🤖

رشد ۳۵٪ از ۲۰۲۵ تا ۲۰۳۵ برای گروه شغلی Data Scientists (آمریکا)· منبع: BLS

مهندس یادگیری ماشین

Machine Learning Engineer

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.

PythonSQLPyTorchscikit-learn / XGBoostMLOpsآمار و A/B Testing

مقدمه و تعریف شغل

مهندس یادگیری ماشین (Machine Learning Engineer) مدل‌هایی می‌سازد که از داده یاد می‌گیرند و آن‌ها را به بخشی از یک محصول یا سیستم واقعی تبدیل می‌کند. Robert Half این نقش را پلی میان علم داده و مهندسی نرم‌افزار توصیف می‌کند: تبدیل الگوریتم‌ها به راه‌حل‌هایی مقیاس‌پذیر و آمادهٔ پروداکشن. در آگهی‌های ۲۰۲۶ کار روزمره شامل ساختن pipeline ویژگی و دادهٔ آموزشی، آموزش و ارزیابی مدل، آزمایش آفلاین و آنلاین، استقرار در سیستم‌های batch یا real-time و پایش و بازآموزی مدل است. خروجی این کار سیستمی است که هر روز تصمیم می‌گیرد، نه یک گزارش تحلیلی.

این عنوان امروز با «AI Engineer» هم‌پوشانی دارد. لینکدین در فهرست Jobs on the Rise ۲۰۲۶، AI Engineers را سریع‌ترین شغل در حال رشد آمریکا معرفی کرده و نوشته این نقش با نام Machine learning engineers هم شناخته می‌شود. در بریتانیا، ITJobsWatch در شش ماه منتهی به ۶ اکتبر ۲۰۲۶، ۹۳ آگهی دائم با عنوان Machine Learning Engineer ثبت کرده (در همین بازه در ۲۰۲۵: ۴۴) و ۸۴۷ آگهی با عنوان Artificial Intelligence Engineer. با این حال، کار کلاسیک این نقش در آگهی‌های ۲۰۲۶ همچنان دیده می‌شود: Affirm برای سنجش ریسک اعتباری، Lyft برای سیستم‌های توصیه و DoorDash برای تبلیغات مهندس ML می‌خواهند. BLS آمریکا گروه شغلی جداگانه‌ای برای این عنوان ندارد؛ جستجوی O*NET برای آن اول گروه Data Scientists را نشان می‌دهد و Job Bank کانادا هم Machine Learning Engineer را زیر همین گروه (NOC 21211) آورده است.

چه چیزی می‌سازید؟

مثال‌های واقعی از خروجی کار یک مهندس یادگیری ماشین

💳

مدل سنجش ریسک برای تصمیم‌های آنی

تیم Underwriting ML در Affirm سیستم‌هایی می‌سازد که برای هر خرید اقساطی در لحظه تصمیم می‌گیرند و ریسک بازپرداخت و ارزش مورد انتظار آن را می‌سنجند. مدل‌ها باید با تغییر رفتار کاربران و شرایط اقتصادی پایش و بازآموزی شوند.

🛡️

سیستم تشخیص تقلب و مدل‌های اعتبار

Chime در آگهی AI/ML Engineer از تیم‌های Trust & Safety و Lending نام می‌برد: مدل‌هایی روی داده‌های تراکنش و رفتار اعضا که جلوی تقلب را می‌گیرند و دسترسی به اعتبار را گسترش می‌دهند.

🔎

رتبه‌بندی نتایج جستجو

Firecrawl مهندس ML می‌خواهد که مدل‌های رتبه‌بندی و relevance جستجوی خود را آموزش دهد و منتشر کند، از feature engineering تا پروداکشن، و چارچوب A/B testing تیم را بسازد.

🚗

توصیه و تطبیق real-time

در آگهی Lyft، مهندس ML تیم Fulfillment مدل‌هایی برای کاربردهای real-time می‌سازد؛ تیمی که پیشنهادهای قابل ارائه به مسافر را تعیین می‌کند و درخواست او را با راننده تطبیق می‌دهد.

📈

بهینه‌سازی تبلیغات و بازار

DoorDash برای تیم Marketplace Optimization مدل و pipeline برای pacing بودجه، bidding، حراج و هدف‌گیری تبلیغات می‌خواهد و اثر هر تغییر را با lift test و A/B test می‌سنجد.

📄

پردازش هوشمند اسناد

در Workday، تیم ML حوزهٔ مالی با ترکیب ML کلاسیک و مدل‌های زبانی، اسناد کسب‌وکار را پردازش و جریان‌های کاری مالی مشتریان را خودکار می‌کند.

تخصص‌های مختلف مهندس یادگیری ماشین

این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد

🎯

توصیه و رتبه‌بندی

Recommendation & Ranking

مدل‌هایی که ترتیب نتایج جستجو، پیشنهادها و اعلان‌ها را تعیین می‌کنند؛ مثل آگهی‌های Firecrawl (رتبه‌بندی جستجو)، Lyft (سیستم‌های توصیه) و Reddit (رتبه‌بندی و شخصی‌سازی اعلان‌ها). A/B testing بخش جدانشدنی این تخصص است.

🛡️

ریسک، اعتبار و تقلب

Risk & Fraud ML

مدل‌های طبقه‌بندی روی دادهٔ تراکنش و رفتار، اغلب با gradient boosting و تصمیم real-time؛ مثل Affirm (Underwriting ML) و Chime (Trust & Safety و Lending). Chime برای حوزهٔ وام، آشنایی با حاکمیت مدل، تفسیرپذیری و الزامات انصاف را امتیاز می‌داند.

⚙️

پلتفرم و زیرساخت آموزش

ML Platform & Training Infrastructure

ساختن ابزار و زیرساختی که مهندسان دیگر با آن مدل آموزش می‌دهند و منتشر می‌کنند؛ مثل آگهی General Motors برای زیرساخت آموزش مدل‌های بزرگ (آموزش توزیع‌شده با FSDP و pipeline parallelism) و سهم «پلتفرم و استانداردهای مشترک ML» در آگهی Chime.

👁️

بینایی ماشین و مدل‌های چندوجهی

Computer Vision

کار با تصویر و مدل‌های بینایی-زبانی؛ مثل آگهی Machine Learning Engineer II, Visual AI در Pinterest که روی fine-tuning مدل‌های متن‌باز برای درک تصویر کار می‌کند و دست‌کم ۲ سال تجربهٔ بینایی ماشین در صنعت و مدرک کارشناسی ارشد یا دکترا می‌خواهد.

💬

پردازش زبان و مدل‌های زبانی

NLP & LLMs

آموزش و fine-tuning مدل‌های زبانی و ساختن سیستم‌های مبتنی بر آن‌ها؛ مثل Prodigal (از طبقه‌بندهای ساده تا مدل‌های زبانی کوچک و بزرگ)، Stripe (سنجیدن اینکه fine-tuning یک LLM کارایی را بهتر می‌کند یا نه) و Workday (LLM، RAG و ایجنت).

