها کم‌تعداد است.

مدیر علم داده (Head of Data Science) تیم یا کل واحد علم دادهٔ یک شرکت را رهبری می‌کند: تصمیم می‌گیرد تیم روی کدام مسئله‌ها کار کند، دانشمند داده استخدام می‌کند و رشد می‌دهد، استاندارد آزمایش و سنجش را تعیین می‌کند و نتیجهٔ کار تیم را به تصمیم مدیران ارشد وصل می‌کند. نام قبلی این صفحه، «لید عملیاتی علم داده» (Data Science Practice Lead)، عنوان شغلی رایجی نیست: در بررسی ما در اکتبر ۲۰۲۶ روی ۴۵٬۲۰۳ آگهی باز در تابلوی استخدام ۵۳۹ شرکت و آگهی‌های یک ماه اخیر لینکدین، هیچ آگهی بازی با این عنوان پیدا نشد. کارفرماها همین کار را با عنوان‌های Data Science Manager، Director of Data Science و Head of Data Science آگهی می‌کنند. این شغل نقطهٔ شروع نیست: آگهی‌ها برای مدیر تیم معمولاً ۵ تا ۱۰ سال و برای Director یا Head بین ۷ تا ۱۵ سال سابقهٔ کار با داده می‌خواهند.

دانشمند داده‌های گراف داده را به شکل شبکه‌ای از موجودیت‌ها (گره) و رابطه‌های میان آن‌ها (یال) می‌بیند و با الگوریتم‌های گراف، آمار و یادگیری ماشین الگوهایی را پیدا می‌کند که در جدول دیده نمی‌شوند: حلقه‌های تقلب، هویت‌های جعلی، حساب‌هایی که در واقع متعلق به یک نفرند، یا پیشنهادهایی که از شبکهٔ روابط کاربران ساخته می‌شوند. ابزار روزمره‌اش پایگاه گراف Neo4j و زبان Cypher، کتابخانه‌هایی مثل NetworkX و Neo4j Graph Data Science، و در نقش‌های پیشرفته‌تر شبکه‌های عصبی گراف (GNN) با PyTorch Geometric یا DGL است. عنوان دقیق Graph Data Scientist در آگهی‌های ۲۰۲۶ به کار می‌رود، اما بیشتر در یک گوشهٔ بازار: پیمانکاران خدمات دولتی آمریکا و شرکت‌های تأمین نیرو، که دست‌کم دو تای آن‌ها (Knowesis و E-Logic) برای یک قرارداد تحلیل تقلب در برنامه‌های فدرال آگهی داده‌اند. شرکت‌های محصول و فین‌تک همین کار را با عنوان Data Scientist یا Machine Learning Engineer آگهی می‌کنند؛ گاهی با پسوندی مثل Graph Machine Learning (XM) یا Identity Graph (Socure) و اغلب بدون هیچ اشاره‌ای به گراف در عنوان (Riskified، Roblox، Coinbase). در عمل این یک تخصص درون دانش داده است، نه حرفه‌ای جدا از آن.

«متخصص وب معنایی» (Semantic Web Specialist) عنوانی نیست که کارفرماها به کار ببرند؛ در جستجوی آگهی‌های ۲۰۲۶ حتی یک آگهی با این عنوان پیدا نکردیم. همین کار با عنوان‌های Taxonomist و Ontologist آگهی می‌شود و گاهی با Taxonomy & Metadata Specialist، Ontology Consultant یا Semantic Modeler. این متخصص طبقه‌بندی‌ها (taxonomy)، واژگان کنترل‌شده، طرح‌وارهٔ متادیتا و هستی‌شناسی‌ها (ontology) را طراحی و نگهداری می‌کند تا محصول، محتوا و داده برای جستجو، مدل‌های یادگیری ماشین و ایجنت‌های هوش مصنوعی پیدا و فهمیدنی باشد؛ از دسته‌بندی کالا در Vinted و سلسله‌مراتب محصولات 3M تا ontology پوشش بیمه که سیستم‌های AI شرکت Bold Penguin روی آن کار می‌کنند. فرقش با مهندس گراف دانش این است که این نقش خودِ مدل و واژگان را می‌سازد و نگه می‌دارد و ساختن pipeline و پایگاه گراف در پروداکشن کار مهندس است. برنامه‌نویسی در خیلی از این آگهی‌ها در حد پایه است (Vinted فقط SQL پایه و Excel می‌خواهد) و رشته‌هایی مثل کتابداری و علم اطلاعات، زبان‌شناسی و فلسفه هم پذیرفته می‌شوند.

زیست‌شناس محاسباتی در حوزهٔ ژنومیک با آمار و یادگیری ماشین از داده‌های توالی‌یابی DNA و RNA معنا بیرون می‌کشد: مدلی می‌سازد که از روی توالی DNA بیان ژن را پیش‌بینی کند، اثر یک جهش را تخمین بزند، نشانهٔ سرطان را در نمونهٔ خون پیدا کند یا ریسک بیماری را از روی ژنوم بسنجد. نام قدیمی این صفحه، «مفسر داده‌های ژنومیک هوشمند» (AI Genomic Data Interpreter)، عنوان شغلی نیست و در جستجوی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با آن پیدا نشد. کارفرماها همین کار را با عنوان‌هایی مثل Computational Biologist، Machine Learning Scientist (در شرکت‌های ژنومیک)، Bioinformatics Scientist و گاهی Genomic Data Scientist آگهی می‌کنند. یک نکتهٔ مهم: «تفسیر واریانت» برای گزارش بالینی بیمار شغل دیگری است که دانشمندان ژنومیک بالینی و مشاوران ژنتیک انجام می‌دهند؛ این صفحه دربارهٔ کسی است که مدل و ابزار تفسیر را می‌سازد.

دانشمند داده در تحلیل بلاکچین با داده‌های عمومی زنجیره‌هایی مثل Bitcoin و Ethereum کار می‌کند تا آدرس‌ها را به سرویس‌ها و بازیگران واقعی نسبت دهد، ریسک را برای تیم‌های انطباق (compliance) بسنجد و به کشف پول‌شویی، کلاهبرداری و دور زدن تحریم کمک کند. کار ترکیبی از قاعده‌های تحلیلی (heuristics)، الگوریتم‌های گراف، یادگیری ماشین و pipelineهای دادهٔ بزرگ است. عنوان «Blockchain Data Scientist» در آگهی‌ها کم دیده می‌شود: تنها نمونهٔ ۲۰۲۶ که پیدا شد (World در مونیخ) بسته شده است. شرکت‌های این حوزه، مثل Chainalysis، TRM Labs، Elliptic و Merkle Science، معمولاً همان عنوان Data Scientist را با سطح یا پسوند به کار می‌برند؛ Merkle Science عنوان «Data Scientist — Blockchain Intelligence» را استفاده کرده است.

مدیر محصول هوش مصنوعی تصمیم می‌گیرد یک محصول یا قابلیت مبتنی بر AI چه مسئله‌ای را حل کند، چطور رفتار کند و از کجا بفهمیم خوب کار می‌کند. در آگهی‌های ۲۰۲۶ این نقش فقط نوشتن سند نیست: تعریف رفتار ایجنت یا دستیار، نوشتن و بهبود پرامپت، طراحی ارزیابی (evals)، خواندن trace ها و کار روزانه با مهندسان ML و مشتریان هم جزو کار است. بیشتر آگهی‌ها برای کسانی است که پیش‌تر سابقهٔ مدیریت محصول دارند.

مدیر محصول ایجنت‌های هوش مصنوعی مسئول محصولی است که در آن یک ایجنت AI خودش کار را جلو می‌برد: ابزار صدا می‌زند، چند مرحله را پشت سر هم انجام می‌دهد و در جاهایی بدون تأیید قدم‌به‌قدم کاربر اقدام می‌کند. «Agentic AI Product Manager» عنوان رایجی در آگهی‌ها نیست؛ در بررسی آگهی‌های باز اکتبر ۲۰۲۶ این عنوان را در آگهی باز هیچ شرکتی پیدا نکردیم. کارفرماها همین کار را با عنوان «Product Manager, Agents» (مثل Lovable، Rogo و Harvey) یا با Product Manager به‌علاوهٔ نام یک حوزهٔ ایجنتی (مثل API Agents در OpenAI و Agentic Commerce در Stripe) آگهی می‌کنند؛ Sierra و Decagon هم نقش ساختن ایجنت برای هر مشتری را Agent PM می‌نامند. این نقش شاخه‌ای از مدیر محصول هوش مصنوعی است و تقریباً همیشه سابقهٔ مدیریت محصول می‌خواهد.

استراتژیست هوش مصنوعی تشخیص می‌دهد AI کجای کار یک سازمان ارزش واقعی می‌سازد و بعد پیگیری می‌کند که این ارزش واقعاً به دست بیاید: پیدا کردن و اولویت‌بندی کاربردها، ساختن business case، طراحی نقشهٔ راه و سنجش پذیرش و نتیجه. در ۲۰۲۶ این عنوان در سه جا دیده می‌شود: بیشتر در شرکت‌های نرم‌افزار AI مثل Distyl و Hebbia که استراتژیست مسئول نتیجهٔ استقرار AI نزد مشتری است، در شرکت‌های مشاوره مثل PA Consulting و Deloitte، و در خود سازمان‌ها با عنوان‌هایی مثل Head of AI Strategy یا VP, AI Strategy & Transformation. لینکدین این گروه را همراه مشاوران AI در رتبهٔ دوم سریع‌ترین شغل‌های در حال رشد آمریکا در ۲۰۲۶ گذاشته است.

