مهندس برنامه‌ریزی مأموریت ماهواره (هوش مصنوعی و بهینه‌سازی)
Satellite Mission Planning Engineer (AI & Optimization)
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.
مقدمه و تعریف شغل
مهندس برنامه‌ریزی مأموریت ماهواره (Mission Planning Engineer) مسئول نرم‌افزاری است که کارهای یک ماهواره یا یک منظومه را در زمان می‌چیند. هر ماهواره در هر گذر فقط چند دقیقه فرصت دارد که از یک هدف تصویر بگیرد یا با یک ایستگاه زمینی تماس بگیرد، و توان، حافظه و زمان چرخشش محدود است؛ پس انتخاب اینکه کدام درخواست، با کدام ماهواره و در کدام لحظه انجام شود یک مسئلهٔ بهینه‌سازی بزرگ است. BlackSky برای این نقش تجربه با منطق برنامه‌ریزی تصویر برای اهداف نقطه‌ای، نوارهای پیوسته (strip mapping) و اسکن pushbroom، یا تجربهٔ معادل با «مسائل تخصیص زمان» (time assignment problems)، را ضروری می‌داند. در آگهی‌های ۲۰۲۶ دو نسخه از این کار دیده می‌شود: نسخهٔ مبتنی بر تحقیق در عملیات (MIP، برنامه‌ریزی محدودیت و روش‌های ابتکاری)، و نسخه‌ای که یادگیری ماشین و یادگیری تقویتی را هم به کار می‌برد، مثل Fleet Scheduler Data Scientist در AST SpaceMobile و AI/ML Software Engineer در Vantor. در عمل این دو از هم جدا نیستند: AST SpaceMobile در همان آگهی از برنامه‌ریزی عدد صحیح تا حل‌کننده‌های مبتنی بر RL را می‌خواهد.
برنامه‌ریزی خودکار برای فضاپیما تازه نیست. در آزمایشگاه پیشرانش جت ناسا (JPL)، سامانهٔ ASPEN اهداف سطح‌بالا را به دنباله‌ای از فرمان‌ها برای فضاپیما تبدیل می‌کند، و CASPER، که برنامه را با ترمیم تدریجی به‌روز نگه می‌دارد، به گفتهٔ JPL بیش از دوازده سال به‌عنوان بخشی از Autonomous Sciencecraft روی ماهوارهٔ EO-1 پرواز کرد. آنچه تازه است مقیاس و روش است. منظومه‌های تجاری بزرگ شده‌اند و شرکت‌هایی مثل Planet و Spire تیم‌های جداگانه‌ای برای بهینه‌سازی و زمان‌بندی منظومهٔ خود دارند. یادگیری تقویتی هم از مقاله به عملیات رسیده است: طبق مقاله‌ای در کنفرانس ICAPS ۲۰۲۶، یک زمان‌بند مبتنی بر یادگیری تقویتی عمیق از ابتدای مأموریت Carruthers Geocorona Observatory ناسا زمان‌بند پیش‌فرض عملیات آن بوده و برنامه‌هایش در کیفیت علمی از روش‌های ابتکاری پایه بهتر بوده است. با این حال این بازار کوچک و تخصصی است: آگهی‌هایی که برای این صفحه پیدا شد از چند شرکت فضایی و دفاعی‌اند و بیشترشان در آمریکا هستند و تابعیت آمریکا یا مجوز امنیتی می‌خواهند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس برنامه‌ریزی مأموریت ماهواره (هوش مصنوعی و بهینه‌سازی)
زمان‌بند منظومه و ایستگاه‌های زمینی
AST SpaceMobile یک سیستم زمان‌بندی چندلایه می‌خواهد: از کنترل سطح‌بالای فعالیت‌های اصلی ماهواره تا کنترل میانی پیکربندی و تنظیمات سیستم، با الگوریتم‌های بهینه‌سازی ترکیبیاتی بزرگ روی گراف‌های ناهمگن.
برنامهٔ تصویربرداری رصد زمین
Vantor سیستمی می‌سازد که برنامهٔ تصویربرداری یک منظومهٔ ناهمگن را با یادگیری تقویتی و تحقیق در عملیات بهینه می‌کند و پوشش، revisit، تأخیر، مصرف منابع و درآمد را با هم می‌سنجد.