تفاوت با شغل‌های مشابه

کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟

مهندس هوش مصنوعیAI Engineer

لینکدین می‌نویسد AI Engineers با نام Machine learning engineers هم شناخته می‌شوند و در بازار دو عنوان گاهی جابه‌جا به کار می‌روند. با این حال، در آگهی‌های این صفحه مهندس ML معمولاً خودش مدل را روی دادهٔ شرکت آموزش می‌دهد و نگه می‌دارد (مثل مدل‌های ریسک Affirm)، در حالی که AI Engineer بیشتر روی مدل‌های از پیش آموزش‌دیده محصول می‌سازد. swyx در ۲۰۲۳ مرز را این‌طور کشید که پژوهشگران و مهندسان ML با مسائل خودِ مدل‌های پایه سروکار دارند و AI Engineer با داده و ارزیابی مخصوص محصول، و خودش نوشت این مرز نفوذپذیر است؛ آگهی مهندس ML در Workday هم تجربه با LLM، RAG و ایجنت را می‌خواهد.

دانشمند دادهData Scientist

BLS کار دانشمند داده را استخراج بینش از داده با ابزارها و روش‌های تحلیلی توصیف می‌کند. مهندس ML روی ساختن و نگه‌داشتن سیستمی تمرکز دارد که مدل را در پروداکشن اجرا می‌کند. مرز این دو باز است: Firecrawl در آگهی‌اش نوشته اگر مدل را به پروداکشن می‌برید فرقی نمی‌کند عنوانتان ML engineer باشد یا data scientist، اما دنبال آماردان یا تحلیلگری نیست که برای پروداکشن کردن کارش به تیم مهندسی نیاز دارد.

مهندس دادهData Engineer

مهندس داده زیرساخت جمع‌آوری، ذخیره و انتقال داده را می‌سازد و نگه می‌دارد. مهندس ML از این داده ویژگی، دادهٔ آموزشی و مدل می‌سازد و معمولاً با تیم داده همکاری می‌کند؛ آگهی Affirm ساختن pipeline ویژگی و دادهٔ آموزشی را «با همکاری تیم‌های داده و پلتفرم در صورت نیاز» آورده است.

مهندس نرم‌افزارSoftware Engineer

مهندس ML هم باید مهندس نرم‌افزار خوبی باشد: Affirm کد در سطح پروداکشن، کار در کدبیس بزرگ و code review می‌خواهد و یکی از مراحل مصاحبهٔ Faculty، pair programming است. تفاوت در این است که رفتار سیستم به داده وابسته است و با تغییر داده عوض می‌شود؛ پس ارزیابی آماری، پایش و بازآموزی هم بخشی از کار است. Sculley و همکاران (NeurIPS 2015) ریسک‌های مخصوص سیستم‌های ML را برای بدهی فنی برشمرده‌اند، مثل وابستگی به داده و حلقه‌های بازخورد پنهان.

تأثیر در صنایع مختلف

مهندس یادگیری ماشین در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری

🏦

مالی و اعتبار

Affirm برای هر خرید اقساطی در لحظه ریسک بازپرداخت را می‌سنجد و مدل‌هایش را با تغییر شرایط اقتصادی پایش و بازآموزی می‌کند

💳

بانکداری دیجیتال

Chime روی داده‌های تراکنش و رفتار میلیون‌ها عضو، مدل‌هایی برای جلوگیری از تقلب، گسترش دسترسی به اعتبار و شخصی‌سازی می‌سازد

🚗

حمل‌ونقل

Lyft با مدل‌های real-time پیشنهادهای قابل ارائه به مسافر را تعیین می‌کند و درخواست‌ها را با راننده‌ها تطبیق می‌دهد

🛵

تحویل سفارش و تبلیغات

DoorDash با مدل‌های یادگیری ماشین و یادگیری عمیق دربارهٔ حراج تبلیغات، پیشنهاد قیمت و pacing بودجه در لحظه تصمیم می‌گیرد

🔐

امنیت سایبری

Censys با مدل‌های طبقه‌بندی و خوشه‌بندی، داده‌های خام اسکن اینترنت را به اطلاعات قابل استفاده دربارهٔ دارایی‌ها و سرویس‌ها تبدیل می‌کند

⚡

انرژی و گذار سبز

Faculty برای شرکت‌های انرژی، استارتاپ‌های فناوری سبز و زیرساخت‌های ملی سیستم‌های ML در سطح پروداکشن می‌سازد

🚙

خودرو

General Motors زیرساخت آموزش مدل‌های بزرگ را برای فناوری‌های رانندگی هوشمند خودروهایش می‌سازد

🏢

نرم‌افزار سازمانی

Workday با ترکیب ML کلاسیک و مدل‌های زبانی، پردازش اسناد و جریان‌های کاری مالی و حسابداری را خودکار می‌کند

تصورات غلط رایج

قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید

بدون دکترا نمی‌شود مهندس یادگیری ماشین شد

در آگهی‌های بررسی‌شده دکترا معمولاً شرط نیست. Affirm «تجربهٔ عملی معادل یا کارشناسی» را کافی می‌داند و برای سابقه هم «۲ سال تجربه به‌عنوان مهندس ML یا دکترا» را هم‌ارز گرفته است؛ General Motors هم تجربهٔ مرتبط معادل را به‌جای مدرک می‌پذیرد. البته برخی نقش‌ها مدرک بالاتر می‌خواهند: آگهی فارغ‌التحصیلان Pinterest کارشناسی ارشد را الزامی کرده و BLS می‌نویسد برخی کارفرمایان برای دانشمند داده ارشد یا دکترا را ترجیح می‌دهند.

کار اصلی مهندس ML ساختن مدل‌های پیچیده است

Google در Rules of Machine Learning توصیه می‌کند مدل اول را ساده نگه دارید و زیرساخت را درست کنید، چون مشکلات زیرساختی بیش از انتظار خواهد بود. Sculley و همکاران هم نوشته‌اند سیستم‌های ML در عمل معمولاً هزینهٔ نگهداری مداوم و سنگینی دارند. آگهی‌ها هم همین را نشان می‌دهند: Affirm برای دادهٔ جدولی مدل‌های gradient boosting را ترجیح می‌دهد و Prodigal «انتخاب سطح درست پیچیدگی برای مسئله» را جزو کار آورده است.

گذراندن دوره و شرکت در مسابقه برای استخدام کافی است

Prodigal صریحاً «تجربهٔ عملی آموزش و انتشار مدل، نه فقط درس یا مسابقه» می‌خواهد و Firecrawl کسی را می‌خواهد که مدل را به پروداکشن برده و بعد از انتشار هم مسئولش بوده است: استقرار، پایش و بازآموزی. دوره‌ها پایه را می‌سازند؛ برای رزومه پروژه‌ای بسازید که مستقر شود و آن را نگه دارید.

