مهندس کاربرد میدانی هوش مصنوعی (FAE)
Field Application Engineer (AI / Edge AI)
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.
مقدمه و تعریف شغل
مهندس کاربرد میدانی (FAE) در شرکتی کار می‌کند که تراشه، برد یا سیستم سخت‌افزاری هوش مصنوعی می‌فروشد و مشتری‌اش مهندسانی هستند که با آن تراشه محصول می‌سازند. کار او این است که آن تراشه در محصول مشتری واقعاً کار کند: انتخاب سخت‌افزار مناسب، راه‌اندازی برد، نصب SDK، اجرای مدل مشتری روی شتاب‌دهنده، بازبینی طراحی و رفع اشکال. آگهی Axelera AI نقش اصلی را «راهنمایی مشتری در ارزیابی، پذیرش و استقرار سخت‌افزار» می‌نامد و NXP آن را «ایجاد تقاضا و فعالیت‌های design-in مشتری». FAE در سازمان فروش یا کنار آن قرار دارد، اما کارش عمدتاً مهندسی است و تا تولید انبوه محصول مشتری ادامه پیدا می‌کند.
در صنعت نیمه‌هادی، فروش با یک امضا تمام نمی‌شود. مشتری باید تراشه را در طراحی محصول خود بگذارد (design-in) و اگر این انتخاب نهایی شود، به آن design win می‌گویند؛ آگهی Axelera از FAE حمایت از فروش و «دفاع از design win ها» را می‌خواهد. ویکی‌پدیا مهندسی فروش را حرفه‌ای دوگانه می‌داند که هم پیش از خرید به مشتری کمک می‌کند گزینه‌ها را مقایسه کند و هم پس از خرید مشکلات پیاده‌سازی را حل می‌کند؛ FAE نسخهٔ مهندسی‌تر همین نقش است. با آمدن تراشه‌های تخصصی AI، این نقش به مدل‌ها هم رسیده است: Tenstorrent همزمان برای مونیخ، گدانسک، بلگراد، ورشو، توکیو، سنگاپور، هند و آمریکای شمالی FAE آگهی کرده و NXP، DEEPX، Axelera AI و Innatera هم FAE برای NPU و پردازنده‌های edge می‌خواهند. در طبقه‌بندی رسمی، جستجوی O*NET این عنوان را اول به گروه Sales Engineers می‌برد. ارقام Glassdoor در جدول حقوق برای همهٔ FAE ها در همهٔ صنایع است و آگهی‌های شرکت‌های تراشهٔ AI در آمریکا بیشتر اعلام می‌کنند: NVIDIA برای Senior FAE دیتاسنتر حقوق پایهٔ ۱۳۲ تا ۲۰۷ هزار دلار (سطح ۳) و Lightmatter برای Principal FAE درآمد هدف (on-target earnings) ۲۵۰ تا ۳۰۰ هزار دلار را زیر عنوان Sales Compensation اعلام کرده است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس کاربرد میدانی هوش مصنوعی (FAE)
اجرای مدل مشتری روی شتاب‌دهنده
NXP از FAE خود می‌خواهد بارهای کاری AI، بینایی و ادغام حسگر مشتری را روی پردازنده‌ها و NPU های NXP فعال کند و به مشتری کمک کند مدل‌ها را از فریم‌ورک آموزش به inference بهینه روی دستگاه ببرد. در Axelera بیشتر این کار با Voyager SDK انجام می‌شود.
PoC و دموی ارزیابی
پیش از انتخاب تراشه، مشتری می‌خواهد ببیند روی کار خودش چه می‌کند. NXP از FAE ارشد تحویل PoC حضوری و از راه دور با کیت‌های ارزیابی و طرح‌های مرجع رباتیک را می‌خواهد و Tenstorrent در سنگاپور تحویل PoC در محل مشتری را.
راه‌اندازی برد و پشتهٔ نرم‌افزار
از انتخاب سیلیکون تا bring-up برد لینوکسی، فعال‌سازی کرنل و درایور و تنظیم کارایی سیستم؛ این‌ها وظایفی است که آگهی NXP مونیخ برای همکاری با مشتری در طراحی کامپیوتر رباتیک برشمرده است.
بازبینی طراحی سخت‌افزار مشتری
Innatera از FAE می‌خواهد مشتری را در فرایند طراحی راهنمایی کند: بازبینی معماری، بازبینی شماتیک و پشتیبانی design-in. برنامهٔ ورودی NXP هم بازبینی شماتیک و PCB را جزو کارهای FAE تازه‌کار آورده است.
استقرار سیستم‌های AI در دیتاسنتر
در آگهی Senior Field Application Engineer - AI Compute Systems، FAE های NVIDIA در محل مشتری از استقرار بزرگ سیستم‌های AI در دیتاسنتر پشتیبانی می‌کنند و مشکلات پیچیدهٔ سخت‌افزار و استقرار را حل می‌کنند. Tenstorrent در سنگاپور نصب و تعمیر فیزیکی سرور و کارت شتاب‌دهنده را هم جزو کار می‌داند.
آموزش، مستندات و بازخورد محصول
DEEPX تهیه و ارائهٔ مواد آموزشی فنی، Innatera کارگاه و سمینار برای مشتری و Axelera کمک به نوشتن مستندات محصول را می‌خواهند. همهٔ این آگهی‌ها بازخورد مشتری را هم باید به تیم محصول برسانند.
تخصص‌های مختلف مهندس کاربرد میدانی هوش مصنوعی (FAE)
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
FAE هوش مصنوعی لبه و embedded
Edge AI / Embedded FAE
پشتیبانی مشتری روی NPU و SoC های کم‌مصرف برای دستگاه: بردهای PCIe، ماژول‌ها و vision gateway ها در Axelera، تراشهٔ DX-M1 در DEEPX، پردازنده‌های نورومورفیک Innatera و پردازنده‌های Edge AI در NXP.