معمار راهکارهای هوش مصنوعی نمایندهٔ فنی یک شرکت سازندهٔ مدل یا پلتفرم AI نزد مشتری است: نیاز کسب‌وکار را می‌فهمد، معماری راه‌حل را طراحی می‌کند، نمونهٔ اولیه و چارچوب ارزیابی می‌سازد و مشتری را تا استقرار در پروداکشن همراهی می‌کند. در آگهی‌های ۲۰۲۶ این نقش بیشتر با نام‌های دیگری می‌آید: Applied AI Architect در Anthropic، OpenAI و Perplexity، GenAI Specialist Solutions Architect در AWS و Solutions Architect در شرکت‌هایی مثل Databricks، Scale AI و Together AI. بیشتر این نقش‌ها در سازمان فروش شرکت قرار دارند و معمولاً دست‌کم پنج سال سابقهٔ کار فنی رو در رو با مشتری می‌خواهند.

مدیر ارشد هوش مصنوعی (CAIO) مدیری است که استراتژی، حاکمیت و پذیرش AI در کل سازمان با اوست: انتخاب و اولویت‌بندی کاربردها، رساندن آن‌ها از نمونهٔ آزمایشی به استفادهٔ واقعی، تعریف قواعد استفادهٔ مسئولانه و گزارش نتیجه به مدیرعامل و هیئت‌مدیره. در ۲۰۲۶ این عنوان هم در شرکت‌ها دیده می‌شود، از گروه‌های صنعتی مثل Speira در آلمان و FORCIT در فنلاند تا شرکت‌های نوپای آمریکایی، و هم در دولت‌ها؛ دستورالعمل OMB هر نهاد فدرال آمریکا را موظف کرده یک CAIO داشته باشد. طبق مطالعهٔ IBM، ۷۶٪ سازمان‌های بررسی‌شده در ۲۰۲۶ چنین نقشی داشته‌اند، در برابر ۲۶٪ در ۲۰۲۵. نقشی ارشد است: Speira، FairSquare و Tryfacta دست‌کم ۱۰ سال سابقه خواسته‌اند.

تحلیل‌گر کسب‌وکار هوش مصنوعی پل میان واحدهای کسب‌وکار و تیمی است که ایجنت، دستیار و سیستم‌های AI را می‌سازد. او پیدا می‌کند کجای کار AI واقعاً کمک می‌کند، نیاز مبهم را به نیازمندی دقیق و قابل‌آزمون، user story و نقشهٔ فرایند تبدیل می‌کند، معیار پذیرش و آزمون کاربر (UAT) را برای سیستم AI تعریف می‌کند و بعد از راه‌اندازی، نتیجه را با معیارهای موفقیت می‌سنجد. هستهٔ این شغل تحلیل کسب‌وکار است، نه ساختن داشبورد یا نوشتن کد.

مدیر برنامهٔ هوش مصنوعی (AI Program Manager) کار چند تیم را روی پروژه‌های AI هماهنگ می‌کند تا از ایده و پایلوت به استفادهٔ واقعی برسند: برنامه‌ریزی، پیگیری وابستگی‌ها و ریسک‌ها، رساندن تصمیم‌ها به موقع و گزارش روشن به مدیران. خودش مدل نمی‌سازد؛ کارش این است که مهندسی، محصول، امنیت، حقوقی، خرید و تیم‌های کسب‌وکار روی یک برنامه هم‌قدم شوند. کارفرماها این کار را با چند عنوان آگهی می‌کنند: آزمایشگاه‌های AI و شرکت‌های فناوری تقریباً همیشه Technical Program Manager به‌علاوهٔ نام یک حوزه می‌نویسند (مثل Inference در Anthropic یا AI Tooling در Figma)، و شرکت‌های بزرگ، بانک‌ها و شرکت‌های مشاورهٔ IT عنوان‌هایی مثل AI Program Manager در IBM یا AI Project Manager در CGI را به کار می‌برند. این صفحه همهٔ این عنوان‌ها را با هم پوشش می‌دهد.

مدیر توسعهٔ کسب‌وکار هوش مصنوعی برای شرکتی که محصول یا زیرساخت AI می‌سازد یا می‌فروشد، راه‌های تازهٔ رشد پیدا می‌کند و آن‌ها را به قرارداد می‌رساند: شراکت با شرکت‌های بزرگ فناوری، ارائه‌دهندگان ابر و آزمایشگاه‌های مدل، ورود به یک صنعت یا بازار تازه و ساختن pipeline فرصت‌ها برای محصولات AI. در شرکت‌های AI مثل Harvey، OpenAI و Anthropic این کار بیشتر شراکت و مذاکره است و در شرکت‌های ابر و زیرساخت مثل AWS، Alibaba Cloud و NetApp بیشتر ایجاد تقاضا و هماهنگ کردن شریک‌ها و فروشندگان. خودِ عنوان «AI Business Development Manager» در آگهی‌ها دیده می‌شود (مثلاً در NetApp)، اما رایج‌تر این است که کارفرما بنویسد Business Development Manager و حوزهٔ AI را کنارش بیاورد. این نقش طرف تجاری معامله است؛ ارزیابی فنی معمولاً با Solutions Architect یا Sales Engineer است.

مدیر عملیات هوش مصنوعی (AI Operations Manager) در یک شرکت معمولی، نه در یک آزمایشگاه AI، کاری می‌کند که ابزارها و ایجنت‌های AI از پایلوت به کار روزمرهٔ تیم‌ها برسند و همان‌جا بمانند: پیدا کردن کارهای دستی و تکراری، اولویت‌بندی آن‌ها با معیار قابل اندازه‌گیری، راه‌اندازی ابزار یا ساختن نمونهٔ اولیه، آموزش و پشتیبانی کاربران، و پایش کیفیت، هزینه و نتیجه. Holland America Line این نقش را «کارکرد عملیاتی سمت کسب‌وکار» می‌نامد که قابلیت‌های AI را به روش‌های کاری اندازه‌پذیر، پذیرفته‌شده و پایدار تبدیل می‌کند. عنوان قبلی این صفحه، «مدیر تحول عملیاتی هوشمند» (AI Ops Manager)، در آگهی‌ها به این شکل رایج نیست؛ کارفرماها AI Operations Manager یا Manager, AI Operations می‌نویسند. همین نام برای چند شغل دیگر هم به کار می‌رود: مدیریت عملیات داده و بازبینی انسانی برای مدل‌ها، عملیات فنی مدل‌ها در پروداکشن (MLOps و LLMOps) و AIOps، یعنی به‌کارگیری AI در عملیات IT. بیشتر آگهی‌هایی که برای این صفحه بررسی شد معنای اول را دارند و این صفحه دربارهٔ همان است.

مدیر ارشد داده (CDO) مدیری است که مسئول داده در کل سازمان است: استراتژی داده، حاکمیت و کیفیت آن، پلتفرم داده و اینکه داده واقعاً در تصمیم‌ها و محصولات به کار برود. در آگهی‌های ۲۰۲۶ آماده کردن داده برای AI هم بخش اصلی کار است. این عنوان در بانک، بیمه، سلامت، نرم‌افزار و دولت به کار می‌رود و گاهی با Analytics یا AI ترکیب می‌شود، مثل Chief Data and Analytics Officer یا Chief Data & AI Officer. نقشی ارشد است: UnitedHealth Group و AvePoint دست‌کم ۱۵ سال سابقه و IDB Bank دست‌کم ۱۲ سال خواسته‌اند، و حقوق اعلام‌شده در این سه آگهی آمریکایی بین ۲۲۵ و ۳۷۵ هزار دلار در سال است.

لید توانمندسازی هوش مصنوعی (AI Enablement Lead) کاری می‌کند که کارکنان یک سازمان ابزارهای AI را واقعاً، درست و مسئولانه در کار روزمره‌شان به کار ببرند. کارش این‌هاست: طراحی آموزش و مسیر یادگیری برای نقش‌های مختلف، راه انداختن شبکهٔ سفیران AI (champions) در تیم‌ها، ساختن راهنما و کتابخانهٔ کاربردها، ارتباطات داخلی، و سنجیدن اینکه استفاده و اثر واقعاً بیشتر شده است یا نه. کارفرماها همین کار را با عنوان‌هایی مثل AI Adoption Lead، AI Enablement Manager و Head of AI Enablement هم آگهی می‌کنند. در بیشتر آگهی‌ها این نقش مهندسی نیست و گاهی در تیم منابع انسانی (People) تعریف شده است؛ Solink صریحاً نوشته «این نقش مهندسی AI نیست». در برخی شرکت‌های کوچک‌تر، لید توانمندسازی خودش هم ابزار و اتوماسیون می‌سازد.