با آمدن مدل‌های زبانی بزرگ، یادگیری ماشین کلاسیک دیگر بازاری ندارد

در آگهی‌های ۲۰۲۶ هر دو نوع کار دیده می‌شود. Affirm برای ریسک اعتباری، Lyft برای توصیه و DoorDash برای تبلیغات مهندس ML می‌خواهند، و در همان حال Workday و Stripe تجربه با LLM، RAG یا fine-tuning را هم در آگهی مهندس ML آورده‌اند. BLS هم پیش‌بینی می‌کند اشتغال در گروه Data Scientists، نزدیک‌ترین گروه رسمی به این نقش، از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند.

مهندس ML فقط باید ML بلد باشد؛ مهندسی نرم‌افزار کار دیگران است

Affirm کدی «روشن، قابل‌فهم، تست‌شده و توسعه‌پذیر»، کار در کدبیس بزرگ و code review می‌خواهد و Firecrawl کار در کدبیس واقعی بک‌اند را. مصاحبهٔ Faculty یک جلسهٔ ۹۰ دقیقه‌ای pair programming و یک جلسهٔ ۹۰ دقیقه‌ای system design دارد. Robert Half هم این نقش را پل میان علم داده و مهندسی نرم‌افزار توصیف می‌کند.

یک روز کاری واقعی

در هر سطح روز کاری چه شکلی است؟

جونیور (۰–۲ سال)

کارها مشخص‌ترند و زیر نظر مهندسان باتجربه‌تر انجام می‌شوند. بخش زیادی از وقت صرف شناختن داده و کد موجود، ساختن ویژگی و اجرای آزمایش‌های کوچک می‌شود. در آگهی DoorDash «یادگیری از مهندسان ارشد» صریحاً جزو وظایف آمده است.

◆بررسی کیفیت یک مجموعه‌داده: برچسب‌ها، مقادیر گم‌شده و نشانه‌های data leakage
◆افزودن چند ویژگی تازه به pipeline و سنجیدن اثرش روی مدل در آزمایش آفلاین
◆نوشتن تست برای کد آماده‌سازی داده و رفع خطای یک اجرای ناموفق آموزش
◆شرکت در code review و یاد گرفتن الگوهای تیم

میانی (۲–۵ سال)

مسئول یک مدل از ایده تا پروداکشن هستید: نمونهٔ اولیه، آزمایش آفلاین، استقرار و پایش. با مدیر محصول، تحلیلگرها و تیم پلتفرم کار می‌کنید و نتیجه را برای مخاطب فنی و غیرفنی توضیح می‌دهید؛ همان چیزی که آگهی Affirm از این سطح می‌خواهد.

◆طراحی یک A/B test برای مدل تازه و تحلیل نتیجهٔ آن
◆بررسی داشبورد پایش و پیدا کردن دلیل افت یک متریک
◆بهبود سرعت پاسخ سرویس پیش‌بینی real-time
◆نوشتن سند طراحی برای بازآموزی دوره‌ای مدل

ارشد (۵+ سال)

تمرکز روی طراحی سیستم، انتخاب روش و زیرساخت و رهبری فنی است. تصمیم‌هایتان روی چند تیم اثر دارد و بخشی از وقت صرف راهنمایی دیگران می‌شود؛ آگهی Workday «الگوی فنی برای مهندسان جوان‌تر بودن» را جزو وظایف آورده است.

◆بازبینی طراحی یک سیستم ML تازه: کجا مدل لازم است و کجا یک قاعدهٔ ساده کافی است
◆تعریف استاندارد ارزیابی و پایش برای مدل‌های تیم
◆سنجیدن هزینه، سرعت پاسخ و دقت در انتخاب بین چند راه‌حل
◆منتورینگ و مصاحبهٔ فنی

مسئولیت‌ها و وظایف

مسئولیت‌های اصلی

وظایف روزانه و مهارت‌های مورد نیاز در این شغل

فنی

◈تبدیل یک مسئلهٔ کسب‌وکار به مسئلهٔ ML با هدف و معیار ارزیابی مشخص
◈ساختن pipeline ویژگی و دادهٔ آموزشی از منابع داده‌ای داخلی و بیرونی
◈آموزش، ارزیابی و بهبود مدل‌ها؛ از مدل‌های کلاسیک روی دادهٔ جدولی تا یادگیری عمیق
◈اجرای آزمایش آفلاین و آنلاین (A/B test) و سنجیدن اثر مدل روی متریک‌های کسب‌وکار
◈استقرار مدل در سیستم‌های batch یا real-time و بهبود سرعت پاسخ و پایداری
◈پایش سلامت مدل و داده و تعریف روند بازآموزی و backtest
◈نوشتن کد در سطح پروداکشن، تست و code review

مهارت نرم

◈همکاری با محصول، تحلیلگرها و تیم‌های داده و پلتفرم و توضیح روشن نتیجه‌ها برای مخاطب فنی و غیرفنی
◈تشخیص اینکه کجا ML ارزش واقعی دارد و کجا راه ساده‌تر بهتر است

مهارت‌های مورد نیاز

مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس یادگیری ماشین موفق به آن‌ها نیاز دارد

مهارت‌های فنی

Pythonضروری

زبان اصلی کار؛ طبق ITJobsWatch در ۶۱٫۳٪ آگهی‌های دائم بریتانیا با این عنوان آمده است

SQLضروری

استخراج و آماده‌سازی داده؛ آگهی Chime تسلط به Python و SQL را با هم می‌خواهد

آمار و ارزیابی مدلضروری

آزمون فرض، رگرسیون و معیارهای ارزیابی (آگهی Lyft) و موازنهٔ precision و recall (آگهی Censys)

یادگیری ماشین کلاسیکضروری

طبقه‌بندی، رگرسیون و به‌ویژه gradient boosting برای دادهٔ جدولی (آگهی Affirm)

یادگیری عمیق با PyTorchمهم

Affirm و GM آن را ترجیح می‌دهند؛ طبق ITJobsWatch در ۳۰٫۱٪ آگهی‌های بریتانیا با این عنوان آمده است

Feature engineering و pipeline دادهمهم

ساختن ویژگی و دادهٔ آموزشی، اغلب با Spark یا PySpark (آگهی‌های Affirm و Chime)

آزمایش و A/B testingمهم

طراحی و تحلیل آزمایش و تشخیص بهبود واقعی (آگهی‌های Firecrawl، DoorDash و Lyft)

استقرار مدلمهم

سرویس batch یا real-time، Docker و Kubernetes (آگهی‌های Affirm و Faculty)

پایش و بازآموزی (MLOps)مهم

پایش سلامت مدل و داده و تعریف بازآموزی (آگهی Affirm)؛ طبق ITJobsWatch، MLOps در ۴۴٫۱٪ آگهی‌های بریتانیا با این عنوان آمده است