FAE سیستم‌های AI دیتاسنتر
Data Center AI Systems FAE
استقرار سیستم‌های GPU و شبکه در دیتاسنتر مشتری؛ NVIDIA برای این نقش دانش عمیق سرور، ذخیره‌سازی و تجهیزات شبکه و آمادگی تا ۳۰٪ سفر می‌خواهد و آشنایی با RDMA و RoCE را امتیاز می‌داند و Tenstorrent درک معماری سرور، توان و خنک‌سازی را.
رباتیک و AI فیزیکی
Robotics & Physical AI
کمک به سازندگان ربات برای اجرای پشتهٔ رباتیک و مدل‌های بینایی روی پردازندهٔ شرکت: NXP در مونیخ FAE رباتیک برای MPU و DNPU می‌خواهد و NVIDIA برای Jetson، Isaac ROS و GR00T یک Solutions Architect embedded.
FAE مالکیت فکری تراشه (IP)
Silicon IP FAE
مشتری خودش تراشه می‌سازد و بلوک‌هایی مثل هستهٔ CPU یا شتاب‌دهندهٔ AI را لایسنس می‌کند. آگهی Tenstorrent برای این نقش تجربه با جریان طراحی ASIC، یکپارچه‌سازی IP و فایل‌های طراحی مثل .lib و LEF می‌خواهد.
FAE تولید و قابلیت اطمینان
Production & Reliability FAE
همه FAE ها با مشتری بیرونی کار نمی‌کنند. در NVIDIA آگهی‌ای با عنوان ساده Field Application Engineer روی تولید در مقیاس بالا متمرکز است: تحلیل خرابی، بهبود yield و پشتیبانی محصول از معرفی تا تولید انبوه. پیش از درخواست، متن آگهی را بخوانید.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
معمار راهکار AI معمولاً در شرکت سازندهٔ مدل یا پلتفرم (مثل Anthropic، OpenAI یا AWS) کار می‌کند و روی لایهٔ کاربرد طراحی می‌کند: انتخاب مدل، داده و بازیابی، و ادغام با سیستم‌های مشتری. FAE در شرکت سازندهٔ تراشه یا سخت‌افزار است و کارش از انتخاب پردازنده و راه‌اندازی برد تا نصب SDK و اجرای مدل مشتری روی NPU یا GPU همان شرکت می‌رسد. در خود شرکت‌های تراشه مرز کم‌رنگ است: NVIDIA کار مشتری‌محور Edge AI را Senior Solutions Architect, Embedded Physical AI می‌نامد و Tenstorrent در هند عنوان «Solution Architect/ Field Application Engineer» را به کار برده است.
متخصص Edge AI معمولاً در شرکت سازندهٔ محصول (دوربین، پهپاد، دستگاه پوشیدنی) کار می‌کند و مدل را برای دستگاه همان شرکت فشرده و بهینه می‌کند. FAE آن طرف میز نشسته: در شرکت سازندهٔ تراشه است و به مهندسان چند مشتری کمک می‌کند همین کار را روی پردازندهٔ او انجام دهند. مهارت‌های فنی مثل quantization و runtime ها مشترک‌اند، اما FAE بیشتر وقتش را با مشتری، دمو و رفع اشکال می‌گذراند و مالک یک محصول نیست. مهندس Edge AI مشتری، مخاطب اصلی FAE است.
مهندس طراحی ASIC خود تراشه را می‌سازد، از micro-architecture و RTL تا tapeout. FAE وقتی وارد کار می‌شود که تراشه یا برد آمادهٔ فروش است و مشتری می‌خواهد آن را در محصولش به کار ببرد؛ بازخورد میدانی او به نقشهٔ راه محصول برمی‌گردد. پل میان این دو، FAE های IP هستند: آگهی Field Applications Engineer, IP Product در Tenstorrent دست‌کم ۷ سال سابقه در صنعت نیمه‌هادی و تجربهٔ عملی با جریان طراحی ASIC و یکپارچه‌سازی IP می‌خواهد، چون مشتری‌اش خودش تراشه طراحی می‌کند.
مهندس پیش‌فروش در شرکت‌های نرم‌افزار AI بیشتر پیش از قرارداد فعال است: دمو، PoC و پاسخ به پرسش‌های فنی خریدار. FAE هم در فروش نقش دارد (Axelera از او حمایت از فروش و دفاع از design win ها را می‌خواهد)، اما کارش بعد از انتخاب تراشه ادامه دارد: بازبینی شماتیک، راه‌اندازی برد و رفع اشکال تا تولید. در طبقه‌بندی رسمی این دو به هم نزدیک‌اند: جستجوی O*NET عنوان field applications engineer را اول به گروه Sales Engineers می‌برد و ویکی‌پدیا مهندسی فروش را شامل هر دو نقش پیش و پس از فروش می‌داند.