زمان‌بندی تماس رادیویی و مانور مداری
در Spire، سیستم زمان‌بندی تماس‌های رادیویی میان فضا و زمین و مانورهای مداری برای حفظ موقعیت، از جمله نگه داشتن آرایش چند ماهواره، را برای ساعت‌ها و روزهای آینده برنامه‌ریزی می‌کند. زبان اصلی تیم Rust است.
موتور tasking و برنامه‌ریزی برداشت
تیم Acquisition Planning در ICEYE نرم‌افزاری می‌سازد که مشتری با آن ماهوارهٔ راداری را مأمور برداشت کند: انتشار مدار، پیش‌بینی گذر، هندسهٔ برداشت و محاسبهٔ پوشش، به‌علاوهٔ رابط‌هایی برای مقایسه و رفع تداخل برنامه‌ها.
خودمختاری چندماهواره‌ای و برنامه‌ریزی دوباره روی مدار
نقشهٔ راه تیم Autonomy در True Anomaly از زمان‌بندی منظومه تا برنامه‌ریزی دوباره روی خود فضاپیما (onboard replanning) و هماهنگی توزیع‌شده را در بر می‌گیرد و Shield AI تخصیص کار و زمان‌بندی منابع در مأموریت‌های هماهنگ چندماهواره‌ای را می‌خواهد.
ارزیابی و راستی‌آزمایی برنامه‌ریز خودکار
Slingshot Aerospace یک SDK برای ارزیابی شبیه‌سازی‌محور سیستم‌های AI عامل‌محور دارد و مهندس سناریوهای بنچمارک می‌سازد که برنامه‌ریزی، استدلال و عملکرد عملیاتی سیستم‌های خودکار برنامه‌ریزی مأموریت را بسنجد.
تخصص‌های مختلف مهندس برنامه‌ریزی مأموریت ماهواره (هوش مصنوعی و بهینه‌سازی)
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
برنامه‌ریزی تصویربرداری و tasking
Collection & Tasking Planning
چیدن درخواست‌های تصویربرداری روی ماهواره‌های رصد زمین با توجه به اولویت، هندسهٔ برداشت و محدودیت‌ها؛ کار تیم‌های Vantor، BlackSky و ICEYE.
زمان‌بندی منظومه و تماس زمینی
Constellation & Ground-Contact Scheduling
زمان‌بندی تماس با شبکهٔ ایستگاه‌های زمینی، ارسال داده و پیکربندی ماهواره‌ها؛ مثل Fleet Scheduler در AST SpaceMobile، تیم زمان‌بندی Spire و کار روی زمان‌بندی تماس و تأخیر داده در Planet.
برنامه‌ریزی تقویت‌شده با یادگیری
Learning-Augmented Planning (RL)
به کار بردن یادگیری تقویتی و مدل‌های ML در کنار حل‌کننده‌های کلاسیک. صفحهٔ مهندس یادگیری تقویتی این سایت این روش‌ها را به‌طور عمومی توضیح می‌دهد؛ اینجا محیط، مدار و محدودیت‌های فضاپیماست.
خودمختاری روی مدار و چندعاملی
Onboard & Multi-Agent Autonomy
برنامه‌ریزی دوباره روی خود فضاپیما و هماهنگی میان چند ماهواره زیر محدودیت محاسبه، تأخیر ارتباط و توان (True Anomaly و Shield AI). کارهای نزدیک به رباتیک، مثل نزدیک شدن به یک جسم دیگر (RPO) و برنامه‌ریزی حرکت، به صفحهٔ مهندس رباتیک هوش مصنوعی نزدیک‌ترند.
شبیه‌سازی، ارزیابی و راستی‌آزمایی
Simulation, Evaluation & V&V
ساخت محیط‌هایی که برنامه‌ریز پیش از استقرار در آن‌ها آموزش ببیند و سنجیده شود (Vantor) و چارچوب‌های ارزیابی برای سیستم‌های خودکار برنامه‌ریزی مأموریت (Slingshot). ساختن خود شبیه‌ساز در صفحهٔ مهندس شبیه‌سازی این سایت آمده است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس عملیات ماهواره را در عمل می‌گرداند. در آگهی Mission Operations Engineer در Muon Space، او دادهٔ تله‌متری و گزارش سلامت ماهواره را تحلیل می‌کند، ناهنجاری‌ها را رفع می‌کند، مانورها را برنامه‌ریزی و هماهنگ می‌کند و به‌طور منظم در شیفت on-call است. مهندس برنامه‌ریزی مأموریتِ این صفحه بیشتر نرم‌افزار و الگوریتمی می‌سازد که برنامه را تولید می‌کند. مرز باز است: BlackSky از Mission Planner ها می‌خواهد در کنار نوشتن نیازمندی و نمونه‌کد، در دوره‌های پرتاب و ناهنجاری پشتیبانی ۲۴ ساعته بدهند، و Spire پشتیبانی از عملیات زندهٔ نرم‌افزار زمان‌بندی را جزو وظایف آورده است.