سرویس‌های ابریمفید

AWS، Azure یا GCP؛ طبق ITJobsWatch، Azure در ۳۸٫۷٪ و AWS در ۳۱٫۲٪ آگهی‌های بریتانیا با این عنوان آمده‌اند

LLM و fine-tuningمفید

Stripe، Workday و Prodigal کار با مدل‌های زبانی را هم در آگهی مهندس ML آورده‌اند

مهارت‌های نرم

تبدیل مسئلهٔ مبهم به مسئلهٔ MLضروری

Prodigal «تبدیل مسئله‌های مبهم دنیای واقعی به مسئلهٔ ML با دامنهٔ مشخص» را اولین وظیفه آورده است

ارتباط با مخاطب فنی و غیرفنیضروری

Affirm توضیح روشن نتیجه‌ها برای هر دو گروه را می‌خواهد و Faculty مشاوره به ذی‌نفعان غیرفنی را

مالکیت پس از انتشارمهم

Firecrawl کسی را می‌خواهد که مدل را پس از انتشار به دیگران نسپارد و Chime مسئولیت رفتار مدل در پروداکشن را جزو کار می‌داند

قضاوت در انتخاب پیچیدگیمهم

Chime کسی را می‌خواهد که تشخیص دهد کجا ML اثر واقعی دارد و کجا راه ساده‌تر بهتر است

یادگیری مداوم و کار با ابزارهای AIمهم

Affirm و DoorDash تسلط به ابزارهای کدنویسی با AI مثل Claude Code و Cursor را جزو شرایط آورده‌اند

دانش حوزه‌ای

کار با دادهٔ واقعی و نامرتبضروری

تعریف برچسب، data leakage، عدم توازن کلاس‌ها و train/serve skew (فهرست آگهی Chime)

بدهی فنی سیستم‌های MLمهم

شناخت ریسک‌هایی مثل وابستگی‌های داده و حلقه‌های بازخورد پنهان که Sculley و همکاران (NeurIPS 2015) برشمرده‌اند

حاکمیت و تفسیرپذیری مدلمفید

Chime برای حوزهٔ وام، آشنایی با حاکمیت مدل، تفسیرپذیری و الزامات انصاف را امتیاز می‌داند

دانش یک صنعتمفید

طبق ITJobsWatch، حوزهٔ مالی (Finance) در ۴۱٫۹٪ آگهی‌های بریتانیا با این عنوان آمده است؛ آگهی‌ها تجربه در تبلیغات (DoorDash) و امنیت (Censys) را هم امتیاز می‌دانند

ضروری — بدون آن نمی‌توان وارد بازار کار شدمهم — تفاوت بین جونیور و میانیمفید — مزیت رقابتی

نقشه راه و مسیر آموزشی

نقشه راه تبدیل شدن به مهندس یادگیری ماشین

این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.

برنامه‌نویسی: Python، Git و SQL

⏱️ ۲ تا ۳ ماه

پایهٔ همه‌چیز نوشتن کد تمیز و قابل نگهداری است. آگهی Affirm «مهارت قوی Python و تجربهٔ نوشتن کد در سطح پروداکشن» می‌خواهد و طبق ITJobsWatch، Python در ۶۱٫۳٪ آگهی‌های دائم بریتانیا با عنوان Machine Learning Engineer آمده است. Git، خط فرمان و SQL را هم از همین ابتدا تمرین کنید.

PythonGit و GitHubSQLخط فرمان (CLI)تست با pytestساختمان داده و الگوریتم پایه

منابع پیشنهادی

راهنمای رسمی Python به فارسی (docs.python.org)Python for Everybody — Charles Severance (رایگان)Pro Git — نسخهٔ فارسی کتاب The Missing Semester of Your CS Education — MIT (خط فرمان، ویرایشگر و Git)

ریاضیات، آمار و کار با داده

⏱️ ۲ تا ۳ ماه

برای مدل‌سازی به جبر خطی، احتمال و آمار در حد کاربردی نیاز دارید. آگهی Lyft «درک مفاهیم آماری مثل آزمون فرض، تحلیل رگرسیون و معیارهای ارزیابی مدل» را می‌خواهد و آگهی Censys توانایی ارزیابی مدل با آمار درست و فهم موازنهٔ precision و recall را. هم‌زمان با NumPy و pandas کار با داده را تمرین کنید.

جبر خطی (بردار و ماتریس)احتمال و آمارآزمون فرض و رگرسیونNumPypandasمصورسازی داده

منابع پیشنهادی

Mathematics for Machine Learning — Deisenroth, Faisal, Ong (سایت کتاب)Essence of linear algebra — 3Blue1Brown Think Stats (ویرایش سوم) — Allen Downey، آمار برای برنامه‌نویسان Python (نسخهٔ آنلاین رایگان)Python Data Science Handbook — Jake VanderPlas (متن کامل آنلاین)

یادگیری ماشین کلاسیک روی دادهٔ واقعی

⏱️ ۳ ماه

بخش بزرگی از کار در آگهی‌ها هنوز روی دادهٔ جدولی و مدل‌های کلاسیک است. آگهی Affirm برای مدل‌های طبقه‌بندی، gradient-boosted decision trees مثل LightGBM، XGBoost یا CatBoost را ترجیح می‌دهد. مهم‌تر از الگوریتم، کار با دادهٔ نامرتب است: آگهی Chime از تعریف برچسب، data leakage، عدم توازن کلاس‌ها و train/serve skew نام می‌برد.

رگرسیون و طبقه‌بندیGradient boosting (XGBoost، LightGBM)Feature engineeringاعتبارسنجی و جلوگیری از data leakageمعیارهای ارزیابی (precision، recall، AUC)دادهٔ نامتوازن

منابع پیشنهادی

scikit-learn User Guide An Introduction to Statistical Learning — James، Witten، Hastie، Tibshirani (نسخه‌های R و Python)Hands-On Machine Learning with Scikit-Learn and PyTorch — Aurélien Géron (نوت‌بوک‌های کتاب در GitHub)Machine Learning Crash Course — Google

یادگیری عمیق با PyTorch

⏱️ ۲ تا ۳ ماه

PyTorch در آگهی‌های Affirm، Chime، Lyft، DoorDash و General Motors آمده و Affirm و GM صریحاً آن را ترجیح می‌دهند. طبق ITJobsWatch، PyTorch در ۳۰٫۱٪ و TensorFlow در ۲۱٫۵٪ آگهی‌های بریتانیا با این عنوان دیده می‌شود. شبکه‌های عصبی، Transformer و fine-tuning مدل‌های از پیش آموزش‌دیده را یاد بگیرید.