تأثیر در صنایع مختلف
مهندس کاربرد میدانی هوش مصنوعی (FAE) در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
رباتیک و پهپاد
NXP در مونیخ FAE ای می‌خواهد که معماری محاسبات ربات مشتری، از ادراک و مکان‌یابی تا برنامه‌ریزی و کنترل، را روی پردازنده‌های NXP پیش ببرد؛ NVIDIA هم برای شرکای Physical AI خود متخصص embedded می‌خواهد
خودرو
آگهی Edge AI MPU در NXP شانگهای تجربه با اکوسیستم سخت‌افزار و نرم‌افزار خودرو مثل AUTOSAR و ایمنی عملکردی را امتیاز می‌داند و Innatera خودرو را یکی از بازارهای هدف خود می‌شمارد
دیتاسنتر و زیرساخت AI
FAE های NVIDIA در محل مشتری استقرار بزرگ سیستم‌های AI را پشتیبانی می‌کنند و Tenstorrent از FAE خود درک دیتاسنتر، معماری سرور و مدیریت زیرساخت می‌خواهد
اینترنت اشیا و دستگاه‌های پوشیدنی
Innatera پردازنده‌هایی برای تحلیل دادهٔ حسگر در IoT، دستگاه‌های پوشیدنی و سیستم‌های embedded می‌سازد و FAE مشتری را در design-in همراهی می‌کند
بینایی ماشین
Axelera از FAE علاقه به بینایی ماشین و استقرار مدل و پایپ‌لاین روی بردها، ماژول‌ها و vision gateway های خود را می‌خواهد
صنعت و کارخانه
برنامهٔ ورودی FAE در NXP روی بازارهای صنعتی، IoT و خودرو تمرکز دارد و به رباتیک، کنترل موتور و Edge AI اشاره می‌کند
هوش مصنوعی مولد روی دستگاه
به گفتهٔ آگهی DEEPX، این شرکت در حال رساندن تراشهٔ DX-M1 به تولید انبوه است و روی نسل بعدی برای اجرای مدل‌های زبانی بزرگ در لبه کار می‌کند؛ NXP هم از FAE خود تجربه با LLM و AI عاملی می‌خواهد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
FAE در واقع فروشنده است و کار فنی جدی نمی‌کند
FAE کنار فروش است، اما کار روزمره‌اش مهندسی است. آگهی NXP مونیخ تجربه در کل پشتهٔ Embedded Linux، بهینه‌سازی PCB برای رابط‌های پرسرعت و عیب‌یابی با بازبینی شماتیک و ابزار آزمایشگاه را می‌خواهد. Innatera هم صریحاً می‌نویسد FAE ایده‌آل داخل تیم مهندسی می‌نشیند.
برای این کار باید پژوهشگر هوش مصنوعی بود
آگهی‌ها آشنایی با PyTorch یا TensorFlow و تجربهٔ استقرار مدل را می‌خواهند، نه طراحی مدل تازه. کار NXP بردن مدل مشتری از فریم‌ورک آموزش به اجرای بهینه روی دستگاه است و در Axelera بیشتر کار عملی با SDK شرکت انجام می‌شود.
این شغل فقط برای مهندسان بسیار باتجربه است
بیشتر آگهی‌ها سابقه می‌خواهند (Axelera ۳ سال، Tenstorrent در اروپا ۵ سال، NXP مونیخ بیش از ۱۰ سال)، اما در ورودی هم هست: برنامهٔ TSAP در NXP برای فارغ‌التحصیلان دو سال اخیر طراحی شده و بعد از ۹ تا ۱۲ ماه به نقش دائم FAE می‌رسد. DEEPX هم بازهٔ ۳ تا ۲۰ سال نوشته و از نامزدهای کمتر از ۳ سال ریز نمرات می‌خواهد.
FAE پشت میز می‌نشیند و از راه دور کار می‌کند
سفر بخشی از کار است: Axelera بیش از ۳۰٪ سفر اعلام کرده، NVIDIA تا ۳۰٪ و Tenstorrent در سنگاپور سفر منظم برای نصب، نگهداری، عیب‌یابی و PoC در محل مشتری. BLS هم دربارهٔ گروه مهندسان فروش می‌نویسد این افراد اغلب برای دیدار مشتری سفر می‌کنند.
FAE یا نرم‌افزاری است یا سخت‌افزاری
عنوان آگهی‌ها خودش جواب است: Field Application Engineer - AI Software & Hardware در Tenstorrent و [HW/SW] Field Application Engineer در DEEPX. Tenstorrent در سنگاپور هم Python و PyTorch می‌خواهد و هم توان نصب و تعمیر سرور و کارت PCIe.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر یاد می‌گیرید و کنار FAE های باتجربه کار می‌کنید. در برنامهٔ ورودی NXP کارها شامل ارزیابی محصول، اشکال‌زدایی، اعتبارسنجی در آزمایشگاه و آماده کردن ارائه و دمو با راهنمایی ارشدهاست.
- ◆راه‌اندازی یک کیت ارزیابی و اجرای نمونه‌برنامه‌های SDK روی آن
- ◆بازتولید مشکل گزارش‌شدهٔ مشتری در آزمایشگاه با اسیلوسکوپ و ابزار دیباگ
- ◆کمک به آماده کردن دمو برای جلسهٔ مشتری
- ◆نوشتن یا به‌روز کردن بخشی از مستندات و راهنمای شروع کار
میانی (۲–۵ سال)
مسئول فنی چند مشتری در یک منطقه هستید. پرسش‌ها را جواب می‌دهید، مدل‌های مشتری را با SDK اجرا می‌کنید و مشکلاتی را که خودتان حل نمی‌کنید با گزارش دقیق به R&D می‌رسانید.
- ◆جلسه با تیم مهندسی مشتری برای فهم نیاز و محدودیت‌های محصول
- ◆تبدیل و اجرای مدل مشتری روی شتاب‌دهنده و گزارش سرعت و دقت
- ◆پیگیری یک باگ با تیم R&D و برگرداندن راه‌حل به مشتری
- ◆ثبت تعامل‌ها و هماهنگی با فروش برای قدم بعدی پروژه
ارشد (۵+ سال)
مشاور فنی اصلی معماران مشتری هستید و روی پروژه‌های بزرگ‌تر تمرکز دارید: بازبینی معماری و شماتیک، رهبری PoC، آموزش و رساندن بازخورد بازار به نقشهٔ راه محصول.