مدیر محصول داده (Data Product Manager) با داده مثل یک محصول رفتار می‌کند. مجموعه‌داده‌ها، لایه‌های دادهٔ مشترک، داشبوردها، API ها و پلتفرم‌هایی را که تیم‌های دیگر، مدل‌های یادگیری ماشین و حالا ایجنت‌های AI از آن‌ها استفاده می‌کنند، از شناخت نیاز تا بازنشستگی مدیریت می‌کند: تصمیم می‌گیرد چه داده‌ای برای چه کسی ساخته شود، مشخصات دقیق می‌نویسد، کیفیت و مالکیت و قرارداد داده (data contract) را تعریف می‌کند و میزان استفاده و ارزش را می‌سنجد. ساختن خود pipeline کار مهندسان است. نام قبلی این صفحه، «Digital Product Data Lead»، عنوانی نیست که کارفرماها به کار ببرند؛ همین کار با عنوان‌هایی مثل Data Product Manager، Senior Data Product Manager، Data Product Owner و Product Manager - Data Platform آگهی می‌شود. این شغل معمولاً ورودی نیست: آگهی‌هایی که بررسی کردیم از ۲ سال (Veeva و Spotify) تا ۵ سال یا بیشتر (Mondelēz و Hiscox) سابقه در محصول، تحلیل داده یا مهندسی داده می‌خواهند.

مشاور هوش مصنوعی به سازمان‌ها کمک می‌کند تصمیم بگیرند AI را کجا و چطور به کار ببرند و بعد این تغییر را واقعاً اجرا کنند: پیدا کردن و اولویت‌بندی کاربردها، ساختن business case، طراحی نقشهٔ راه، همراهی پایلوت‌ها و آموزش تیم‌ها تا ابزار تازه جزء کار روزمره شود. لینکدین این گروه را با نام «AI consultants and strategists» در رتبهٔ دوم فهرست سریع‌ترین شغل‌های در حال رشد آمریکا در ۲۰۲۶ گذاشته است. این کار هم در شرکت‌های مشاوره انجام می‌شود، هم در تیم‌های داخلی سازمان‌ها و هم به‌صورت مستقل.

افسر اخلاق هوش مصنوعی (AI Ethicist) کمک می‌کند یک سازمان پیش از ساخت و انتشار سیستم AI بداند آن سیستم با آدم‌ها چه می‌کند: اصول و مرزهای مجاز را تعریف می‌کند، اثر و آسیب‌های احتمالی را می‌سنجد، عدالت و شفافیت را با تیم‌های فنی آزمون‌پذیر می‌کند و تصمیم‌ها را مستند و پیگیری می‌کند. عنوان دقیق AI Ethicist در آگهی‌های ۲۰۲۶ کمیاب است و Glassdoor برای آن در آمریکا هیچ دادهٔ حقوقی ندارد. همین کار با عنوان‌های دیگری آگهی می‌شود: Responsible AI Lead در شرکت‌ها و مشاوره‌ها (NTT DATA)، AI Governance Specialist (ASM)، پژوهشگر فلسفه و ارزش‌های انسانی در آزمایشگاه‌های AI (Google DeepMind) و Policy Design یا Product Policy در شرکت‌های مدل‌ساز (Anthropic و Thinking Machines). طبق گزارش AI Index ۲۰۲۶ دانشگاه استنفورد، نقش‌های تخصصی حاکمیت AI در ۲۰۲۵ رشد ۱۷ درصدی داشته‌اند.

متخصص انطباق و مقررات هوش مصنوعی (AI Compliance Officer) الزامات قانونی و مقرراتی را به کار روزمرهٔ سازمان تبدیل می‌کند: فهرست سیستم‌های AI را کامل نگه می‌دارد، هر کاربرد را از نظر ریسک و نقش حقوقی شرکت طبقه‌بندی می‌کند، با تیم‌های حقوقی، فنی و کسب‌وکار کنترل و سیاست می‌گذارد و شواهدی می‌سازد که در برابر ممیز و نهاد ناظر قابل دفاع باشد. این عنوان دقیق در ۲۰۲۶ واقعاً آگهی می‌شود: AUMOVIO در رومانی، BNY در منچستر و Morgan Stanley در دالاس آگهی باز با همین نام دارند، همه در صنایع رگوله‌شده. اما برچسب رایج‌تر بازار «AI Governance» است (AI Governance Manager، Lead یا Specialist) و شرکت‌های سازندهٔ AI همین کار را با عنوان‌هایی مثل Compliance Program Manager در OpenAI یا Compliance Manager در Reflection AI آگهی می‌کنند؛ هنگام جست‌وجوی کار هر دو دسته را بگردید. این شغل ورودی نیست: همهٔ آگهی‌هایی که سابقه را مشخص کرده بودند دست‌کم ۴ سال و بیشترشان ۵ تا ۸ سال یا بیشتر تجربه در انطباق، حقوق، حریم خصوصی یا ریسک خواسته‌اند. طبق کمیسیون اروپا، قانون AI اتحادیهٔ اروپا از ۲ اوت ۲۰۲۶ اجرایی شده و قواعد سیستم‌های پرریسک در حوزه‌هایی مثل استخدام، آموزش و بیومتریک از ۲ دسامبر ۲۰۲۷ اعمال می‌شود.

مدیر حاکمیت داده (Data Governance Manager) برنامه‌ای را اداره می‌کند که روشن می‌کند هر دادهٔ مهم سازمان مالک چه کسی است، چه تعریفی دارد، کیفیتش چطور سنجیده می‌شود، از کجا آمده و چه کسی حق استفاده از آن را دارد. ابزار کار او کاتالوگ داده، قواعد کیفیت، lineage، طبقه‌بندی داده و شبکه‌ای از data stewardهاست. در آگهی‌های ۲۰۲۶ کار تازه‌ای هم به این نقش اضافه شده است: آماده کردن داده برای AI و، در بسیاری از شرکت‌ها، ثبت و ارزیابی کاربردهای AI.

تحلیلگر امنیت سایبری (Cybersecurity / Security Analyst) هشدارهای امنیتی را بررسی می‌کند، تشخیص می‌دهد کدام‌یک حملهٔ واقعی است، با کنار هم گذاشتن لاگ‌های endpoint، شبکه، هویت و ابر دامنهٔ آن را روشن می‌کند و برای مهار و رفعش اقدام می‌کند یا آن را به تیم مناسب می‌سپارد. در آگهی‌های ۲۰۲۶ تغییر روشنی دیده می‌شود: بخشی از بررسی‌های اولیه را ایجنت‌های AI انجام می‌دهند و تحلیلگر باید کار آن‌ها را راستی‌آزمایی کند، خودش با ابزارهای AI سریع‌تر کار کند و تهدیدهای تازه علیه خودِ سیستم‌های AI را هم بشناسد.

متخصص تست نفوذ مدل (AI Red Teamer) با اجازهٔ صاحب سیستم و در محدوده‌ای تعریف‌شده نقش مهاجم یا کاربر سوءاستفاده‌گر را بازی می‌کند تا پیش از سوءاستفادهٔ واقعی معلوم شود یک مدل، ایجنت یا محصول هوش مصنوعی کجا از قاعده‌ها و حفاظ‌هایش (safeguards) خارج می‌شود، کجا داده نشت می‌دهد و کجا ابزارهای متصل به آن قابل سوءاستفاده‌اند. خروجی کار یافته‌های قابل بازتولید، سنجش جدی بودن هر ریسک و پیشنهاد اصلاح برای تیم‌های محصول، مهندسی و سیاست‌گذاری است. بازار این کار واقعی اما کوچک است: ردیاب بازار کار SANS در هفتهٔ ۱۴ سپتامبر ۲۰۲۶، ۸۸ آگهی برای AI Red Team Specialist شمرد، در برابر ۸۵۶ آگهی برای AI/ML Security Engineer. خود عنوان AI Red Teamer کم دیده می‌شود (نمونه: AI Red Teamer, Cyber در 10a Labs) و کارفرماها بیشتر عنوان‌هایی مثل Red Team Engineer، AI Red Team Engineer و Content Adversarial Analyst را به کار می‌برند.

مهندس نرم‌افزار اعتماد و ایمنی (Software Engineer, Trust & Safety) سیستم‌هایی می‌سازد که سوءاستفاده از یک پلتفرم را تشخیص می‌دهند و جلویش را می‌گیرند: تقلب و حساب‌های جعلی، اسپم و بات، فیشینگ، محتوای مضر و در محصولات AI، استفادهٔ مخرب از خود مدل. کار روزمره ترکیبی از مهندسی backend و داده، قواعد تشخیص (rules engine)، مدل‌های یادگیری ماشین و ابزارهایی است که تیم‌های بررسی و تحقیقات با آن کار می‌کنند. TSPA، انجمن حرفه‌ای این حوزه، کار مهندسی در Trust & Safety را ساختن مدل‌های ML برای مقیاس دادن یا خودکار کردن برخورد با رفتار ناقض قواعد و ساختن سیستم‌های گزارش‌دهی، اجرای تصمیم و بررسی داخلی تعریف می‌کند. «Trust & Safety Engineer» عنوان رایجی در آگهی‌ها نیست: در بررسی آگهی‌های باز اکتبر ۲۰۲۶ فقط Lovable دقیقاً با این عنوان آگهی داده بود. کارفرماها بیشتر «Software Engineer, Trust & Safety» می‌نویسند (Gamma، Suno، Chime و Vercel) یا Software Engineer را با نام تیمی مثل Safety، Integrity یا Abuse می‌آورند (Discord، Roblox، OpenAI و Anthropic). اثر AI در آگهی‌های ۲۰۲۶ از دو سو دیده می‌شود: Gamma می‌نویسد AI مانع ورود مهاجمان را به‌شدت پایین آورده است، و همان آگهی و آگهی Vercel از مهندس می‌خواهند با LLM ها سیستم تشخیص و طبقه‌بندی سوءاستفاده بسازد.