PyTorchشبکهٔ عصبی و backpropagationCNN و TransformerEmbeddingsFine-tuning مدل‌های از پیش آموزش‌دیدهآموزش روی GPU

منابع پیشنهادی

Practical Deep Learning for Coders — fast.ai (رایگان)Dive into Deep Learning — کتاب تعاملی با کد PyTorch Tutorials — مستندات رسمی Neural Networks: Zero to Hero — Andrej Karpathy

MLOps و سیستم‌های ML در پروداکشن

⏱️ مداوم

اینجا کار مهندس ML شکل نهایی‌اش را می‌گیرد: ساختن pipeline ویژگی، آموزش خودکار، استقرار batch یا real-time، پایش سلامت مدل و داده و بازآموزی. طبق ITJobsWatch، MLOps در ۴۴٫۱٪ آگهی‌های بریتانیا با این عنوان آمده است. Sculley و همکاران در مقالهٔ NeurIPS 2015 نوشته‌اند سیستم‌های ML در دنیای واقعی معمولاً هزینهٔ نگهداری مداوم و سنگینی دارند؛ پس طراحی برای نگهداری را از ابتدا جدی بگیرید.

DockerMLflow (ردیابی آزمایش و model registry)Airflow یا Kubeflowاستقرار مدل (batch و real-time)پایش drift و بازآموزیA/B testingCI/CD

منابع پیشنهادی

MLOps Zoomcamp — DataTalks.Club (رایگان)Made With ML (Anyscale) — از توسعه تا پروداکشن Designing Machine Learning Systems — Chip Huyen (خلاصه‌ها و منابع کتاب در GitHub)Rules of Machine Learning — Google Hidden Technical Debt in Machine Learning Systems — NeurIPS 2015 applied-ml — Eugene Yan: مقاله‌ها و بلاگ‌های فنی شرکت‌ها دربارهٔ ML در پروداکشن

ابزارها و استک فنی

ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت

زبان و داده

Python

زبان اصلی کار؛ طبق ITJobsWatch در ۶۱٫۳٪ آگهی‌های دائم بریتانیا با عنوان Machine Learning Engineer آمده است

ضروری

SQL (مثلاً PostgreSQL)

استخراج و آماده‌سازی داده؛ آگهی Chime تسلط قوی به Python و SQL را با هم می‌خواهد

ضروری

pandas

کار با داده‌های جدولی؛ آگهی Workday آن را کنار scikit-learn، PySpark و PyTorch نام برده است

ضروری

Apache Spark

پردازش داده‌هایی که در حافظهٔ یک سیستم جا نمی‌شوند؛ Affirm آن را ترجیح می‌دهد و Chime از Spark یا PySpark نام می‌برد

مفید

مدل‌سازی

scikit-learn

کتابخانهٔ متن‌باز ML کلاسیک؛ Faculty و Workday آن را در شرایط آگهی آورده‌اند

ضروری

XGBoost

gradient boosting برای دادهٔ جدولی؛ Affirm مدل‌هایی مثل LightGBM، XGBoost یا CatBoost و DoorDash تجربه با XGBoost را می‌خواهد

مفید

PyTorch

فریم‌ورک یادگیری عمیقی که در بیشتر آگهی‌های این صفحه آمده و Affirm و GM آن را ترجیح می‌دهند

ضروری

TensorFlow

در آگهی‌های Lyft، DoorDash، Faculty و Workday در کنار PyTorch آمده است

مفید

MLOps و استقرار

MLflow

ردیابی آزمایش‌ها و ثبت مدل؛ Affirm و Firecrawl آن را نام برده‌اند

مفید

Apache Airflow

زمان‌بندی و اجرای pipeline داده و آموزش؛ در آگهی‌های Affirm و Chime آمده است

مفید

Docker

بسته‌بندی مدل و سرویس برای استقرار یکسان؛ آگهی Faculty تجربه با Docker و Kubernetes را می‌خواهد

ضروری

Kubernetes

اجرای سرویس‌های ML در مقیاس؛ در آگهی‌های Faculty، Workday و Censys آمده است

پیشرفته

ابر و ابزار توسعه

Amazon SageMaker

پلتفرم ML در AWS؛ آگهی Chime آن را کنار Airflow، Kafka، Redis و Snowflake نام برده است

مفید

Ray

پردازش موازی و توزیع‌شده؛ Affirm از Ray یا Dask و Reddit از Ray در کنار Kubeflow و Airflow نام برده‌اند

پیشرفته

Apache Kafka

جریان رویدادها برای ویژگی‌ها و پیش‌بینی real-time؛ در آگهی‌های Chime و Reddit آمده است

پیشرفته

Cursor

ابزار کدنویسی با AI؛ Affirm و DoorDash تسلط به ابزارهایی مثل Claude Code، Codex یا Cursor را جزو شرایط آورده‌اند

مفید

ضروری — باید یاد بگیریدمفید — ارزش یادگیری داردپیشرفته — برای سطوح ارشد

مسیر پیشرفت شغلی

از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید

مهندس ML جونیور

۰ تا ۲ سال

~$102K

میانگین سالانه (آمریکا)

کار روی بخش مشخصی از یک مدل یا pipeline زیر نظر مهندسان باتجربه‌تر: آماده‌سازی داده، ساختن ویژگی، آموزش مدل پایه و نوشتن تست. در آگهی DoorDash «یادگیری از مهندسان ارشد» صریحاً جزو وظایف آمده است

PythonSQLscikit-learnآمارGit

مهندس ML

۲ تا ۵ سال

مالکیت یک مدل از ایده تا پروداکشن و نگهداری آن: آزمایش آفلاین، استقرار، پایش و بازآموزی. آگهی‌های Affirm و Lyft با دست‌کم ۲ سال سابقه همین سطح را می‌خواهند

Feature pipelinesPyTorchA/B TestingMLOpsSpark

مهندس ارشد ML

۵+ سال

~$149K

میانگین سالانه (آمریکا)

طراحی سیستم‌های ML، انتخاب روش و زیرساخت، رهبری فنی پروژه‌ها و راهنمایی دیگران؛ آگهی‌های Censys و Workday پنج سال سابقه یا بیشتر می‌خواهند و Workday «الگوی فنی برای مهندسان جوان‌تر بودن» را جزو وظایف آورده است

ML System DesignDistributed TrainingTechnical LeadershipMentoringCost / Latency Tradeoffs

Staff / Principal ML Engineer

پس از سطح ارشد

تعیین جهت فنی ML در چند تیم، طراحی پلتفرم و استانداردهای مشترک و همکاری با مدیران فنی و محصول

Technical StrategyML Platform DesignCross-team LeadershipRisk Management

چالش‌ها و جنبه‌های منفی

واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید

دادهٔ واقعی به‌ندرت تمیز است

عمومی

آگهی Chime از تعریف برچسب، data leakage، عدم توازن کلاس‌ها و train/serve skew نام می‌برد. خطا در هر کدام می‌تواند مدلی بسازد که در آزمایش خوب و در پروداکشن بد عمل کند.