مهندس دینامیک پرواز روی خود مدار کار می‌کند: تعیین مدار، طراحی و اجرای مانور، نگه‌داشت ایستگاه و پرهیز از برخورد. آگهی Muon Space برای تیم Mission Planning Platform همین مهارت‌ها را می‌خواهد و تجربهٔ زمان‌بندی و بهینه‌سازی مقید، مثل زمان‌بندی گذر و برنامه‌ریزی تماس، را فقط امتیاز می‌داند. برنامه‌ریز مأموریت از خروجی دینامیک پرواز (کجا و کی ماهواره در دسترس است) استفاده می‌کند و تصمیم می‌گیرد در آن فرصت‌ها چه کاری انجام شود.
ابزار ریاضی هر دو یکی است: مدل‌سازی ریاضی و بهینه‌سازی. BLS می‌نویسد تحلیلگران تحقیق در عملیات با ریاضیات و منطق به حل مسائل پیچیده کمک می‌کنند، و صفحهٔ دانشمند تصمیم‌گیری این سایت به نقل از O*NET اضافه می‌کند که هدف این اطلاعات کمک به تصمیم‌گیری مدیران است. تفاوت در محصول است: تحلیلگر تحقیق در عملیات معمولاً تحلیل و توصیه برای تصمیم مدیران می‌سازد، اما برنامه‌ریز مأموریت ماهواره نرم‌افزاری پروداکشن می‌نویسد که هر روز برنامهٔ واقعی فضاپیما را تولید می‌کند و باید فیزیک مدار و زیرسیستم‌های ماهواره را هم بشناسد. Quindar همین ترکیب را با عنوان Senior Software Engineer، با تجربهٔ برنامه‌ریزی محدودیت، MIP و مسیریابی وسیله، آگهی کرده است.
هر دو با ماهوارهٔ رصد زمین سروکار دارند، اما در دو سر زنجیره. دانشمند دادهٔ مکانی روی تصویری کار می‌کند که مختصات جغرافیایی دارد و از آن بینش و محصول بیرون می‌کشد؛ برنامه‌ریز مأموریت پیش از آن تصمیم می‌گیرد کدام تصویر، کی و با کدام ماهواره گرفته شود. هر دو را گاهی Data Scientist می‌نامند: Planet تیم تحلیل تصویرش را با این عنوان آگهی می‌کند و AST SpaceMobile نقش زمان‌بندی ناوگانش را Fleet Scheduler Data Scientist نامیده است.
تأثیر در صنایع مختلف
مهندس برنامه‌ریزی مأموریت ماهواره (هوش مصنوعی و بهینه‌سازی) در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
تصویربرداری و رصد زمین
Planet، BlackSky، Vantor و ICEYE برنامه‌ریزی تصویربرداری و tasking را برای منظومه‌های اپتیکی و راداری خود می‌سازند؛ بهتر شدن برنامه یعنی تصویر بیشتر و تحویل سریع‌تر با همان ماهواره‌ها
ارتباطات ماهواره‌ای
AST SpaceMobile، که به گفتهٔ خودش شبکهٔ پهن‌باند فضایی برای اتصال مستقیم به گوشی‌های معمولی می‌سازد، الگوریتم‌های AI و ML برای زمان‌بندی ماهواره‌ها و ایستگاه‌های زمینی می‌خواهد
داده‌های دریایی، هوانوردی و هواشناسی
Spire با منظومه‌ای از نانوماهواره‌ها و شبکهٔ جهانی ایستگاه‌های زمینی دادهٔ ردیابی دریایی، هوانوردی و هواشناسی ارائه می‌دهد و زمان‌بندی تماس‌ها و مانورها را برای ساعت‌ها و روزهای آینده خودکار کرده است
دفاع و امنیت فضایی
True Anomaly، Shield AI و Slingshot Aerospace روی تخصیص منابع چندعاملی، زمان‌بندی خودکار و ارزیابی سیستم‌های خودکار برنامه‌ریزی مأموریت کار می‌کنند؛ این آگهی‌ها معمولاً تابعیت آمریکا و مجوز امنیتی می‌خواهند
مأموریت‌های ماه و فضای میان زمین و ماه
Advanced Space برای مأموریت‌هایش در فضای میان زمین و ماه مهندس ML می‌خواهد و Quindar تجربهٔ طراحی مأموریت در این فضا را امتیاز می‌داند
مأموریت‌های علمی