- ◆بازبینی معماری سیستم و شماتیک مشتری پیش از ساخت برد
- ◆برگزاری کارگاه برای تیم مشتری یا توزیع‌کننده
- ◆جمع‌بندی بازخورد چند مشتری و تحلیل رقبا برای تیم محصول
- ◆آموزش و راهنمایی FAE های تازه‌کار تیم
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈شناخت نیاز فنی مشتری و پیشنهاد پردازنده، شتاب‌دهنده یا برد مناسب برای محصول او
- ◈راهنمایی مشتری در ارزیابی، پذیرش و استقرار سخت‌افزار AI، از بردهای PCIe و ماژول‌ها تا سرور
- ◈انتقال مدل‌های مشتری از فریم‌ورک آموزش به inference بهینه روی NPU یا GPU با SDK شرکت
- ◈پشتیبانی bring-up: راه‌اندازی برد، کرنل و درایور، BSP و یکپارچه‌سازی پشتهٔ نرم‌افزار
- ◈بازبینی معماری، شماتیک و PCB مشتری در دورهٔ design-in
- ◈ساخت PoC و دمو با کیت‌های ارزیابی و طرح‌های مرجع
- ◈رفع مشکلات فنی مشتری، مستقیم یا با هماهنگی تیم R&D
- ◈همراهی تیم فروش در یافتن پروژه‌های تازه و حفظ design win ها
- ◈برگزاری کارگاه، آموزش و تهیهٔ مستندات برای مشتری و توزیع‌کننده
- ◈رساندن بازخورد مشتری و تحلیل رقبا به تیم محصول برای نقشهٔ راه
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس کاربرد میدانی هوش مصنوعی (FAE) موفق به آن‌ها نیاز دارد
مهارت‌های فنی
Innatera، DEEPX و Axelera هر دو زبان را می‌خواهند؛ Python برای مدل و اسکریپت و C/C++ برای کد نزدیک به سخت‌افزار
برای فهم و اجرای مدل‌های مشتری؛ در آگهی‌های Axelera، Innatera و Tenstorrent آمده است
بردن مدل از فریم‌ورک آموزش به runtime دستگاه (مثلاً از طریق ONNX) و کوانتیزه کردن آن؛ NVIDIA از quantization، فشرده‌سازی و distillation نام می‌برد
کار با SDK اختصاصی شرکت، مثل Voyager در Axelera یا TensorRT در NVIDIA
Axelera درک محکم سیستم‌های embedded و تجربهٔ عملی با سخت‌افزار embedded را شرط گذاشته است
u-boot، کرنل و درایور، device tree و Yocto؛ NXP در هر دو آگهی Edge AI خود این را می‌خواهد
خواندن شماتیک، رابط‌هایی مثل PCIe، MIPI-CSI و LPDDR، و کار با ابزار آزمایشگاه
برای FAE های دیتاسنتر: سرور، ذخیره‌سازی، شبکه (RDMA، RoCE)، توان و خنک‌سازی
Tenstorrent در ژاپن تجربه با GPU، CUDA یا شتاب‌دهنده‌های AI را می‌خواهد و Axelera CUDA و OpenCL را در کنار C/C++ آورده است
راه‌اندازی دوربین، ISP و ادغام حسگرها؛ از مهارت‌های امتیازی آگهی NXP مونیخ
NXP شانگهای تجربه با LLM و AI عاملی و NVIDIA استقرار VLM و VLA روی edge را امتیاز می‌دانند
مهارت‌های نرم
Tenstorrent می‌نویسد باید مفاهیم پیچیده را هم برای پژوهشگر و هم برای مدیر مردد روشن کرد
جلسه، ارائه و کارگاه با مشتری در آگهی‌های Tenstorrent، Innatera و NVIDIA آمده است
بازتولید مشکل، جدا کردن علت در سخت‌افزار یا نرم‌افزار و گزارش دقیق به R&D
کار همزمان با فروش، بازاریابی، مدیریت محصول و R&D؛ Axelera از FAE می‌خواهد مدافع مشتری داخل شرکت باشد
انگلیسی تقریباً همه‌جا لازم است؛ Tenstorrent در ژاپن تسلط به ژاپنی را شرط کرده و در سنگاپور ماندارین یا مالایی را امتیاز می‌داند
دانش حوزه‌ای
اینکه تراشه چطور در طراحی محصول مشتری قرار می‌گیرد و تا تولید می‌رسد؛ Tenstorrent IP «کل چرخهٔ کسب‌وکار IP از ارزیابی تا design win و تولید» را جزو آموخته‌های نقش می‌داند
Axelera تحلیل رقبا از روی بینش مشتری و صنعت را جزو وظایف FAE آورده است
برای صنعت و خودرو: ISO 26262، IEC 61508 و ISO 21434؛ از مهارت‌های امتیازی NXP
دانش یک بازار مثل رباتیک، خودرو، نظارت تصویری یا دیتاسنتر کمک می‌کند زبان مشتری را بفهمید
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس کاربرد میدانی هوش مصنوعی (FAE)
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، C/C++، Linux و Git
تقریباً همهٔ آگهی‌ها هر دو زبان را می‌خواهند: Innatera «مهارت بالای کدنویسی با Python و C/C++» و DEEPX تسلط به C/C++ و Python به‌علاوهٔ توسعه و اشکال‌زدایی در Linux. Python برای کار با مدل و اسکریپت‌های تست به کار می‌رود و C/C++ برای کد نزدیک به سخت‌افزار و نمونه‌برنامه‌های مشتری.
سیستم‌های embedded، Embedded Linux و سخت‌افزار
FAE با برد و سخت‌افزار مشتری سروکار دارد. آگهی NXP در مونیخ تجربه در کل پشتهٔ Embedded Linux را می‌خواهد: bootloader (u-boot)، کرنل و درایور، device tree، Yocto و user-space، و آگهی ورودی NXP بازبینی شماتیک و PCB و کار با اسیلوسکوپ و ابزار آزمایشگاه را. Axelera هم «درک محکم سیستم‌های embedded و تجربهٔ عملی با سخت‌افزار embedded» را شرط گذاشته است.