افت کیفیت مدل پس از انتشار

عمومی

رفتار کاربران و شرایط بیرونی عوض می‌شود. Affirm پایش مدل‌ها «با تغییر رفتار کاربران و شرایط اقتصادی» و تعریف بازآموزی و backtest را جزو کار آورده و Stripe از جمله پرسش‌های تیمش آورده است که چطور مطمئن شویم کیفیت مدل در محیط آنلاین افت نمی‌کند.

هزینهٔ نگهداری سیستم‌های ML

شرکت بزرگ

Sculley و همکاران (NeurIPS 2015) نوشته‌اند سیستم‌های ML در دنیای واقعی معمولاً هزینهٔ نگهداری مداوم و سنگینی دارند و ریسک‌هایی مثل درهم‌تنیدگی اجزا، وابستگی به داده، حلقه‌های بازخورد پنهان و تغییر دنیای بیرون را برشمرده‌اند.

اثبات اثر واقعی مدل

عمومی

بهتر شدن یک معیار آفلاین لزوماً به معنای بهتر شدن محصول نیست. Lyft سنجیدن عملکرد سیستم ML با KPIهای کسب‌وکار را می‌خواهد و Firecrawl کسی را که A/B test طراحی و تحلیل کرده و بداند کی یک بهبود واقعی است.

ورود به بازار برای تازه‌کار

عمومی

بیشتر آگهی‌ها تجربه می‌خواهند: Lyft و Affirm دست‌کم ۲ سال، Prodigal ۲ تا ۵ سال و Stripe دست‌کم ۳ سال تجربهٔ انتشار سیستم ML در پروداکشن. موقعیت فارغ‌التحصیلان هم هست، اما آگهی Pinterest برای آن کارشناسی ارشد را الزامی کرده است. در بریتانیا، ITJobsWatch در شش ماه منتهی به ۶ اکتبر ۲۰۲۶، ۹۳ آگهی دائم با این عنوان ثبت کرده، در برابر ۸۴۷ آگهی با عنوان Artificial Intelligence Engineer؛ پس آگهی‌ها را با هر دو عنوان جستجو کنید.

حقوق و بازار کار جهانی

حقوق جهانی مهندس یادگیری ماشین

حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.

کشور	حداقل	میانه / میانگین	حداکثر	ارز
🇺🇸آمریکا	$108,112	$148,675	$195,291	USD
🇨🇦کانادا	CA$88,123	CA$117,686	CA$155,639	CAD
🇬🇧انگلستان	£45,545	£74,759	£108,496	GBP
🇩🇪آلمان	€50,684	€72,386	€100,639	EUR
🇮🇳هند	₹833,445	₹2,063,932	₹3,622,945	INR

* ارقام سالانه‌اند. منبع هر رقم:

چگونه از صفر شروع کنیم

برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی

ماه ۱: آمار و کار با داده

آمار کاربردی، NumPy و pandas را مرور کنید و SQL را در حد نوشتن کوئری‌های تحلیلی تمرین کنید.

Think Stats (ویرایش سوم)Python Data Science Handbook

ماه ۲: یادگیری ماشین کلاسیک

رگرسیون، طبقه‌بندی، اعتبارسنجی و معیارهای ارزیابی را با scikit-learn یاد بگیرید.

An Introduction to Statistical Learning scikit-learn User Guide

ماه ۳: پروژهٔ دادهٔ جدولی

یک مدل ریسک یا تقلب با gradient boosting بسازید و data leakage و انتخاب آستانه را مستند کنید.

XGBoost Documentation Hands-On Machine Learning — نوت‌بوک‌ها

ماه ۴: یادگیری عمیق

PyTorch، شبکهٔ عصبی و fine-tuning یک مدل از پیش آموزش‌دیده.

Practical Deep Learning for Coders — fast.ai PyTorch Tutorials

ماه ۵: MLOps

مدل را با MLflow ثبت کنید، پشت یک API بگذارید و با Docker مستقر کنید.

MLOps Zoomcamp Made With ML

ماه ۶: طراحی سیستم و پورتفولیو

طراحی سیستم‌های ML را مطالعه کنید، README پروژه‌ها را کامل کنید و برای نقش‌های جونیور اقدام کنید.

Designing Machine Learning Systems — منابع کتاب Rules of Machine Learning — Google

پروژه‌های پیشنهادی برای رزومه

مدل سنجش ریسک روی دادهٔ جدولی

مبتدی

یک مجموعه‌دادهٔ عمومی اعتبار یا تقلب را بردارید و با gradient boosting مدل طبقه‌بندی بسازید. تقسیم زمانی داده، بررسی data leakage، معیارهای precision و recall و انتخاب آستانه را در README توضیح دهید؛ همان کاری که آگهی Affirm توصیف می‌کند.

Pythonpandasscikit-learnLightGBM یا XGBoost

زمان تخمینی: ۲ تا ۳ هفته

سیستم توصیه با ارزیابی آفلاین

متوسط

روی یک مجموعه‌دادهٔ عمومی امتیازدهی مثل MovieLens یک مدل پایهٔ ساده و یک مدل بهتر بسازید و آن‌ها را با معیارهای رتبه‌بندی مثل recall@k مقایسه کنید. بعد مدل را پشت یک API بگذارید.

PythonPyTorchpandasFastAPI

زمان تخمینی: ۳ هفته

از نوت‌بوک تا سرویس

متوسط

یکی از مدل‌ها را با MLflow ثبت کنید، پشت یک API با FastAPI بگذارید، برای ورودی‌ها اعتبارسنجی و تست بنویسید و با Docker بسته‌بندی کنید تا روی هر سیستمی یکسان اجرا شود.

MLflowFastAPIDockerpytest

زمان تخمینی: ۲ هفته

Fine-tuning یک مدل از پیش آموزش‌دیده

متوسط

یک مدل متن‌باز را روی یک مجموعه‌دادهٔ برچسب‌خورده، مثلاً دسته‌بندی متن فارسی، fine-tune کنید و نتیجه را با یک مدل کلاسیک ساده مقایسه کنید. اگر مدل ساده نزدیک بود، این را هم گزارش کنید.

PyTorchHugging Face Transformersscikit-learn

زمان تخمینی: ۳ تا ۴ هفته

پایش drift و بازآموزی خودکار

پیشرفته

تغییر توزیع داده در طول زمان را شبیه‌سازی کنید، با Evidently گزارش drift بگیرید و با Airflow بازآموزی و مقایسهٔ مدل تازه با مدل فعلی روی دادهٔ گذشته (backtest) را زمان‌بندی کنید.

AirflowMLflowEvidentlyDocker

زمان تخمینی: ۳ تا ۴ هفته

مثال‌های واقعی و Case Studies

داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند

Soumith Chintala

پیشینه

در حیدرآباد هند بزرگ شد و در VIT Vellore و دانشگاه نیویورک (NYU) درس خواند. به نوشتهٔ سایت شخصی‌اش، پیش از ۲۰۱۲ همراه Pierre Sermanet و Yann LeCun فریم‌ورک یادگیری عمیق EBLearn را که با C++ نوشته شده بود نگهداری می‌کرد و نگهدارندهٔ Torch-7 هم بود.