زمان‌بند مبتنی بر یادگیری تقویتی عمیق، طبق مقالهٔ ICAPS ۲۰۲۶، از ابتدای مأموریت Carruthers ناسا زمان‌بند پیش‌فرض عملیات بوده است؛ پیش‌تر هم CASPER در JPL بیش از دوازده سال روی EO-1 کار کرد
نرم‌افزار عملیات مأموریت
Quindar سیستم‌های برنامه‌ریزی مأموریت و زمان‌بندی را برای عملیات فضاپیما به‌صورت پلتفرم می‌سازد و Muon Space پلتفرم برنامه‌ریزی مأموریت خودش را دارد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
هوش مصنوعی در این شغل یعنی مدل‌های زبانی و چت‌بات
در آگهی‌های بررسی‌شده، AI بیشتر یعنی بهینه‌سازی ترکیبیاتی، یادگیری تقویتی و مدل‌های پیش‌بینی رفتار ماهواره. مدل زبانی فقط در یک آگهی پررنگ بود: Slingshot Aerospace که سیستم‌های عامل‌محور مبتنی بر LLM و RL را برای برنامه‌ریزی مأموریت ارزیابی می‌کند.
یادگیری تقویتی جای روش‌های کلاسیک بهینه‌سازی را گرفته است
آگهی‌ها هر دو را می‌خواهند. AST SpaceMobile پیشینهٔ قوی در MIP و برنامه‌ریزی محدودیت را شرط کرده و RL را امتیاز می‌داند، BlackSky تسلط به حل‌کننده‌های عدد صحیح و خطی را می‌خواهد و Spire و Quindar هم MIP و روش‌های ابتکاری را. مقالهٔ Herrmann و Schaub هم RL را با یک الگوریتم ژنتیک به‌عنوان مبنا مقایسه کرده است.
برای این کار باید مهندس هوافضا یا فضانورد بود
آگهی‌ها رشته‌های متنوعی را می‌پذیرند: AST SpaceMobile علوم کامپیوتر، مهندسی برق، ریاضی کاربردی، فیزیک یا هوافضا، و Vantor علوم کامپیوتر. در آگهی Planet آشنایی با مهندسی ماهواره و مکانیک مداری جزو امتیازهاست، نه شرط‌ها. اما دانش مدار و زیرسیستم‌ها را باید یاد بگیرید، چون برنامه‌ای که فیزیک را رعایت نکند اجرا نمی‌شود.
برنامه‌ریز مأموریت فقط جدول زمانی را دستی پر می‌کند
نقش‌های عملیاتی هم هستند؛ مثلاً مهندس عملیات مأموریت در Muon Space مانورها را برنامه‌ریزی و هماهنگ می‌کند و در شیفت on-call کار می‌کند. اما نسخه‌ای که این صفحه توضیح می‌دهد مهندسی نرم‌افزار و الگوریتم است. در BlackSky، Mission Planner ها نیازمندی و طراحی می‌نویسند و نمونهٔ اولیهٔ کد را به Python یا Go می‌سازند، و Planet از مهندس می‌خواهد نرم‌افزار حیاتی‌ای را طراحی و نگهداری کند که فعالیت‌های منظومه را زمان‌بندی و بهینه می‌کند.
این کار دورکاری جهانی است و برای همه باز است
بیشتر آگهی‌های این حوزه محدودیت دارند. Vantor و BlackSky تابعیت آمریکا را شرط کرده‌اند، Slingshot مجوز TS/SCI و Shield AI توان گرفتن مجوز SECRET می‌خواهد و Advanced Space فقط U.S. Persons را می‌پذیرد. در اروپا هم Planet برای نقش برلین دسترسی به اطلاعات کنترل‌شدهٔ صادراتی آمریکا، آلمان و اتحادیهٔ اروپا را شرط کرده و ICEYE استخدام را به بررسی امنیتی وابسته کرده است. Spire نوشته اگر مجوز صادراتی لازم باشد خودش آن را می‌گیرد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
در آگهی‌های این صفحه نقش ورودیِ مخصوص برنامه‌ریزی مأموریت دیده نشد؛ بیشتر کسانی که وارد این کار می‌شوند از مهندسی نرم‌افزار، ML یا عملیات ماهواره می‌آیند. در سال‌های اول کار بیشتر روی بخش‌های مشخص و زیر نظر یک مهندس ارشد است.