وکیل و مشاور حقوقی هوش مصنوعی وکیلی است که در تیم حقوقی یک شرکت، یا در یک مؤسسهٔ حقوقی برای مشتریانش، به ساختن و عرضهٔ محصولات AI مشاورهٔ حقوقی می‌دهد: پیش از عرضهٔ یک قابلیت AI ریسک‌های حقوقی آن را با تیم محصول بررسی می‌کند، قانون‌ها و مقررات تازهٔ AI مثل EU AI Act را دنبال می‌کند و به برنامهٔ انطباق تبدیل می‌کند، قراردادهای داده و مدل را می‌نویسد و مذاکره می‌کند و در مسائل حریم خصوصی و مالکیت فکری مرتبط با AI نظر می‌دهد. «AI Law Attorney» عنوان شغلی کارفرماها نیست؛ آگهی‌ها عنوان‌هایی مثل AI Counsel (در Danaher)، Senior AI Product Counsel (در Handshake)، Product Counsel, Google Cloud AI (در Google)، Regulatory Counsel, AI Regulation (در Anthropic) و Privacy and AI Counsel (در Harvey) دارند. این شغل فقط برای وکیل است: از ۱۱ کارفرمایی که آگهی‌شان را برای این صفحه خواندیم، ۹ کارفرما عضویت در کانون وکلا یا «qualified lawyer» بودن را صریحاً شرط کرده‌اند و دو کارفرمای دیگر سابقهٔ کار حقوقی می‌خواهند. مجوز وکالت هم به یک حوزهٔ قضایی مشخص بسته است و مجوز یک کشور یا ایالت خودبه‌خود در جای دیگر اعتبار ندارد. این صفحه مسیر شغلی را توضیح می‌دهد و مشاورهٔ حقوقی نیست.

تحلیلگر ریسک هوش مصنوعی پیش از به کار گرفتن یک سیستم AI در سازمان، و در تمام مدتی که از آن استفاده می‌شود، می‌سنجد چه چیزی ممکن است خراب شود: خروجی نادرست، نشت داده، سوگیری، حمله‌هایی مثل prompt injection، وابستگی به فروشنده و تخلف از مقررات. کاربردهای AI را ثبت و رده‌بندی می‌کند، ریسک ذاتی و باقی‌مانده را ارزیابی می‌کند، کنترل لازم را می‌خواهد و شاهد اجرای آن را بررسی می‌کند و وضعیت ریسک را به کمیته‌ها گزارش می‌دهد. این نقش بیشتر در بانک‌ها و بیمه‌ها دیده می‌شود، در واحدهای ریسک فناوری، ریسک عملیاتی یا مدیریت ریسک مدل. در آگهی‌ها عنوان‌های AI Risk Manager، VP, AI Risk و AI Technology Risk Manager هم برای همین کار به کار می‌رود.

مهندس حریم خصوصی (Privacy Engineer) الزام‌های قانونی و تعهدهای یک شرکت دربارهٔ دادهٔ کاربران را به سیستم و کنترل فنی تبدیل می‌کند: نقشهٔ اینکه چه داده‌ای کجا نگه داشته می‌شود، نگهداری و حذف خودکار داده، کنترل دسترسی، بررسی حریم خصوصی (privacy review) ویژگی‌های تازه و به‌کارگیری فناوری‌هایی مثل differential privacy. ISACA این نقش را طراحی، توسعه و پیاده‌سازی راه‌حل‌های فنی هم‌راستا با سیاست‌های حریم خصوصی بر پایهٔ privacy by design تعریف می‌کند. در آگهی‌های ۲۰۲۶ اثر AI روشن است: Anthropic و OpenAI از این مهندسان می‌خواهند دادهٔ کاربران را در آموزش و استنتاج مدل‌ها محافظت کنند و نشت داده از مدل را بسنجند، و Anthropic و Microsoft AI تبدیل EU AI Act به کنترل فنی را جزو وظایف آورده‌اند.

وکیل یا نمایندهٔ ثبت اختراع در حوزهٔ هوش مصنوعی و نرم‌افزار، اختراع‌هایی مثل مدل‌های یادگیری ماشین، سیستم‌های نرم‌افزاری و سخت‌افزار AI را به درخواست ثبت اختراع تبدیل می‌کند: با مخترع کار می‌کند تا نوآوری را پیدا کند، شرح اختراع و ادعاها (claims) را می‌نویسد و در برابر ایرادهای ادارهٔ ثبت اختراع از درخواست دفاع می‌کند (prosecution). «AI Patent Attorney» عنوان شغلی کارفرماها نیست؛ آگهی‌ها عنوان‌هایی مثل Patent Agent – Artificial Intelligence & Software (در Finnegan)، Trainee Patent Attorney – AI & Software (در Page White Farrer)، Patent Scientist (در Knobbe Martens) و Technical Specialist (در Sterne Kessler) دارند. برای مهندسی که مدرک حقوق ندارد راه ورود واقعی وجود دارد: در آمریکا با مدرک فنی و قبولی در آزمون USPTO عنوان Patent Agent می‌گیرید و در بریتانیا و اروپا Patent Attorney اصلاً وکیل دادگستری نیست و با مدرک علمی و آموزش ضمن کار تربیت می‌شود.

مهندس هوش مصنوعی مسئولیت‌پذیر (Responsible AI Engineer) ابزار و سیستمی می‌سازد که اصول و الزامات «هوش مصنوعی مسئولانه» را در خود محصول اجرا کند: pipeline ارزیابی عدالت، ایمنی و کیفیت مدل، guardrail و کنترل زمان اجرا برای LLMها و ایجنت‌ها، و ابزارهایی که برای ممیزی و انطباق شاهد جمع می‌کنند. خود این عنوان در آگهی‌های Accenture، Cognizant و HERE Technologies (با عنوان Lead Responsible AI Engineer) دیده می‌شود. شرکت‌های بزرگ فناوری بیشتر عنوان مهندسی را با نام تیم می‌نویسند، مثل SDE, Responsible AI در Amazon، Senior Software Engineer - Responsible AI در Microsoft و Machine Learning Engineer II, Responsible AI در Pinterest. آزمایشگاه‌های AI همین کار را Safety Engineering یا Safeguards می‌نامند (OpenAI و Anthropic) و بعضی شرکت‌های مالی و بیمه AI Governance Engineer (مثل Dalio Family Office و SIGNAL IDUNA). در آگهی‌هایی که در این پژوهش دیدیم کمترین سابقهٔ خواسته‌شده ۲ سال (Pinterest) و ۳ سال (Amazon) بود و آگهی سطح ورود پیدا نشد.

تحلیلگر جرم‌شناسی دیجیتال (Digital Forensics Analyst) شواهد دیجیتال را از کامپیوتر، گوشی، سرویس‌های ابری و لاگ‌ها طوری جمع‌آوری و نگهداری می‌کند که در دادگاه یا یک تحقیق رسمی قابل دفاع باشد، آن‌ها را تحلیل می‌کند و نتیجه را در گزارشی روشن می‌نویسد. این کار در سه محیط اصلی انجام می‌شود: شرکت‌های پاسخ به رخداد امنیتی (که در بازار با نام DFIR شناخته می‌شوند)، آزمایشگاه‌های پلیس و نهادهای قضایی، و شرکت‌های مشاوره و eDiscovery که برای وکلا کار می‌کنند. هوش مصنوعی در این شغل ابزار کمکی است، نه موضوع اصلی کار.

متخصص حقوقی هوش مصنوعی، که در آگهی‌ها بیشتر با عنوان Legal Engineer دیده می‌شود، کار حقوقی واقعی را به workflow هوش مصنوعی تبدیل می‌کند: روند کار وکلا را می‌شناسد، برای بررسی قرارداد، پژوهش حقوقی و تنظیم سند پرامپت، playbook و ایجنت طراحی می‌کند، خروجی مدل را با معیار حقوقی می‌سنجد و به وکلا و مشتریان یاد می‌دهد این ابزارها را درست به کار ببرند. «تحلیل‌گر حقوقی هوش مصنوعی» (AI Legal Analyst) عنوان شغلی رایجی نیست: در بررسی ما در ۲۲ اکتبر ۲۰۲۶ فقط یک آگهی باز با عنوان نزدیک Legal AI Analyst پیدا شد (در Hogan Lovells)، در حالی که Harvey ۳۴ و Legora ۵۳ آگهی باز با عنوانی شامل Legal Engineer داشتند. با وجود کلمهٔ Engineer، این شغل برنامه‌نویسی نیست و بیشتر آگهی‌ها مدرک حقوق و سابقهٔ کار حقوقی می‌خواهند. مؤسسه‌های حقوقی همین کار را با عنوان‌هایی مثل Innovation Attorney یا Legal Engineering Attorney آگهی می‌کنند.