یادگیری عمیق کاربردی با PyTorch
لازم نیست مدل تازه اختراع کنید، اما باید مدل مشتری را بفهمید. Axelera «تجربه با یک فریم‌ورک سطح بالای ML مثل PyTorch یا TensorFlow» و Tenstorrent در اروپا «تخصص اثبات‌شده» در یادگیری عمیق، NLP و بینایی ماشین را می‌خواهد. شبکه‌های بینایی (طبقه‌بندی و تشخیص اشیا) و مبانی Transformer بیشترین کاربرد را دارند.
اجرای مدل روی شتاب‌دهنده: ONNX، کوانتیزه‌سازی و SDK سازنده
هستهٔ فنی این شغل همین مرحله است. NXP از FAE می‌خواهد به مشتری کمک کند مدل را «از فریم‌ورک آموزش به inference بهینه روی دستگاه» ببرد و NVIDIA تجربهٔ استقرار، بهینه‌سازی و profiling مدل روی سخت‌افزار edge با SDK هایی مثل TensorRT را. در Axelera بیشتر کار عملی با Voyager SDK انجام می‌شود. خروجی گرفتن ONNX، کوانتیزه کردن به INT8 و اندازه‌گیری تأخیر و توان را روی یک برد واقعی تمرین کنید.
کار میدانی: دمو، PoC، مستندسازی و ارائه
نیمی از این شغل توضیح دادن است. Tenstorrent می‌نویسد باید مفاهیم پیچیدهٔ فنی را برای ذی‌نفعان غیرفنی هم روشن کنید؛ Innatera کارگاه و سمینار برای مشتری، DEEPX تهیهٔ مواد آموزشی و Axelera کمک به نوشتن مستندات محصول را می‌خواهد. نوشتن راهنمای شروع کار، یادداشت فنی (application note) و ارائهٔ کوتاه دربارهٔ پروژه‌هایتان را تمرین کنید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
فریم‌ورک و فرمت مدل
فریم‌ورک رایج مدل‌های مشتری؛ Axelera، Innatera و Tenstorrent آن را (کنار TensorFlow) نام برده‌اند
SDK و runtime سازنده‌ها
بهینه‌ساز و runtime مدل روی GPU های NVIDIA؛ آگهی Solutions Architect, Embedded Physical AI آن را برای استقرار مدل روی edge نام برده است
به گفتهٔ آگهی Axelera، بیشتر کار عملی FAE با همین SDK برای استقرار مدل و پایپ‌لاین روی بردها و ماژول‌های Metis است
Embedded Linux و رباتیک
پروفایل، دمو و رفع اشکال
پروفایل کردن کل سیستم برای پیدا کردن گلوگاه؛ NVIDIA در آگهی‌اش «GPU profiling روی سخت‌افزار edge» را خواسته است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
FAE جونیور / برنامهٔ ورود
۰ تا ۲ سال
کار کنار FAE های باتجربه: ارزیابی محصول، اشکال‌زدایی در آزمایشگاه، آماده کردن دمو و ارائه با راهنمایی ارشدها. برنامهٔ TSAP در NXP دقیقاً همین است: ۹ تا ۱۲ ماه آموزش و کار عملی برای فارغ‌التحصیلان تازه، بعد نقش دائم FAE
FAE
۲ تا ۵ سال
مسئولیت فنی چند مشتری در یک منطقه: پاسخ به پرسش‌ها، رفع مشکل مستقیم یا با هماهنگی R&D، اجرای مدل‌های مشتری با SDK و ثبت و پیگیری تعامل‌ها. آگهی (Senior) FAE در Axelera از ۳ سال سابقه شروع می‌شود
Senior FAE
۵+ سال
~$170K
میانگین سالانه (آمریکا)
مشاور فنی اصلی معماران و مدیران مهندسی مشتری، بازبینی معماری و شماتیک، رهبری PoC و پشتیبانی design-in؛ Innatera برای Senior FAE و Tenstorrent برای FAE در اروپا و ژاپن دست‌کم ۵ سال کار فنی رو در رو با مشتری می‌خواهند
Principal FAE / مدیر تیم FAE
۱۰+ سال
مالکیت فنی پروژه‌های کلیدی، آموزش تیم FAE و مدیریت تیم؛ Lightmatter برای Principal FAE بیش از ۱۰ سال سابقه می‌خواهد (NXP مونیخ حتی برای Senior FAE همین را خواسته) و NVIDIA برای Manager, Field Application Engineering - OEM Support بازهٔ حقوق پایهٔ ۱۹۲ تا ۳۰۴٬۷۵۰ دلار اعلام کرده است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
پشتهٔ فنی بسیار پهن
عمومییک FAE ممکن است صبح دربارهٔ یکپارچگی سیگنال روی PCB حرف بزند و بعدازظهر دربارهٔ کوانتیزه کردن یک مدل زبانی. آگهی NXP مونیخ از PCB و LPDDR تا Yocto، ROS 2 و اجرای مدل روی NPU را در یک فهرست آورده است. هیچ‌کس همهٔ این‌ها را عمیق نمی‌داند؛ باید بدانید کجا عمیق شوید و کجا از تیم کمک بگیرید.
سفر و حضور نزد مشتری
عمومیAxelera بیش از ۳۰٪ سفر و NVIDIA تا ۳۰٪ سفر اعلام کرده‌اند و Tenstorrent در سنگاپور سفر منظم در منطقه را. حضور در آزمایشگاه یا دیتاسنتر مشتری برای نصب و رفع اشکال بخشی از کار است.
محصول و ابزارهای در حال تکامل
استارتاپدر شرکت‌های جوان تراشه، SDK و مستندات هنوز کامل نیستند. Axelera می‌نویسد FAE مشکلات را یا خودش حل می‌کند یا با هماهنگی R&D، و DEEPX در حال رساندن تراشه‌اش به تولید انبوه است. باید بتوانید با ابزار ناقص کار کنید و گزارش باگ دقیق بنویسید.