- ◆نوشتن تست و ابزار برای سرویس‌های زمان‌بندی و رفع اشکال آن‌ها
- ◆ساخت داشبورد و هشدار برای پایش برنامه‌ریز در عملیات زنده (از وظایف آگهی Spire)
- ◆تحلیل دادهٔ تماس‌ها و تصویربرداری‌های گذشته برای اینکه ببینید کجا فرصت از دست رفته
- ◆یاد گرفتن مدل‌های زیرسیستم ماهواره و قیدهای مدل بهینه‌سازی موجود
میانی (۲–۵ سال)
مالک یک بخش از سیستم برنامه‌ریزی هستید: از فرمول‌بندی مسئله و تعریف معیار موفقیت تا پیاده‌سازی، ارزیابی و تحویل به عملیات. Advanced Space همین چرخه را برای مهندس ML با ۲ تا ۵ سال تجربه توصیف می‌کند.
- ◆تبدیل یک نیاز عملیاتی (مثلاً کاهش تأخیر ارسال داده) به یک مدل بهینه‌سازی یا مسئلهٔ ML با معیار پذیرش مشخص
- ◆آموزش و ارزیابی یک سیاست RL یا مدل پیش‌بینی در شبیه‌سازی و مقایسهٔ آن با روش فعلی
- ◆بررسی خروجی برنامه‌ریز پس از یک روز عملیات و پیدا کردن علت درخواست‌های انجام‌نشده
- ◆همکاری با مهندسان فضاپیما برای به‌روز کردن مدل توان یا ارتباطات
ارشد (۵+ سال)
ابتکارهای بزرگ‌تر را از تعریف تا سنجش نتیجه پیش می‌برید و میان تیم‌های فضاپیما، عملیات و محصول توافق می‌سازید. Planet می‌نویسد این بخش از کار به اندازهٔ کدنویسی اهمیت دارد.
- ◆تعریف مفهوم عملیات (CONOPS) برای یک قابلیت یا مأموریت تازه
- ◆نوشتن نیازمندی سیستم و نمونه‌کد برای تیم نرم‌افزار (مثل نقش Mission Planner در BlackSky)
- ◆تصمیم دربارهٔ اینکه کجا حل‌کنندهٔ کلاسیک کافی است و کجا یادگیری ماشین ارزش ریسکش را دارد
- ◆منتورینگ مهندسان جوان‌تر و ارائهٔ موضع فنی تیم به ذی‌نفعان
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی و پیاده‌سازی الگوریتم‌های زمان‌بندی و تخصیص منابع برای ماهواره‌ها و ایستگاه‌های زمینی: تصویربرداری، تماس، ارسال داده و مانور
- ◈فرمول‌بندی مسئلهٔ عملیاتی به صورت مدل بهینه‌سازی (متغیر، قید و هدف) و حل آن با MIP، برنامه‌ریزی محدودیت یا روش‌های ابتکاری
- ◈ساخت و آموزش مدل‌های یادگیری ماشین و یادگیری تقویتی برای برنامه‌ریزی، و مدل‌هایی که رفتار ماهواره را از دادهٔ شبیه‌سازی و تله‌متری پیش‌بینی می‌کنند
- ◈مدل‌سازی زیرسیستم‌های ماهواره (توان، ارتباطات، جهت‌گیری) به شکلی که برنامه‌ریز بتواند محدودیت‌هایشان را رعایت کند
- ◈ساخت محیط شبیه‌سازی و ارزیابی و تعریف سنجه‌هایی مثل پوشش، revisit، تأخیر و موفقیت مأموریت پیش از استقرار
- ◈بردن برنامه‌ریز به پروداکشن و پایش آن: خط لولهٔ داده، استقرار، پایش drift و رفع اشکال در عملیات زنده
- ◈تحلیل دادهٔ عملیاتی منظومه برای پیدا کردن گلوگاه‌ها و ظرفیت ازدست‌رفته
- ◈نوشتن نیازمندی و مفهوم عملیات (CONOPS) و همکاری با تیم‌های فضاپیما، عملیات و محصول
- ◈پشتیبانی از عملیات در دوره‌های حساس مثل پرتاب و روزهای نخست مأموریت (LEOP) یا رسیدگی به ناهنجاری
- ◈تعریف نقشهٔ راه و استاندارد اعتبارسنجی خودمختاری و رشد دادن اعضای تیم در سطوح ارشد