تحلیلگر استراتژی مقابله با تقلب (Fraud Strategy Analyst) لایهٔ دفاعی یک فین‌تک، بانک یا مارکت‌پلیس را در برابر تقلب طراحی و تنظیم می‌کند: قواعد و آستانه‌هایی می‌نویسد که روی امتیاز مدل‌های یادگیری ماشین سوار می‌شوند، اثر هر تغییر را با داده می‌سنجد و میان کم کردن زیان و آزار ندادن مشتری درستکار توازن برقرار می‌کند. عنوان «تحلیل‌گر کلاهبرداری هوشمند» (AI Fraud Analyst) عنوان رایج شغلی نیست و در آگهی‌ها تقریباً دیده نمی‌شود؛ کارفرماها همین کار را با عنوان‌هایی مثل Fraud Strategy Analyst، Fraud Strategist و Fraud Strategy Associate آگهی می‌کنند و نسخهٔ مدل‌سازتر آن را Data Scientist در تیم تقلب می‌نامند.

تحلیلگر و مدیر سیاست‌گذاری هوش مصنوعی روی قانون‌ها، مقررات و راهبردهای عمومی دربارهٔ AI کار می‌کند: لایحه‌ها و مقررات تازه را دنبال و تحلیل می‌کند، گزارش و یادداشت سیاستی می‌نویسد، برای سیاست‌گذاران جلسهٔ توجیهی آماده می‌کند و دیدگاه سازمان خود را با دولت‌ها، قانون‌گذاران و نهادهای ناظر در میان می‌گذارد. این کار در چهار جا انجام می‌شود: تیم‌های سیاست عمومی شرکت‌های AI (مثل Google DeepMind، Cohere و Anthropic)، اندیشکده‌ها و مراکز پژوهشی (مثل RAND Europe)، خود دولت‌ها و نهادهای ناظر (مثل وزارت علوم، نوآوری و فناوری بریتانیا) و سازمان‌های غیرانتفاعی (مثل METR). «AI Policy Consultant» (مشاور سیاست‌گذاری هوش مصنوعی)، نام قبلی این صفحه، عنوان شغلی رایجی نیست: در جست‌وجوی آگهی‌های لینکدین در ۲۲ اکتبر ۲۰۲۶ هیچ آگهی بازی با این عنوان پیدا نشد. کارفرماها عنوان‌هایی مثل AI Policy Manager، AI Policy Analyst، Public Policy Manager و Policy Advisor به کار می‌برند و شرکت‌های مشاوره عنوان‌هایی مثل Digital Regulation & Policy Consultant (در EY). بیشتر آگهی‌ها چند سال سابقه در سیاست‌گذاری، حقوق، کار دولتی یا فناوری می‌خواهند، اما نقش ورودی هم هست؛ مثل Associate در Tencent و Research Analyst در RAND Europe.

محقق ایمنی هوش مصنوعی با آزمایش روی مدل‌های پیشرفته بررسی می‌کند این سیستم‌ها کجا ممکن است رفتار خطرناک، فریبنده یا خارج از کنترل نشان دهند، و روش‌هایی برای سنجیدن و کم کردن این خطرها می‌سازد: ارزیابی پیش از انتشار، تفسیر درون مدل، نظارت بر ایجنت‌ها و آموزش مدل برای رفتار ایمن‌تر. عنوان دقیق AI Safety Researcher در آگهی‌ها کم دیده می‌شود؛ Google با عنوان Senior AI Safety Researcher آگهی داده است. بیشتر کارفرماها همین کار را با عنوان Research Scientist یا Research Engineer و نام تیم آگهی می‌کنند، مثل Alignment، Interpretability، Safety یا Safeguards. OpenAI عنوان‌هایی مثل «Researcher, Alignment» به کار می‌برد، METR و Cohere عنوان Member of Technical Staff، و AI Security Institute بریتانیا پژوهشگر و مهندس فنی جذب می‌کند. برای ورود، برنامه‌های پژوهشی با منتور مثل MATS و Anthropic Fellows مسیر رایجی‌اند.

مدیر برنامهٔ حریم خصوصی (Privacy Program Manager) برنامهٔ حفاظت از دادهٔ شخصی را در یک شرکت اداره می‌کند: الزامات قوانینی مثل GDPR و CCPA را به فرایندهای تکرارپذیر تبدیل می‌کند، ارزیابی اثر حریم خصوصی (PIA و DPIA) را پیش می‌برد، فهرست فعالیت‌های پردازش داده (RoPA) را به‌روز نگه می‌دارد، درخواست‌های حقوق کاربران و بررسی حریم خصوصی تأمین‌کننده‌ها را مدیریت می‌کند و حالا کاربردهای تازهٔ هوش مصنوعی را هم از نظر حریم خصوصی بررسی می‌کند. جای این نقش معمولاً تیم حقوقی یا انطباق است و کدنویسی جزو کارش نیست. عنوان «Smart Data Privacy Lead» در آگهی‌های استخدام به کار نمی‌رود؛ کارفرماها همین کار را با عنوان‌هایی مثل Privacy Program Manager، Privacy Operations Program Manager و Privacy Manager آگهی می‌کنند و در بریتانیا، استرالیا و هند گاهی با Privacy Lead. این شغل ورودی نیست: آگهی‌هایی که بررسی کردیم از ۴ تا ۷ سال (Headway) تا ۶ سال یا بیشتر (ElevenLabs و Hims & Hers) سابقه در حریم خصوصی، انطباق یا حوزه‌ای نزدیک می‌خواهند.

«مهندس ارزیابی و اعتبارسنجی مدل» (Model Validation Engineer) عنوان شغلی رایجی نیست: در جستجوی آگهی‌ها در اکتبر ۲۰۲۶ آگهی بازی با این عنوان انگلیسی پیدا نکردیم. خودِ کار اما واقعی است و بانک‌ها، فین‌تک‌ها و بیمه‌ها آن را با عنوان‌هایی مثل AI Model Validator (در BNP Paribas)، Risk, AI Model Validation (در Goldman Sachs)، Lead Analyst - Model Validation و Model Validation Manager (در Starling)، Credit Model Validation Manager (در Monzo)، Model Risk Management Lead, Machine Learning (در Affirm) و Model Risk Manager (در Mercury) آگهی می‌کنند. اعتبارسنج مدل در «خط دوم دفاع» کار می‌کند: مدل‌هایی را که تیم‌های دیگر برای اعتبارسنجی وام، تشخیص تقلب، مبارزه با پول‌شویی، قیمت‌گذاری یا عملیات ساخته‌اند، مستقل از سازندهٔ آن‌ها می‌آزماید، محدودیت‌ها و ایرادها را در گزارش می‌نویسد و تا رفع آن‌ها پیگیری می‌کند. سهم مدل‌های یادگیری ماشین و AI مولد در این کار رو به افزایش است. اگر منظورتان ساختن ابزار ارزیابی (eval) برای محصولات LLM است، آن کار در صفحهٔ «مهندس نرم‌افزار مشاهده‌پذیری و ارزیابی هوش مصنوعی» آمده است.

مهندس پرامپت رفتار مدل‌های زبانی بزرگ (LLM) را با نوشتن و آزمودن دستورها، و اطلاعاتی که همراه آن‌ها به مدل داده می‌شود، شکل می‌دهد و کیفیت خروجی را با مجموعه‌های تست می‌سنجد. این عنوان در ۲۰۲۳ بسیار پرطرفدار بود اما امروز به‌صورت مستقل کمتر آگهی می‌شود و همین کار اغلب زیر عنوان‌هایی مثل AI Engineer، Model Behavior و Conversation Designer استخدام می‌شود. خودِ مهارت از بین نرفته است: دست‌کم در بریتانیا، شمار آگهی‌هایی که آن را می‌خواهند بیشتر شده است.

طراح محصول هوش مصنوعی تعیین می‌کند مردم یک قابلیت AI را چطور تجربه کنند: خواسته‌شان را چطور بیان کنند، سیستم عدم قطعیت و خطایش را چطور نشان دهد، و کاربر کار یک ایجنت را چطور ببیند، اصلاح کند، تأیید کند یا متوقف کند. بعد این الگوها را با کاربران واقعی می‌آزماید. عنوان «AI UX Designer (AIX)» در آگهی‌های کارفرماها کم دیده می‌شود و مخفف AIX اصلاً به کار نمی‌رود؛ همین کار بیشتر با عنوان‌هایی مثل Product Designer, AI یا AI Experience Designer آگهی می‌شود.

متخصص GEO/AEO کمک می‌کند وقتی کسی از ChatGPT، Perplexity یا AI Overviews گوگل سؤالی می‌پرسد، برند در پاسخ بیاید، درست توصیف شود و به منبع معتبری ارجاع داده شود. GEO (Generative Engine Optimization) و AEO (Answer Engine Optimization) دو نام برای یک کارند. در بازار کار این نقش بیشتر به شکل شغل سئو با وظایف GEO آگهی می‌شود، با عنوان‌هایی مثل SEO & GEO Specialist یا SEO & AI Search Manager، و فقط بخش کوچکی از آگهی‌ها عنوان مستقل GEO یا AEO دارند. کار روزمره ترکیبی است از سئوی فنی، محتوای قابل‌استناد، حضور در منابع بیرونی و سنجش منظم پاسخ‌های AI.