فشار فروش و design win
عمومیکار FAE به نتیجهٔ تجاری گره خورده است. Axelera از FAE حمایت از فروش و دفاع از design win ها را می‌خواهد و Tenstorrent برای FAE IP «سابقهٔ اثبات‌شدهٔ برد فنی» را. توازن میان صداقت فنی با مشتری و هدف فروش، مهارتی است که با تجربه به دست می‌آید.
چند مشتری و چند اولویت همزمان
شرکت بزرگNVIDIA توانایی کار همزمان روی چند کار و مدیریت زمان برای هماهنگ کردن چند پروژهٔ پیچیده را می‌خواهد و Tenstorrent مدیریت مستقل چند رابطهٔ مشتری از کشف نیاز تا برد. جابه‌جا شدن مداوم میان پروژه‌ها خسته‌کننده است.
شرط‌های زبان، اقامت و مقررات
عمومیبسیاری از این نقش‌ها محلی‌اند: Tenstorrent در ژاپن تسلط به ژاپنی و در سنگاپور شهروندی یا اقامت دائم سنگاپور را شرط کرده و یکی از آگهی‌های NVIDIA فقط برای شهروندان آمریکا است. Tenstorrent پیشنهاد کار را به صلاحیت دسترسی به فناوری‌های مشمول کنترل صادرات آمریکا مشروط کرده و Lightmatter هم توان رعایت این قوانین را می‌خواهد. پیش از درخواست، این بخش آگهی را دقیق بخوانید.
حقوق و بازار کار جهانی
حقوق جهانی مهندس کاربرد میدانی هوش مصنوعی (FAE)
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, estimate updated Apr 2025, Field Applications Engineer (all industries) total pay incl. bonus/commission: 25th–75th pct; median (1,634 salaries)
- NVIDIA posting, Senior Field Application Engineer - AI Compute Systems (US remote, 5+ years), Jul 2026: Level 3 base range; median = midpoint
- Glassdoor Canada, estimate updated Oct 2026, Field Applications Engineer total pay: 25th–75th pct; median (37 salaries)
- Glassdoor UK, estimate updated Oct 2026, Field Applications Engineer total pay: 25th–75th pct; median (63 salaries)
- Glassdoor India, estimate updated Oct 2025, Field Applications Engineer total pay: 25th–75th pct; median (101 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: یادگیری عمیق با PyTorch
مبانی شبکهٔ عصبی و مدل‌های بینایی را با یک دورهٔ عملی یاد بگیرید و چند مدل آماده را اجرا کنید.
ماه ۲: ONNX و ONNX Runtime
یک مدل را به ONNX تبدیل کنید و روی CPU و یک برد اجرا کنید؛ زمان اجرا را اندازه بگیرید.
ماه ۳: یک پلتفرم edge واقعی
روی Jetson یا برد مشابه، آموزش‌های Hello AI World و Jetson AI Lab را کامل کنید.
ماه ۴: کوانتیزه‌سازی و TensorRT
مدل را به INT8 ببرید و افت دقت و افزایش سرعت را در یک گزارش کوتاه نشان دهید.
ماه ۵: SDK یک شتاب‌دهندهٔ دیگر و LLM روی دستگاه
مستندات SDK یک سازندهٔ دیگر را بخوانید تا الگوی مشترک را ببینید، و یک مدل زبانی کوچک را با llama.cpp روی دستگاه اجرا کنید.
ماه ۶: application note و درخواست کار
برای یکی از پروژه‌ها یک application note بنویسید، یک ارائهٔ ۱۰ دقیقه‌ای ضبط کنید و برای نقش‌های FAE در شرکت‌های تراشه اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
بنچمارک یک مدل تشخیص اشیا روی برد edge
مبتدییک مدل تشخیص اشیا را از PyTorch به ONNX ببرید، روی یک برد (مثلاً Jetson یا Raspberry Pi) با ONNX Runtime اجرا کنید و تأخیر، فریم بر ثانیه و مصرف حافظه را در یک جدول روشن گزارش کنید.
کوانتیزه‌سازی INT8 و مقایسهٔ دقت با سرعت
متوسطهمان مدل را به INT8 کوانتیزه کنید (مثلاً با TensorRT) و نشان دهید دقت چقدر افت می‌کند و سرعت چقدر بالا می‌رود. این همان پرسشی است که مشتری در اولین جلسهٔ ارزیابی می‌پرسد.
دموی کامل بینایی با دوربین و یک application note
متوسطیک پایپ‌لاین از دوربین تا نمایش نتیجه بسازید (GStreamer + مدل)، آن را در Docker بسته‌بندی کنید و یک application note چندصفحه‌ای بنویسید که مشتری فرضی با آن بتواند دمو را از صفر اجرا کند.
ساخت image لینوکس برای برد همراه با runtime مدل
پیشرفتهبا Yocto یک image سفارشی برای یک برد ARM بسازید که runtime مدل و دموی شما را داشته باشد. مشکلات bring-up (bootloader، درایور، device tree) و راه‌حل‌ها را مستند کنید.
مدل زبانی کوچک روی دستگاه و راهنمای عیب‌یابی
پیشرفتهیک مدل زبانی کوچک را با llama.cpp روی یک دستگاه edge اجرا کنید، سرعت تولید توکن و حافظه را برای چند سطح کوانتیزه‌سازی بسنجید و یک صفحهٔ «پرسش‌های رایج و عیب‌یابی» بنویسید، مثل چیزی که FAE برای مشتری آماده می‌کند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
مهندس مخابرات اسپانیایی با تخصص میکروالکترونیک، با کارشناسی ارشد و دکترا از دانشگاه پلی‌تکنیک مادرید. طبق ویکی‌پدیا در Telefónica، Intel، Fujitsu، Philips، NXP و TSMC کار کرده و کارش در Intel را از ۱۹۸۴ به‌عنوان field applications engineer در اسپانیا شروع کرده است.