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس برنامه‌ریزی مأموریت ماهواره (هوش مصنوعی و بهینه‌سازی) موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان مشترک آگهی‌ها؛ AST SpaceMobile «Python قوی» و Planet «تسلط عمیق» می‌خواهد
مسائل بزرگ زمان‌بندی و تخصیص منابع؛ AST SpaceMobile تجربهٔ اثبات‌شده در آن را شرط کرده است
فرمول‌بندی و حل با حل‌کننده‌ها؛ در آگهی‌های AST SpaceMobile، BlackSky، Spire و Quindar آمده است
وقتی حل دقیق کند است؛ Planet و Quindar روش‌های ابتکاری را کنار حل‌کننده‌ها نام برده‌اند
Vantor آن را هستهٔ کار گذاشته و AST SpaceMobile و Shield AI آن را امتیاز می‌دانند
مدل‌های پیش‌بینی رفتار ماهواره از دادهٔ شبیه‌سازی و تله‌متری (AST SpaceMobile)
گذر، پوشش و هندسهٔ برداشت؛ در بیشتر آگهی‌ها امتیاز است و در Muon Space شرط
توان، ارتباطات و جهت‌گیری به شکلی که برنامه‌ریز بتواند رعایتشان کند (آگهی BlackSky)
محیط‌هایی برای آموزش و اعتبارسنجی برنامه‌ریز زیر محدودیت‌های واقعی (Vantor، Slingshot)
تست خودکار، CI/CD، کنترل نسخه و کانتینر؛ Vantor این‌ها را شرط کرده است
Planet استدلال آماری روی دادهٔ عملیاتی بزرگ را می‌خواهد
سرویس‌های کم‌تأخیر برای محاسبهٔ سنگین (Quindar) و سرویس‌های رویدادمحور (ICEYE)
بسته به شرکت: Java در Vantor، Go در BlackSky، Rust در Spire و C++ در Shield AI و Muon Space
مهارت‌های نرم
Planet و Quindar هر دو توان تبدیل نیاز عملیاتی مبهم به مسئلهٔ تعریف‌شده را می‌خواهند
Planet می‌نویسد این مهارت به اندازهٔ کدنویسی بخش اصلی کار است
BlackSky از Mission Planner ها مستند نیازمندی و طراحی می‌خواهد
AST SpaceMobile می‌خواهد رفتار فیزیکی و مقید سیستم را به نیازمندی فنی روشن ترجمه کنید
دانش حوزه‌ای
تعریف اینکه یک قابلیت یا مأموریت تازه در عملیات چطور اجرا می‌شود؛ در هر دو آگهی Planet آمده است
اهداف نقطه‌ای، strip mapping، pushbroom و تصویر استریو (فهرست امتیازهای BlackSky)
ITAR و EAR در آمریکا و قواعد مشابه در اروپا؛ بسیاری از آگهی‌ها به آن وابسته‌اند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس برنامه‌ریزی مأموریت ماهواره (هوش مصنوعی و بهینه‌سازی)
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، ریاضیات و Git
همهٔ آگهی‌های این حوزه برنامه‌نویسی قوی می‌خواهند: AST SpaceMobile «Python قوی» و Planet «تسلط عمیق به Python یا زبانی مشابه». در کنار آن جبر خطی، احتمال و آمار را محکم کنید؛ Planet صریحاً تحلیل آماری روی داده‌های عملیاتی بزرگ را می‌خواهد. Git را هم از همین ابتدا جدی بگیرید.
مکانیک مداری و سیستم‌های ماهواره
باید بفهمید ماهواره کی از بالای یک نقطه یا ایستگاه زمینی می‌گذرد، چرا هر تصویر زاویه و زمان مشخصی دارد و توان، حافظه و جهت‌گیری چه محدودیتی می‌سازند. BlackSky آشنایی با مکانیک مداری، دینامیک وضعیت (attitude) و سیستم‌های ماهواره را امتیاز می‌داند و ICEYE پیش‌بینی گذر (pass prediction) و محاسبهٔ پوشش را جزو کار اصلی آورده است. با Skyfield از دادهٔ TLE گذر ماهواره‌ها را حساب کنید.