طراح گفتگو (Conversation Designer) تجربهٔ گفتگوی آدم‌ها با دستیارها و ایجنت‌های هوش مصنوعی را طراحی می‌کند، هم در چت و هم در صدا: مسیر گفتگو، شخصیت و لحن دستیار، رفتار در برابر سوءتفاهم و خطا، لحظهٔ واگذاری به انسان و معیارهایی که با آن کیفیت گفتگو سنجیده می‌شود. در آگهی‌های ۲۰۲۶ این کار علاوه بر نوشتن دیالوگ و طراحی flow، نوشتن system prompt و تعریف persona برای مدل‌های زبانی و ساختن rubric ارزیابی را هم در بر می‌گیرد. کارفرماها بیشتر عنوان‌های Conversation Designer و Conversational AI Designer را به کار می‌برند و چند شرکت نام تازهٔ Agent Experience Designer را هم آزموده‌اند.

مدیر خلاقیت هوش مصنوعی کار خلاق یک برند یا آژانس را هدایت می‌کند، با این تفاوت که بخش بزرگی از تصویر، ویدیو، صدا و نسخه‌های تبلیغ با ابزارهای مولد ساخته می‌شود. او تعیین می‌کند کار چه شکلی داشته باشد و چه کیفیتی پذیرفتنی است، خودش هم با این ابزارها کار می‌کند، برای تیم workflow می‌سازد و ایده را به مشتری می‌فروشد. این یک نقش ارشد است: آگهی‌ها معمولاً بین ۵ تا ۱۵ سال سابقهٔ کار خلاق در طراحی، آرت‌دایرکشن، ویدیو یا تبلیغات می‌خواهند و AI روی این سابقه سوار می‌شود، نه جای آن.

استراتژیست محتوای هوش مصنوعی کار استراتژی محتوا را انجام می‌دهد، یعنی تعیین پیام، لحن و استاندارد محتوا، و یک لایهٔ تازه به آن اضافه می‌کند: این استانداردها را به دستورالعمل، کتابخانهٔ پرامپت، دانش ساختاریافته و مجموعهٔ ارزیابی برای ابزارهای AI تبدیل می‌کند و مسئول کیفیت محتوایی است که این ابزارها تولید می‌کنند. این عنوان در آگهی‌های ۲۰۲۶ واقعاً به کار می‌رود، اما شغلی جدا از استراتژی محتوا نیست؛ تخصصی درون آن است و کارفرماها تقریباً همیشه چند سال سابقهٔ محتوا، UX writing یا کپی‌رایتینگ می‌خواهند.

هنرمند هوش مصنوعی (AI Artist یا Generative AI Artist) با ابزارهای مولد تصویر و ویدیو، تصویر کلیدی، شخصیت، محیط، شات ویدیویی و دارایی بازی می‌سازد و آن را تا کیفیتی کامل می‌کند که در تولید واقعی قابل تحویل باشد. این شغل در استودیوهای جلوه‌های ویژه، شرکت‌های تولید تبلیغات، بازی‌سازها، رسانه‌ها و تیم‌های خلاق برندها دیده می‌شود. فرق کار حرفه‌ای با خروجی خام مدل در پایهٔ هنری و دقت فنی است: ترکیب‌بندی و نور، ثابت نگه داشتن شخصیت و محصول در چند شات، اصلاح نهایی در Photoshop یا نرم‌افزار کامپوزیت و رعایت حق نشر و مجوز ابزارها. آگهی Magnopus می‌نویسد این نقش «پیش از هر چیز یک نقش هنری» است.

مهندس Frontend هوش مصنوعی (AI Frontend Engineer) بخشی از محصول را می‌سازد که کاربر در آن با مدل زبانی یا ایجنت کار می‌کند: چتی که پاسخ را هم‌زمان با تولید (streaming) نشان می‌دهد، نمایش قدم‌به‌قدم کار ایجنت، صفحه‌های بازبینی و تأیید، و رابط‌هایی که از خروجی خود مدل ساخته می‌شوند (Generative UI). نام قبلی این صفحه، «Generative UI Developer»، عنوان شغلی‌ای نیست که کارفرماها به کار ببرند. همین کار با عنوان‌هایی مثل AI Frontend Engineer در Within و TeamViewer، Software Engineer, Frontend (Agentic AI) در Sift و Senior Frontend Engineer, Conversational & Gen UI در Farther آگهی می‌شود.

مدیر عملیات بازاریابی سیستم‌هایی را می‌سازد و نگه می‌دارد که تیم بازاریابی روی آن‌ها کار می‌کند: پلتفرم اتوماسیون بازاریابی مثل HubSpot یا Marketo، اتصال آن به CRM، امتیازدهی و مسیریابی سرنخ‌ها، کمپین‌های ایمیل و nurture، و گزارش‌هایی که سهم بازاریابی را در فروش نشان می‌دهند. در آگهی‌های ۲۰۲۶ کار تازه‌ای هم به این نقش اضافه شده است: ساخت workflowها و ایجنت‌های AI داخل همین سیستم‌ها و آموزش تیم برای استفاده از آن‌ها. این شغل جدیدی نیست؛ همان Marketing Operations Manager یا Marketing Automation Manager است که AI به وظایفش اضافه شده. عنوان قبلی این صفحه، AI Marketing Automation Manager، در هیچ آگهی بازی دیده نشد؛ کارفرماها بیشتر AI Marketing Operations Manager یا Marketing Operations Manager با پسوندی مثل «AI & Automation» می‌نویسند.

مدیر شخصی‌سازی تصمیم می‌گیرد هر مشتری در سایت، اپلیکیشن، ایمیل یا پیامک چه محتوا و پیشنهادی ببیند، و با آزمایش ثابت می‌کند این کار واقعاً فروش یا وفاداری را بالا برده است. ابزارش موتورهای شخصی‌سازی و آزمایش مثل Adobe Target، Optimizely، Dynamic Yield یا Salesforce Personalization است و کارش را با تیم‌های CRM، داده و علم داده پیش می‌برد؛ در آگهی‌هایی مثل Landmark Group مدل‌ها را تیم علم داده می‌سازد و این نقش آن‌ها را به تجربه‌ای برای مشتری تبدیل می‌کند. «Real-time Personalization Strategist»، نام قبلی این صفحه، عنوان شغلی کارفرماها نیست: در آگهی‌های ۲۰۲۶ همین کار با عنوان‌هایی مثل Personalization Manager، Senior Manager, CRM & Personalization Strategy یا Head of Personalisation & Experimentation آگهی می‌شود، و Optimizely نام «Personalization Strategist» را برای یکی از ایجنت‌های AI خودش به کار برده است. «بلادرنگ» در آگهی‌ها یک قابلیت است، نه عنوان شغل.

مهندس هوش مصنوعی بالینی سیستم‌های AI را می‌سازد، می‌سنجد و نگه می‌دارد که در خودِ مراقبت از بیمار به کار می‌روند: دستیارهایی که گفت‌وگوی پزشک و بیمار را به یادداشت بالینی تبدیل می‌کنند، ایجنت‌های گفت‌وگو و صوتی برای بیماران، و ابزارهایی که به پروندهٔ الکترونیک سلامت (EHR) وصل می‌شوند. فرقش با مهندسی AI عمومی این است که خروجی باید از نظر بالینی ایمن باشد، کیفیتش با معیار پزشکان سنجیده شود و محصول اغلب زیر مقررات تجهیزات پزشکی قرار می‌گیرد. خودِ این عنوان هنوز کم‌کاربرد است: در آگهی‌های بررسی‌شده آن را در Heidi Health و Insight Timer دیدیم، و آنجا منظور فردی دوگانه است که هم کد می‌زند و هم آموزش بالینی یا روان‌شناسی دارد. بیشتر کارفرماها همین کار را با عنوان AI Engineer یا Machine Learning Engineer، گاهی با پسوند «Clinical AI»، آگهی می‌کنند.

مهندس یادگیری ماشین تصویربرداری پزشکی مدل‌هایی می‌سازد که تصویرهای پزشکی را تحلیل می‌کنند: سی‌تی (CT)، ام‌آرآی (MRI)، تصویر اشعهٔ ایکس، سونوگرافی و اسلاید دیجیتال پاتولوژی. کار روزمره قطعه‌بندی اندام‌ها و ضایعه‌ها (segmentation)، هم‌ترازی تصویرها (registration)، تشخیص و اندازه‌گیری است و مدل باید تا محصولی برسد که به‌عنوان تجهیزات پزشکی مجوز می‌گیرد و پزشک در عمل با آن کار می‌کند. نام قدیمی این صفحه، «متخصص تصویربرداری پزشکی هوشمند» (AI Medical Imaging Specialist)، عنوان شغلی نیست و در جستجوی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با آن پیدا نشد. کارفرماها همین کار را با عنوان‌هایی مثل Machine Learning Engineer, Medical Imaging، AI Applied Scientist، Data Scientist, Medical Imaging و Machine Learning Scientist (در پاتولوژی دیجیتال) آگهی می‌کنند. عنوان‌هایی که واژهٔ Specialist دارند در این حوزه بیشتر نقش‌های بالینی‌اند، مثل برچسب‌زنی تصویر.