دستاورد

هم‌بنیان‌گذار PyTorch است و ۱۱ سال در Meta کار کرد. به گفتهٔ خودش PyTorch امروز پشت بیشتر پژوهش‌ها و محصولات AI دنیاست و مجموعهٔ convnet-benchmarks او از ۲۰۱۵ تا ۲۰۱۷ معیار سازندگان سخت‌افزار مثل NVIDIA و AMD برای بهینه‌سازی سیستم‌هایشان بود. اکنون در Thinking Machines و NYU روی زیرساخت AI، پژوهش و رباتیک کار می‌کند.

درس کلیدی

مسیر او بیش از هر چیز از ساختن و نگهداری ابزار گذشته است. به نظر می‌رسد کار روی پروژه‌های متن‌باز، حتی نگهداری کتابخانه‌ای که دیگران ساخته‌اند، راهی واقعی برای یاد گرفتن مهندسی ML است. او دربارهٔ GANها هم نوشته که پس از ناکامی در پایدار کردن آموزششان کنارشان گذاشت؛ کنار گذاشتن مسیری که جواب نمی‌دهد هم بخشی از کار است.

Jeremy Howard

پیشینه

در دانشگاه ملبورن فلسفه خواند و کارش را با مشاورهٔ مدیریت در McKinsey و AT Kearney شروع کرد؛ طبق ویکی‌پدیا هشت سال در این حوزه ماند. بعد دو استارتاپ FastMail و Optimal Decisions Group را تأسیس کرد و فروخت.

دستاورد

طبق ویکی‌پدیا در ۲۰۱۰ و ۲۰۱۱ رتبهٔ اول جهانی شرکت‌کنندگان مسابقه‌های علم داده را داشت؛ از همین راه با Kaggle آشنا شد و بعد رئیس و دانشمند ارشد آن شد. در ۲۰۱۴ شرکت Enlitic را برای کاربرد یادگیری ماشین در تشخیص پزشکی بنیان گذاشت و همراه Rachel Thomas، fast.ai را تأسیس کرد. الگوریتم ULMFiT او پیشگام transfer learning و fine-tuning در پردازش زبان طبیعی شمرده می‌شود.

درس کلیدی

او بدون رشتهٔ کامپیوتر و پس از سال‌ها کار در حوزه‌ای دیگر وارد این مسیر شد و با کار روی مسئله‌های واقعی داده جلو رفت. برای کسی که شغلش را عوض می‌کند، سابقهٔ کار قبلی می‌تواند به‌جای مانع، منبع مسئله‌های واقعی برای پروژه باشد.

Eugene Yan

پیشینه

طبق صفحهٔ معرفی خودش، در ۲۰۱۳ به‌عنوان دانشمند داده در IBM با تحلیل نیروی کار و تشخیص تقلب شروع کرد. بعد در Lazada (گروه Alibaba) روی رتبه‌بندی، خودکارسازی ML و MLOps کار کرد و معاون بخش یادگیری ماشین شد، و تیم ML یک استارتاپ سلامت را هم رهبری کرد.

دستاورد

از ۲۰۲۰ تا ۲۰۲۵ به‌عنوان Principal Applied Scientist در Amazon سیستم‌های بازیابی real-time، رتبه‌بندهای bandit و سیستم‌های توصیه در جستجو را ساخت. به گفتهٔ خودش رتبه‌بندی محصولی که در Lazada ساخت نرخ تبدیل را ۵ تا ۲۰٪ بالا برد. از ۲۰۲۶ عضو کادر فنی (Member of Technical Staff) در Anthropic است و تجربه‌های عملی کاربرد ML و LLM را در سایتش می‌نویسد.

درس کلیدی

مسیر او از تحلیل داده شروع شد و قدم‌به‌قدم به ساختن سیستم‌های ML در مقیاس بزرگ رسید. نوشتن منظم دربارهٔ آنچه در کار یاد می‌گیرید، همان‌طور که او می‌کند، هم یادگیری خودتان را عمیق‌تر می‌کند و هم برای دیگران منبع می‌شود.

نمونه آگهی استخدام واقعی + تحلیل

یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش

Machine Learning Engineer II (Underwriting ML)

Affirmدورکاری در آمریکا (Affirm شرکتی remote-first است)2026-08-06

مشاهده آگهی اصلی نسخه‌ی آرشیوشده (اگر آگهی بسته شده باشد)

تحلیل نیازمندی‌ها

You have a total of 2+ years of experience as a machine learning engineer or a PhD in a relevant field.

این نقش سطح میانی است. نکتهٔ مهم برای تازه‌کار: دکترا اینجا هم‌ارز دو سال تجربهٔ صنعتی گرفته شده، نه شرط. آنچه می‌خواهند سابقهٔ کار عملی با مدل در پروداکشن است.

ضروری

Strong Python skills and experience writing production-quality code.

یعنی کدی که دیگران بخوانند، تست داشته باشد و در سیستم واقعی اجرا شود؛ نوت‌بوک مرتب به‌تنهایی کافی نیست.

ضروری

Experience building and evaluating models for classification problems (preferably gradient-boosted decision trees like LightGBM/XGBoost/CatBoost, or similar).

سنجش ریسک یک مسئلهٔ طبقه‌بندی روی دادهٔ جدولی است و این آگهی برای آن gradient boosting را ترجیح می‌دهد. ارزیابی درست مدل طبقه‌بندی به همان اندازهٔ ساختنش اهمیت دارد.

ضروری

Experience with a deep learning framework (PyTorch preferred).

شرح وظایف از دادهٔ ترتیبی (sequential) هم نام می‌برد که شبکه‌های عصبی برایش به کار می‌آیند. آشنایی کاری با PyTorch لازم است، نه تخصص پژوهشی.

مهم

Experience working with distributed data processing or parallel compute frameworks (Spark preferred; Ray/Dask or similar).

داده‌های تراکنش بزرگ‌تر از آن‌اند که روی یک سیستم پردازش شوند؛ باید بتوانید ویژگی‌ها و دادهٔ آموزشی را با Spark یا ابزار مشابه بسازید.

مهم

Experience with ML lifecycle tooling for training orchestration, experimentation, and model monitoring (e.g., Kubeflow, Airflow, MLflow, or equivalent internal platforms).

همان MLOps: زمان‌بندی آموزش، ثبت آزمایش‌ها و پایش مدل. عبارت «یا پلتفرم داخلی معادل» نشان می‌دهد مفهوم مهم‌تر از نام ابزار است.

مهم

Proficient in using AI-powered developer tools (e.g., Claude Code, Cursor, or similar) to accelerate iteration, debugging, and code quality as part of day-to-day development workflows.

کار با ابزارهای کدنویسی مبتنی بر AI جزو شرایط استخدام آمده، نه امتیاز اضافه؛ DoorDash هم در آگهی مهندس ML همین را خواسته است.