در ۲۰۰۰ معاون گروه فروش و بازاریابی جهانی و مدیرکل مشترک Intel در اروپا، خاورمیانه و آفریقا شد و از ۲۰۰۷ تا دسامبر ۲۰۲۳ رئیس TSMC در اروپا بود. از ۲۰۱۳ ریاست شورای رهبری EMEA در Global Semiconductor Alliance را دارد و طبق ویکی‌پدیا ایجاد ESMC، شرکت اروپایی TSMC که سنگ بنای اولین کارخانه‌اش در اوت ۲۰۲۴ در درسدن گذاشته شد، با پیگیری او انجام شد.
مسیر او نشان می‌دهد FAE می‌تواند نقطهٔ شروع مدیریت در صنعت نیمه‌هادی باشد؛ کسی که هم فن را می‌فهمد و هم مشتری را، برای نقش‌های تجاری ارشد آماده‌تر است.
کارشناسی مهندسی برق و الکترونیک از Clarkson University دارد. طبق صفحهٔ رسمی Arm، در ابتدای کار در نقش‌های مهندسی، توسعهٔ محصول و applications در صنعت نیمه‌هادی کار کرده، بعد در Scintera Networks و Tensilica مدیر ارشد بوده و هفت سال در NVIDIA معاون و مدیرکل بخش محصولات محاسباتی بوده است.
از ۲۰۱۳ در Arm است، پنج سال رئیس گروه محصولات IP بود و از فوریهٔ ۲۰۲۲ مدیرعامل Arm و عضو هیئت‌مدیرهٔ آن است. به گفتهٔ Arm، بازگشت شرکت به بازار سهام با بزرگ‌ترین عرضهٔ اولیهٔ ۲۰۲۳ را رهبری کرد.
ترکیب کار applications با نقش‌های تجاری، او را به اداره کردن شرکتی رساند که خودش IP و تراشه به سازندگان دیگر می‌فروشد؛ یعنی دقیقاً همان دنیایی که FAE ها در آن کار می‌کنند.
طبق صفحهٔ نویسنده در وبلاگ فنی NVIDIA، developer evangelist در تیم Jetson است و پیش‌زمینه‌اش رباتیک و سیستم‌های embedded است. او در انجمن‌های توسعه‌دهندگان NVIDIA و GitHub به کاربران Jetson کمک می‌کند.
نویسندهٔ مقاله‌هایی در وبلاگ فنی NVIDIA دربارهٔ اجرای مدل‌ها روی Jetson است، از جمله معرفی نسخهٔ Super کیت Jetson Orin Nano، استقرار Llama 3.2 از لبه تا ابر و آوردن هوش مصنوعی مولد به Jetson.
کار او نسخهٔ عمومی همان کاری است که FAE برای هر مشتری انجام می‌دهد: آموزش قدم‌به‌قدم اجرای مدل روی سخت‌افزار یک شرکت. نوشتن چنین راهنماهایی هم مهارت این شغل را تمرین می‌دهد و هم نمونه‌کار قابل‌نمایشی می‌سازد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
(Senior) Field Application Engineer - India
تحلیل نیازمندی‌ها
3+ years of experience in the semiconductor and/or Artificial Intelligence industry in a customer-facing application development or technical support role.
سابقهٔ لازم الزاماً عنوان FAE نیست: توسعهٔ کاربرد یا پشتیبانی فنی رو در رو با مشتری، در صنعت نیمه‌هادی یا AI، هم پذیرفته می‌شود. برای کسی که از پشتیبانی فنی یا مهندسی کاربرد می‌آید، این یک مسیر ورود روشن است.
ضروریProgramming experience in a relevant area such as Python, C/C++, OpenCL, CUDA.
Python و C/C++ پایه‌اند؛ OpenCL و CUDA نشان می‌دهند تجربهٔ برنامه‌نویسی موازی و شتاب‌دهنده امتیاز است. باید بتوانید نمونه‌کد مشتری را بخوانید و اصلاح کنید.
ضروریExperience using a high-level ML framework such as PyTorch or TensorFlow
مدل‌های مشتری با این فریم‌ورک‌ها ساخته شده‌اند. لازم نیست مدل اختراع کنید، اما باید بتوانید مدل را اجرا کنید، خروجی بگیرید و نتیجه را با نسخهٔ روی شتاب‌دهنده مقایسه کنید.
ضروریSolid understanding of embedded systems and practical experience with embedded hardware.
محصول این شرکت برد، ماژول و gateway است، پس باید با سخت‌افزار واقعی راحت باشید: راه‌اندازی برد، رابط‌ها و اشکال‌زدایی در سطح سیستم.
ضروریExcellent communication and interpersonal skills, with the ability to engage with customers and internal teams effectively.
نیمی از کار ارتباط است: با مهندسان مشتری، با فروش و با R&D. توانایی توضیح یک مشکل فنی به‌شکل روشن و بی‌طرف، به اندازهٔ دانش فنی ارزش دارد.
ضروریAbility to travel to company sites as needed (expect 30%+ travel)
دست‌کم یک‌سوم وقت در سفر به محل مشتری‌ها می‌گذرد. اگر سفر برایتان ممکن نیست، این نقش مناسب نیست.
مهمBS/MS in Computer Science, Electrical Engineering or equivalent work experience.
مدرک کامپیوتر یا برق رایج است، اما عبارت «یا تجربهٔ کاری معادل» نشان می‌دهد سابقهٔ عملی می‌تواند جای مدرک را بگیرد.
مهمتحلیل مسئولیت‌ها
Engage with customers in India to understand their needs, acting as a technical expert on Axelera AI's platform.
شما چهرهٔ فنی شرکت در یک کشورید. اولین کار فهم دقیق مسئلهٔ مشتری است: چه مدلی، با چه سرعت و دقتی، روی چه سخت‌افزار و با چه محدودیت توانی.
Address inquiries, provide product knowledge, and resolve technical issues directly or via R&D coordination.