بهینه‌سازی، تحقیق در عملیات و برنامه‌ریزی خودکار
هستهٔ این شغل همین مرحله است. آگهی AST SpaceMobile پیشینهٔ قوی در برنامه‌ریزی عدد صحیح مختلط (MIP) و برنامه‌ریزی محدودیت (constraint programming) را شرط کرده، BlackSky تسلط بر حل‌کننده‌های برنامه‌ریزی خطی و عدد صحیح را امتیاز می‌داند و Spire بهینه‌سازی ترکیبیاتی و MIP را. یاد بگیرید یک مسئلهٔ زمان‌بندی را به متغیر، قید و تابع هدف تبدیل کنید و با یک حل‌کنندهٔ رایگان حلش کنید.
منابع پیشنهادی
یادگیری ماشین و یادگیری تقویتی برای زمان‌بندی
بخش «هوش مصنوعی» این نقش اینجاست. Vantor یادگیری تقویتی، تحقیق در عملیات و تصمیم‌گیری ترتیبی را برای بهینه‌کردن برنامهٔ تصویربرداری منظومه به کار می‌برد و AST SpaceMobile حل‌کننده‌های مبتنی بر RL روی گراف‌های ناهمگن و مدل‌های ML آگاه از فیزیک می‌خواهد. با PyTorch و Gymnasium شروع کنید و بعد با BSK-RL، که محیط‌های Gymnasium برای مسائل tasking فضاپیما می‌سازد، یک عامل RL را با یک روش ابتکاری ساده مقایسه کنید.
شبیه‌سازی، ارزیابی و نرم‌افزار پروداکشن
برنامه‌ای که به ماهواره فرستاده می‌شود باید پیش از آن در شبیه‌سازی سنجیده شده باشد. Vantor ساخت محیط‌های شبیه‌سازی و ارزیابی پرجزئیات را جزو کار آورده، Slingshot نقشی مخصوص ارزیابی و راستی‌آزمایی (V&V) سیستم‌های AI برای برنامه‌ریزی خودکار مأموریت آگهی کرده و AST SpaceMobile پایش drift مدل‌ها را می‌خواهد. مهندسی نرم‌افزار حرفه‌ای هم لازم است: تست خودکار، CI/CD و استقرار با کانتینر در آگهی Vantor شرط شده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان‌ها و نرم‌افزار
آگهی AI/ML Software Engineer در Vantor تسلط به Java در محیط میکروسرویس Spring Boot را شرط کرده است
حل‌کننده‌ها و کتابخانه‌های بهینه‌سازی
کتابخانهٔ رایگان برای برنامه‌ریزی محدودیت، MIP و مسائل زمان‌بندی؛ برای شروع و پروژهٔ شخصی مناسب است
حل‌کنندهٔ تجاری بهینه‌سازی برای مسائل MIP؛ آگهی Discrete Planning Engineer در Shield AI آن را در کنار CPLEX نام برده است
یادگیری ماشین و یادگیری تقویتی
AST SpaceMobile آن را برای مدل‌های ML و بهینه‌سازی نام برده و Advanced Space آن را در کنار JAX و TensorFlow آورده است
دینامیک مداری و شبیه‌سازی
چارچوب شبیه‌سازی فضاپیما از AVS Lab؛ آزمایشگاه از آن برای فرمان‌دهی خودکار فضاپیما با ML و AI استفاده می‌کند
نرم‌افزار متن‌باز ناسا برای تحلیل مأموریت؛ Muon Space و Helsing آن را در کنار Orekit و STK نام برده‌اند
کتابخانهٔ دینامیک پرواز که Muon Space و Helsing آن را در کنار GMAT و STK نام برده‌اند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس نرم‌افزار یا عملیات (ورودی)
۰ تا ۲ سال
کار روی بخش مشخصی از نرم‌افزار زمینی یا عملیات زیر نظر مهندس ارشد: نوشتن تست و ابزار، تحلیل دادهٔ عملیاتی و پشتیبانی عملیات زنده؛ آگهی‌های این صفحه نقش ورودی خاصِ برنامه‌ریزی مأموریت نداشتند و مسیر رایج از نقش‌های عمومی‌تر می‌گذرد
مهندس برنامه‌ریزی مأموریت / بهینه‌سازی
۲ تا ۵ سال
~$117K
میانگین سالانه (آمریکا)