مهم

You are comfortable navigating a large code base, debugging others' code, and providing feedback to other engineers through code reviews.

بیشتر کار در کدبیس موجود و تیمی انجام می‌شود. تمرین خواندن و اصلاح کد دیگران، مثلاً با مشارکت در پروژه‌های متن‌باز، برای این بخش مفید است.

مهم

This position requires either equivalent practical experience or a Bachelor’s degree in a related field

حتی مدرک کارشناسی هم شرط قطعی نیست و تجربهٔ عملی معادل پذیرفته می‌شود. برای کسی که از رشتهٔ دیگری می‌آید، یعنی پورتفولیو و سابقهٔ کاری می‌تواند جای مدرک را بگیرد.

مهم

تحلیل مسئولیت‌ها

You will develop and iterate on underwriting prediction models using a mix of approaches for tabular and sequential data

مدل‌هایی که پیش‌بینی می‌کنند خریدار قسط‌هایش را می‌پردازد یا نه. «iterate» یعنی کار با نسخهٔ اول تمام نمی‌شود و مدل مدام بهتر می‌شود.

You will build and scale feature pipelines and training datasets from proprietary and third-party signals, partnering with data and platform teams when needed.

بخش بزرگی از کار مهندسی داده است: جمع کردن سیگنال‌ها از منابع داخلی و بیرونی و تبدیلشان به ویژگی‌هایی که هم در آموزش و هم در پیش‌بینی به کار بروند.

You will prototype new modeling ideas and features, run offline experiments, and drive the best-performing approaches into production with appropriate risk controls.

ایده را اول آفلاین می‌سنجید و فقط بهترین را منتشر می‌کنید. «کنترل ریسک» نشان می‌دهد تغییر مدل در این حوزه باید با احتیاط و نظارت منتشر شود.

You will help productionize models: integrate into batch and/or real-time decision systems, and improve reliability, latency, and operational robustness.

مدل باید درون سیستم تصمیم‌گیری batch یا real-time کار کند؛ پس سرعت پاسخ (latency) و پایداری به اندازهٔ دقت اهمیت دارند.

You will instrument and monitor model and data health, and help define retraining/backtesting workflows

رفتار مشتریان و شرایط اقتصادی عوض می‌شود و مدل کهنه می‌شود. پایش، بازآموزی و آزمودن مدل روی دادهٔ گذشته (backtest) بخش ثابت کار است.

You will collaborate across Engineering, Risk Analytics, Product, and ML Platform to define requirements, evaluate tradeoffs, and communicate results clearly to both technical and non-technical audiences.

تصمیم دربارهٔ مدل ریسک فقط فنی نیست؛ باید موازنه‌ها را برای تیم‌های ریسک و محصول هم روشن توضیح دهید.

نتیجه‌گیری کلی

این آگهی تصویر روشنی از مهندس یادگیری ماشین در ۲۰۲۶ می‌دهد: کسی با دست‌کم دو سال تجربه که مدل را از داده و ویژگی تا پروداکشن و پایش جلو می‌برد، بیشتر روی دادهٔ جدولی و با gradient boosting، و کدش در سطح پروداکشن است. نه دکترا لازم است و نه حتی کارشناسی، اگر تجربهٔ عملی معادل داشته باشید. بازهٔ حقوق پایهٔ اعلام‌شده در آمریکا ۱۴۶ تا ۲۰۶ هزار دلار و در کالیفرنیا، واشنگتن، نیویورک، نیوجرسی و کانتیکت ۱۶۵ تا ۲۲۵ هزار دلار است؛ نسخهٔ کانادایی همین آگهی ۱۳۳ تا ۱۸۳ هزار دلار کانادا اعلام کرده است.

آینده و روندها

پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید

BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه شغلی Data Scientists از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند، «بسیار سریع‌تر از میانگین همهٔ مشاغل»، و به‌طور میانگین سالانه حدود ۲۴٬۸۰۰ فرصت شغلی در این گروه پیش‌بینی می‌کند. یکی از دلایلی که BLS می‌آورد این است که شرکت‌ها سیستم‌های مبتنی بر AI را بیشتر وارد کارشان می‌کنند. BLS گروه جداگانه‌ای برای ML Engineer ندارد؛ جستجوی O*NET برای این عنوان اول همین گروه را نشان می‌دهد و Job Bank کانادا هم Machine Learning Engineer را زیر Data scientists (NOC 21211) آورده است.

منبع: BLS Occupational Outlook Handbook — Data Scientists (2025–35)

مهارت‌های نوظهور که باید یاد بگیرید

کار با ابزارهای کدنویسی مبتنی بر AI (Claude Code، Cursor، Codex)Fine-tuning و ارزیابی مدل‌های زبانی و بینایی-زبانیLLM، RAG و ایجنت در کنار ML کلاسیکارزیابی خروجی LLM در مقیاسآموزش توزیع‌شده (FSDP، pipeline parallelism)Post-training: RLHF و reward modeling

پیش‌بینی‌های آینده

2028

swyx در مقالهٔ «The Rise of the AI Engineer» (ژوئن ۲۰۲۳) نوشت در Indeed آگهی‌های ML Engineer ده برابر AI Engineer است و پیش‌بینی کرد این نسبت ظرف پنج سال برعکس شود.

2030

در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ شرکت‌کننده در نظرسنجی «متخصصان AI و یادگیری ماشین» را در رتبهٔ سوم سریع‌ترین شغل‌های در حال رشد از ۲۰۲۵ تا ۲۰۳۰ قرار داده‌اند.

2035

BLS پیش‌بینی می‌کند اشتغال در گروه Data Scientists، نزدیک‌ترین گروه رسمی به این نقش، از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند.

ریسک‌های واقعی

دو روند در آگهی‌ها و داده‌ها دیده می‌شود. اول، ابزارهای کدنویسی مبتنی بر AI جزو شرایط شده‌اند: Affirm و DoorDash تسلط به Claude Code، Cursor یا Codex را می‌خواهند و آگهی فارغ‌التحصیلان Pinterest «مهندسی AI-native» را؛ به نظر می‌رسد وزن قضاوت، طراحی و ارزیابی در این کار بیشتر می‌شود. دوم، عنوان‌ها جابه‌جا می‌شوند: طبق ITJobsWatch، در بریتانیا در شش ماه منتهی به ۶ اکتبر ۲۰۲۶ تعداد آگهی‌های دائم با عنوان Artificial Intelligence Engineer (۸۴۷) خیلی بیشتر از Machine Learning Engineer (۹۳) بوده است؛ پس آگهی‌ها را با هر دو عنوان جستجو کنید.

منابع

اطلاعات این صفحه در تاریخ ۱۳ مهر ۱۴۰۵ از این ۴۶ منبع بررسی شده است.

برای راهنمایی شخصی‌سازی‌شده مشاوره بگیرید