بخشی از مشکلات را خودتان حل می‌کنید و بقیه را باید طوری به R&D برسانید که قابل بازتولید باشند. نوشتن گزارش باگ دقیق یکی از مهارت‌های اصلی این شغل است.
Support Sales in expanding existing accounts, identifying new customers, and defending design wins.
«دفاع از design win» یعنی وقتی مشتری تراشه را انتخاب کرده، نگذارید به‌خاطر مشکل فنی یا پیشنهاد رقیب از آن منصرف شود. کار فنی شما مستقیم روی درآمد شرکت اثر دارد.
Gather and relay customer feedback to Product Management for product improvements.
شما نزدیک‌ترین فرد شرکت به استفادهٔ واقعی از محصولید. اینکه کدام قابلیت SDK کم است یا کدام مدل خوب اجرا نمی‌شود، از طریق شما به نقشهٔ راه می‌رسد.
Conduct competitive analysis through customer and industry insights.
مشتری معمولاً چند تراشه را با هم مقایسه می‌کند. باید بدانید محصول رقبا در کجا قوی‌تر یا ضعیف‌ترند و این را صادقانه به تیم خود گزارش دهید.
Assist in creating clear, compelling, and instructive product documentation
مستندات خوب تعداد پرسش‌های تکراری را کم می‌کند. نوشتن راهنمای شروع و application note بخشی از کار است، نه کار جانبی.
Collaborate with Marketing and Business Development on product launches and technology evangelism.
در معرفی محصول، نمایشگاه و وبینار هم حضور دارید و فناوری را برای مخاطب گسترده‌تر توضیح می‌دهید.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از FAE در یک شرکت جوان تراشهٔ AI می‌دهد: مهندسی با دست‌کم ۳ سال کار رو در رو با مشتری که هم کد Python و C/C++ می‌نویسد، هم با سخت‌افزار embedded کار می‌کند و هم کنار فروش برای حفظ design win ها می‌جنگد. بیشتر کار عملی با SDK خود شرکت برای اجرای مدل‌ها روی بردها و ماژول‌هاست و حداقل ۳۰٪ وقت در سفر می‌گذرد. آگهی بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه رسمی «مهندسان فروش» (Sales Engineers) از ۲۰۲۵ تا ۲۰۳۵، ۳٪ رشد کند، تقریباً هم‌اندازهٔ میانگین همهٔ شغل‌ها، با حدود ۳٬۸۰۰ فرصت شغلی در سال. BLS گروه جداگانه‌ای برای FAE ندارد؛ جستجوی O*NET این عنوان را اول به همین گروه می‌برد. میانهٔ دستمزد سالانهٔ این گروه در مه ۲۰۲۵، ۱۲۴٬۹۰۰ دلار بود.
منبع: BLS Occupational Outlook Handbook — Sales Engineers (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
BLS آمریکا پیش‌بینی می‌کند اشتغال مهندسان فروش، گروهی که FAE در طبقه‌بندی رسمی به آن نزدیک‌تر است، از ۲۰۲۵ تا ۲۰۳۵، ۳٪ رشد کند و هر سال به‌طور میانگین حدود ۳٬۸۰۰ فرصت شغلی در این گروه پیش بیاید.
رقم رسمی BLS برای کل گروه مهندسان فروش است و رشد آن متوسط است؛ تقاضای FAE هوش مصنوعی به تعداد محدودی شرکت تراشه وابسته است و کار شما به موفقیت محصول همان شرکت گره خورده است. ابزارها هم عوض می‌شوند: NVIDIA در آگهی Embedded Physical AI تجربه با ابزارهای عاملی برای سرعت دادن به یکپارچه‌سازی و دیباگ را امتیاز می‌داند، پس بخشی از کار تکراری خودکار می‌شود و ارزش FAE بیشتر در قضاوت فنی، اعتماد مشتری و فهم سیستم کامل است. داده‌های Glassdoor هم نشان می‌دهد درآمد FAE در کشورهای مختلف فاصلهٔ زیادی دارد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۰ منبع بررسی شده است.
- (Senior) Field Application Engineer - India — Axelera AI (job posting)
- Field Application Engineer - AI Software & Hardware (Munich) — Tenstorrent (job posting)
- Field Application Engineer, South East Asia — Tenstorrent (job posting)
- Field Application Engineer (Japan) — Tenstorrent (job posting)
- Solution Architect/ Field Application Engineer (India) — Tenstorrent (job posting)
- Field Applications Engineer, IP Product — Tenstorrent (job posting)
- Senior Field Application Engineer — Innatera (job posting)
- [HW/SW] Field Application Engineer — DEEPX (job posting)
- Senior Field Application Engineer (FAE) - MPU & DNPU — NXP (job posting)
- Senior Field Applications Engineer - Edge AI MPU — NXP (job posting)
- TSAP – Field Application Engineer, Entry Level — NXP (job posting)
- Senior Field Application Engineer - AI Compute Systems — NVIDIA (job posting)
- Senior Solutions Architect, Embedded Physical AI — NVIDIA (job posting)
- Manager, Field Application Engineering - OEM Support — NVIDIA (job posting)
- Field Application Engineer (production at scale) — NVIDIA (job posting)
- Principal Field Application Engineer — Lightmatter (job posting)
- Glassdoor — Field Applications Engineer salaries, United States
- Glassdoor — Field Applications Engineer salaries, Canada
- Glassdoor — Field Applications Engineer salaries, United Kingdom
- Glassdoor — Field Applications Engineer salaries, India
- BLS Occupational Outlook Handbook — Sales Engineers
- O*NET OnLine — keyword search: field applications engineer
- O*NET OnLine — 41-9031.00 Sales Engineers
- Sales engineering — Wikipedia
- Forward deployed engineer — Wikipedia
- María Marced — Wikipedia
- Arm — Leadership (Rene Haas)
- Rene Haas — Wikipedia
- NVIDIA Technical Blog — Author: Dustin Franklin
- dusty-nv (Dustin Franklin) — GitHub