دانشمند داده انرژی (Energy Data Scientist) با یادگیری ماشین پیش‌بینی می‌کند مصرف برق چقدر می‌شود، قیمت بازار برق به کجا می‌رود و نیروگاه‌های خورشیدی و بادی چقدر تولید می‌کنند، و با همین مدل‌ها دستگاه‌هایی مثل باتری خانگی و شارژر خودروی برقی را کنترل یا اثرشان را می‌سنجد. نام قبلی این صفحه، «AI Sustainability & Energy Analyst»، عنوان شغلی‌ای نیست که کارفرماها به کار ببرند. همین کار با عنوان‌هایی مثل Energy Data Scientist در EnergyHub، Data Scientist در تیم Commodities شرکت Hanwha Energy USA، Energy Analytics Analyst در همان شرکت و ML Engineer - Power در Kpler آگهی می‌شود. عنوان‌های هم‌واژه‌ای مثل Sustainability Analyst، یا Energy Analyst در تیم انرژی دیتاسنترها، معمولاً شغل دیگری‌اند: حسابداری کربن و گزارش ESG، یا تحلیل تعرفه و قرارداد خرید برق با مدل مالی. در آن آگهی‌ها یادگیری ماشین هستهٔ کار نیست.

توسعه‌دهندهٔ بلاکچین نرم‌افزاری می‌سازد که روی بلاکچین اجرا می‌شود یا به آن وصل است: قراردادهای هوشمند (smart contracts)، پروتکل‌های DeFi و سرویس‌هایی که تراکنش و دادهٔ زنجیره را مدیریت می‌کنند. در آگهی‌های ۲۰۲۶ خود عنوان «Blockchain Developer» کم دیده می‌شود؛ کارفرماها بیشتر Smart Contract Engineer، Blockchain Engineer، Protocol Engineer یا Software Engineer در تیم‌های blockchain می‌نویسند. چون خطا در این کار مستقیماً به دارایی کاربران آسیب می‌زند، امنیت و تست در مرکز کار است. هوش مصنوعی در آگهی‌های واقعی بیشتر در دو جا با این نقش تلاقی دارد: کار روزمره با دستیارهای کدنویسی AI همراه با مسئولیت کامل کیفیت کد، و استفاده از AI برای پیدا کردن آسیب‌پذیری در قراردادها.

برنامه‌نویس هوش مصنوعی بازی (AI Programmer یا Gameplay AI Engineer) رفتار شخصیت‌های غیربازیکن (NPC) را می‌سازد: دشمنی که بازیکن را می‌بیند، پناه می‌گیرد و با هم‌تیمی‌هایش حمله را هماهنگ می‌کند، باتی که مثل یک بازیکن واقعی تصمیم می‌گیرد، یا بازیکنان یک مسابقهٔ فوتبال شبیه‌سازی‌شده. ابزار اصلی این کار هوش مصنوعی کلاسیک بازی است، نه یادگیری ماشین: درخت رفتار (Behavior Tree)، ماشین حالت، سیستم امتیازدهی (Utility AI)، برنامه‌ریزی با GOAP و HTN، مسیریابی روی navigation mesh و سیستم ادراک، که بیشترشان با C++ در موتورهایی مثل Unreal Engine نوشته می‌شوند. نام قبلی این صفحه، «AI Game Developer»، عنوان شغلی نیست و در آگهی‌هایی که برای این صفحه بررسی شد دیده نشد. استودیوها همین کار را AI Programmer، Senior AI Programmer، Gameplay AI Engineer یا Game AI Engineer می‌نامند. یادگیری ماشین و مدل‌های زبانی هم وارد بازی شده‌اند، اما بیشتر در نقش‌های جداگانه با عنوان‌هایی مثل Machine Learning یا Gen AI. بیشتر آگهی‌های بررسی‌شده دست‌کم پنج سال سابقه و یک بازی منتشرشده می‌خواهند.

دانشمند دادهٔ زنجیرهٔ تأمین با آمار، یادگیری ماشین و بهینه‌سازی ریاضی تصمیم‌های تکرارشوندهٔ زنجیرهٔ تأمین را بهتر و خودکار می‌کند: از هر کالا چقدر و کِی سفارش داده شود، موجودی در کدام انبار بماند، کدام تأمین‌کننده دیر تحویل می‌دهد و بار از چه مسیری برود. خروجی کار مدلی است که در پروداکشن اجرا می‌شود و هر روز تصمیم می‌سازد، نه فقط یک گزارش. نام قدیمی این صفحه، «متخصص زنجیرهٔ تأمین هوشمند» (Smart Supply Chain Specialist)، عنوان شغلی نیست و در جستجوی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با آن پیدا نشد. کارفرماها همین کار را بیشتر با عنوان Data Scientist در تیم‌های زنجیرهٔ تأمین و برنامه‌ریزی آگهی می‌کنند، و با عنوان‌هایی مثل Supply Chain Optimization Data Scientist، Data Scientist - Operational Research و ML/AI - Supply Chain؛ شرکت Lokad همین نقش را Supply Chain Scientist می‌نامد.

دانشمند دادهٔ اکچوئری با آمار و یادگیری ماشین مدل‌هایی می‌سازد که شرکت بیمه با آن‌ها نرخ بیمه را تعیین می‌کند، خسارت آینده را پیش‌بینی می‌کند و سودآوری پرتفوی را می‌سنجد. این کار ترکیبی از علم داده و حرفهٔ اکچوئری (بیم‌سنجی) است و بسیاری از کارفرماها در کنار Python و SQL، مدرک یا پیشرفت در آزمون‌های اکچوئری را هم می‌خواهند. عنوان «AI Actuary» در آگهی‌های استخدام تقریباً به کار نمی‌رود؛ بازار همین کار را با عنوان Actuarial Data Scientist استخدام می‌کند.

مدل‌ساز بیماری‌های عفونی با مدل‌های ریاضی، آماری و شبیه‌سازی نشان می‌دهد یک بیماری واگیر چطور در جمعیت پخش می‌شود، چند هفتهٔ بعد به کجا می‌رسد و واکسن یا هر مداخلهٔ دیگری چه اثری دارد. کارفرمایان اصلی نهادهای سلامت عمومی، دانشگاه‌ها، بنیادهای سلامت جهانی و شرکت‌های مشاوره‌اند. عنوان «مدل‌ساز اپیدمیولوژی هوشمند» (AI Epidemiology Modeler) در هیچ آگهی‌ای پیدا نشد و عنوان شغلی نیست؛ بازار همین کار را Infectious Disease Modeler، Mathematical Modeller یا Computational Modeler می‌نامد. یادگیری ماشین در بیشتر این آگهی‌ها مهارت مکمل است و فقط در بعضی نقش‌ها، مثل پیش‌بینی شیوع با ML، در مرکز کار قرار دارد.

مدیر داده‌های بالینی (Clinical Data Manager) مسئول داده‌های یک کارآزمایی بالینی است، از طراحی فرم‌های ثبت داده تا قفل پایگاه داده (database lock). او مشخص می‌کند چه داده‌ای و چطور در سیستم EDC ثبت شود، قواعد کنترل خطا (edit check) را تعریف و آزمایش می‌کند، داده‌ها را پاک‌سازی می‌کند، برای مراکز درمانی query می‌فرستد و داده‌های آزمایشگاه و منابع بیرونی را تطبیق می‌دهد تا دادهٔ تمیز و قابل‌دفاع به آماردانان و نهادهای ناظر برسد. این شغلی جاافتاده در CROها، شرکت‌های دارویی و بیوتک است. پسوند «هوشمند» یا (AI) جزو عنوان شغلی نیست: کارفرماها همان عنوان Clinical Data Manager را به کار می‌برند و از ۲۱ آگهی این خانواده که در اکتبر ۲۰۲۶ کامل خواندیم، فقط ۲ آگهی، هر دو در eClinical Solutions، کار با AI را جزو وظایف آورده بودند. AI بیشتر از راه ابزارها وارد این کار می‌شود: بازبینی داده با کمک یادگیری ماشین، تشخیص داده‌های پرت و خودکارسازی تبدیل داده.

طراح هوش مصنوعی بازی (AI Designer) در تیم طراحی بازی کار می‌کند و تصمیم می‌گیرد شخصیت‌های غیربازیکن (NPC) چه کنند: دشمن کی حمله کند، کی عقب بکشد، با هم‌تیمی‌هایش چطور هماهنگ شود و پیش از ضربه چه نشانه‌ای به بازیکن بدهد. این رفتارها را خودش در موتور بازی می‌سازد، با درخت رفتار (Behavior Tree)، State Tree، node graph و اسکریپت‌نویسی بصری مثل Blueprint، و بر اساس پلی‌تست تنظیم می‌کند. هیچ‌کدام از آگهی‌های طراحی که برای این صفحه بررسی شد C++ نمی‌خواهد؛ نوشتن سیستم‌های زیرین کار برنامه‌نویس AI است. نام قبلی این صفحه، «NPC Behavioral Designer»، عنوان شغلی نیست و در هیچ آگهی‌ای دیده نشد. استودیوها این کار را AI Designer، Senior AI Designer، AI Game Designer یا Game AI Designer می‌نامند. شاخهٔ تازه‌ای هم پیدا شده که رفتار و گفتگوی NPC را با پرامپت و مدل زبانی می‌سازد، مثل LLM Game Designer در welevel. بیشتر آگهی‌ها دست‌کم سه سال سابقه در بازی‌سازی می‌خواهند و چندتایشان یک بازی منتشرشده.

مهندس رباتیک هوش مصنوعی نرم‌افزاری می‌سازد که ربات واقعی با آن محیط را می‌بیند، تصمیم می‌گیرد و حرکت می‌کند: از ادراک و تعیین موقعیت تا برنامه‌ریزی حرکت و کنترل، و به‌ویژه سیاست‌هایی (policy) که ربات از نمایش انسانی، داده و شبیه‌سازی یاد می‌گیرد. خود عبارت «AI Robotics Engineer» به همین ترتیب در آگهی‌هایی که برای این صفحه در ۲۰۲۶ بررسی شد، به‌عنوان عنوان شغلی پیدا نشد. شکل‌های نزدیک به آن کم‌اند: «Robotics AI Engineer» در Field AI، Burro و Zoid، «AI Robotics Research Engineer» در Nimble و «Senior AI Robotics Software Engineer» در Amaru Robotics. بیشتر شرکت‌ها همین کار را با عنوان‌های Robotics Software Engineer، Robot Learning Engineer، Machine Learning Engineer با پسوندی مثل Robot Learning یا Manipulation، Research Engineer و Controls Engineer آگهی می‌کنند. در جستجوی کار همهٔ این عنوان‌ها را امتحان کنید.

مهندس برنامه‌ریزی مأموریت ماهواره نرم‌افزاری می‌سازد که تصمیم می‌گیرد هر ماهوارهٔ یک منظومه (constellation) چه زمانی چه کاری بکند: از کدام نقطهٔ زمین تصویر بگیرد، کی با کدام ایستگاه زمینی تماس بگیرد، داده را کی پایین بفرستد و کی مانور بدهد؛ آن هم با رعایت محدودیت‌های توان، حافظه، ارتباط و جهت‌گیری ماهواره. هستهٔ کار بهینه‌سازی ترکیبیاتی و تحقیق در عملیات است (برنامه‌ریزی عدد صحیح، برنامه‌ریزی محدودیت و الگوریتم‌های ابتکاری) و در شماری از آگهی‌های ۲۰۲۶، مثل AST SpaceMobile، Vantor و True Anomaly، یادگیری ماشین و یادگیری تقویتی هم به آن اضافه شده است. «AI Space Mission Planner» عنوان شغلی نیست و در آگهی‌ها دیده نمی‌شود؛ کارفرمایان همین کار را با عنوان‌هایی مثل Mission Planning Engineer، Mission Optimization و Tasking and Planning، یا با عنوان‌های عمومی‌تر AI/ML Engineer و Data Scientist با تمرکز بر زمان‌بندی ماهواره، آگهی می‌کنند.

مدیر محصول هوش مصنوعی بالینی مسئول محصولی مبتنی بر AI است که در خودِ مراقبت از بیمار به کار می‌رود: دستیارهایی که گفت‌وگوی پزشک و بیمار را به یادداشت بالینی تبدیل می‌کنند، ابزارهای پشتیبان تصمیم بالینی که هنگام ویزیت شواهد را جلوی پزشک می‌گذارند، و الگوریتم‌های پاتولوژی و تصویربرداری. او تصمیم می‌گیرد چه چیزی ساخته شود، کیفیت و ایمنی بالینی‌اش با چه معیاری سنجیده شود و محصول چطور وارد جریان کار پزشک و پروندهٔ الکترونیک سلامت (EHR) شود. عنوان کوتاه «Clinical AI PM» عنوان شغلی نیست و در آگهی‌ها به کار نمی‌رود؛ شکل رایج آن «Product Manager, Clinical AI» است، و بیشتر آگهی‌های باز اکتبر ۲۰۲۶ فقط Product Manager یا Product Lead را با نام یک محصول بالینی می‌آورند. دو مسیر ورود دیده می‌شود: مدیران محصول باتجربه‌ای که دانش حوزه را یاد می‌گیرند، و پزشکان و درمانگرانی که به کار محصول می‌آیند.

مهندس حافظهٔ ایجنت سیستمی می‌سازد که به دستیارها و ایجنت‌های هوش مصنوعی امکان می‌دهد چیزهایی را از یک گفتگو تا گفتگوی بعد به خاطر بسپارند: تصمیم می‌گیرد چه چیزی ذخیره شود، کی به‌روز یا فراموش شود و کی و چطور به context مدل برگردد. «AI Memory Engineer» عنوان شغلی نیست: در بررسی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با این عنوان پیدا نشد. کارفرماها کلمهٔ Memory را به یک عنوان عمومی اضافه می‌کنند، مثل Software Engineer, Memory & Search در Anthropic، Research Engineer, Memory در Letta و OpenAI و Research Scientist/Engineer - Agent Memory در LG AI Research. بیشتر این موقعیت‌ها ارشد یا پژوهشی‌اند.

مربی هوش مصنوعی (AI Trainer یا AI Tutor) با قضاوت انسانی به مدل‌های زبانی یاد می‌دهد چه پاسخی خوب است: پاسخ‌های مدل را ارزیابی و رتبه‌بندی می‌کند، پاسخ نمونه می‌نویسد، خطاهای مدل را پیدا می‌کند و با معیار مشخص (rubric) داوری می‌کند. این داده‌ها در روش‌هایی مثل RLHF برای آموزش و ارزیابی مدل به کار می‌روند. بیشتر این کار پروژه‌ای و با دستمزد ساعتی انجام می‌شود و نرخ‌های بالاتر به کسانی می‌رسد که در یک حوزه تخصص حرفه‌ای دارند.

«متخصص مستندسازی هوش مصنوعی» (AI Documentation Specialist) در آگهی‌های استخدام عنوان رایجی نیست؛ راهنمای Write the Docs آن را بیشتر عنوانی برای جستجوی کار و معرفی خود در لینکدین پیشنهاد می‌کند. خود این کار با عنوان‌هایی مثل Technical Writer، Documentation Engineer یا Content Systems Engineer آگهی می‌شود: نوشتن و نگه‌داری مستندات محصولات هوش مصنوعی و ابزارهای توسعه‌دهندگان، از راهنمای شروع و آموزش تا مرجع API، برای دو نوع خواننده: انسان و ایجنت‌های AI. در آگهی‌های ۲۰۲۶، نوشتن با کمک AI و سنجیدن خروجی آن، تست کردن هر چیزی که مستند می‌شود و کار به روش docs-as-code بخش ثابت این شغل است.

مهندس بهینه‌سازی مدل خودِ مدل را کوچک‌تر، سریع‌تر و ارزان‌تر می‌کند، طوری که کیفیتش تا حد ممکن حفظ شود: با quantization (کم کردن دقت عددی وزن‌ها و activationها)، distillation (انتقال توانایی یک مدل بزرگ به مدلی کوچک‌تر)، pruning و sparsity. این کار با Inference Engineer فرق دارد: او شیوهٔ اجرای مدل را بهینه می‌کند و این نقش خود مدل را تغییر می‌دهد. عنوان آگهی‌ها یکدست نیست. کار با عنوان‌هایی مثل AI Research Engineer (Model Compression & Quantization)، Model Optimization Research Engineer، Distillation Lead یا Deep Learning Researcher – Model Efficiency آگهی می‌شود. عنوان «Model Optimization» گاهی برای کار inference یا آماده‌سازی مدل روی سخت‌افزار یک شرکت هم به کار می‌رود، پس متن آگهی را بخوانید. این بازار از inference کوچک‌تر است و بیشتر در شرکت‌های تراشه، خودروی خودران و شرکت‌هایی دیده می‌شود که مدل‌های خودشان را می‌سازند.

مهندس کاربرد میدانی (Field Application Engineer یا FAE) نمایندهٔ فنی یک شرکت سازندهٔ تراشه یا سخت‌افزار هوش مصنوعی نزد مشتری است: به مهندسان مشتری کمک می‌کند پردازنده یا شتاب‌دهندهٔ مناسب را انتخاب کنند، برد را راه بیندازند، SDK را نصب کنند، مدل خود را روی NPU یا GPU آن شرکت اجرا کنند و مشکلات را تا رسیدن محصول به تولید حل کنند. این نقش کنار تیم فروش است و هدفش این است که مشتری تراشه را در محصولش به کار ببرد (design win)، و بازخورد مشتری را هم به تیم محصول برمی‌گرداند. عنوان «AI Field Application Engineer» به همین شکل عنوان شغلی کارفرماها نیست: در جستجوی ما در اکتبر ۲۰۲۶ هیچ آگهی‌ای با این عنوان دقیق پیدا نشد. همین کار با عنوان Field Application Engineer و یک توضیح کنارش آگهی می‌شود، مثل Field Application Engineer - AI Software & Hardware در Tenstorrent، Senior Field Applications Engineer - Edge AI MPU در NXP و (Senior) Field Application Engineer در Axelera AI. NVIDIA کار مشابه در Edge AI را Solutions Architect می‌نامد.

مهندس فروش فنی (Sales Engineer یا Solutions Engineer) در تیم فروش یک شرکت سازندهٔ محصول AI کار می‌کند و طرف فنی معامله است: نیاز مشتری را در جلسه‌های discovery می‌فهمد، دموی متناسب با مسئلهٔ او می‌سازد، proof-of-concept را اجرا می‌کند و به سؤال‌های فنی و امنیتی خریدار جواب می‌دهد تا ارزیابی فنی به قرارداد برسد. در آگهی‌هایی که برای این صفحه بررسی شد، بیشتر شرکت‌ها عنوان Solutions Engineer را به کار برده‌اند و بقیه Sales Engineer، Pre-Sales Solutions Engineer یا Solutions Consultant را. کار در کنار Account Executive انجام می‌شود و بخشی از درآمد معمولاً به نتیجهٔ فروش بستگی دارد.