مالکیت یک بخش از سیستم برنامه‌ریزی، مثلاً زمان‌بندی تماس با ایستگاه‌های زمینی یا یک مدل ML برای پیش‌بینی رفتار ماهواره، از فرمول‌بندی تا پروداکشن؛ آگهی Machine Learning Engineer (2–5 yrs) در Advanced Space همین سطح است
مهندس ارشد برنامه‌ریزی مأموریت
۵+ سال
~$148K
میانگین سالانه (آمریکا)
مالکیت ابتکارهای بهینه‌سازی از تعریف مسئله تا سنجش نتیجه در برابر SLA و KPI های منظومه (آگهی Planet)، تعریف نیازمندی و نمونه‌کد برای تیم نرم‌افزار (آگهی BlackSky) و منتورینگ
Staff، مدیر مهندسی یا Chief Engineer
۸+ سال
تعیین معماری و نقشهٔ راه خودمختاری برای چند منظومه یا رهبری تیم؛ True Anomaly برای Engineering Manager, Autonomy دست‌کم ۸ سال تجربه، از جمله ۴ سال مدیریت افراد، می‌خواهد و Shield AI نقش Chief Engineer, Autonomy — Space Domain را مسئول معماری و ریسک فنی کل راه‌حل می‌داند
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
تابعیت، مجوز امنیتی و کنترل صادرات
عمومیبیشتر آگهی‌هایی که برای این صفحه پیدا شد در آمریکا هستند و تابعیت آمریکا، وضعیت U.S. Person یا مجوز امنیتی می‌خواهند (Vantor، BlackSky، Slingshot، Shield AI، Advanced Space، True Anomaly، Quindar). در اروپا هم Planet برای نقش برلین دسترسی به اطلاعات کنترل‌شدهٔ صادراتی را شرط کرده است. این مهم‌ترین مانع ورود برای کسی است که خارج از آمریکا زندگی می‌کند.
اعتماد به برنامه‌ای که ماشین ساخته
عمومیبرنامهای که به ماهواره فرستاده می‌شود نباید قیدی را نقض کند. نویسندگان مقالهٔ ICAPS ۲۰۲۶ دربارهٔ مأموریت Carruthers تأکید کرده‌اند که زمان‌بندشان با احتمال بسیار بالا برنامهٔ امکان‌پذیر می‌سازد و از همین راه «اعتماد عملیاتی» ایجاد می‌کند، و Slingshot نقشی جداگانه برای ارزیابی و راستی‌آزمایی سیستم‌های خودکار برنامه‌ریزی مأموریت آگهی کرده است. True Anomaly هم استاندارد توضیح‌پذیری و اعتبارسنجی را از مسئولیت‌های مدیر تیم خودمختاری می‌داند.
مقیاس مسئله و زمان اجرا
عمومیبا بزرگ شدن منظومه، فضای جواب سریع بزرگ می‌شود. Quindar سیستم‌هایی می‌خواهد که فضای جستجوی بزرگ را با تأخیر کم پردازش کنند و از یک فضاپیما تا منظومه‌های بزرگ مقیاس بگیرند. باید میان کیفیت جواب و زمان محاسبه تصمیم بگیرید.
مدل‌هایی که باید با واقعیت بخوانند
شرکت بزرگبرنامهریز فقط به اندازهٔ مدل توان، ارتباطات و جهت‌گیری ماهواره خوب است. AST SpaceMobile از مهندس می‌خواهد با مهندسان ماهواره همکاری کند تا مدل‌ها رفتار و قیدهای واقعی سیستم را بازتاب دهند و drift آن‌ها را در پروداکشن پایش کند.
پشتیبانی عملیات در لحظه‌های حساس
استارتاپوقتی ماهوارهٔ تازه پرتاب می‌شود یا ناهنجاری رخ می‌دهد، برنامه‌ریز باید سریع درست شود. BlackSky گاه‌به‌گاه پشتیبانی ۲۴ ساعته در دورهٔ پرتاب و روزهای نخست (LEOP) یا رسیدگی به ناهنجاری را انتظار دارد و Spire پشتیبانی از عملیات زندهٔ نرم‌افزار زمان‌بندی را.
بازار کوچک و پراکنده
عمومیاین کار عنوان شغلی یکسانی ندارد و آگهی‌هایش زیر عنوان‌های مختلف پخش‌اند: Mission Planning، Mission Optimization، Tasking and Planning، Fleet Scheduler، Autonomy یا عنوان عمومی AI/ML Engineer. برای پیدا کردن آگهی باید مستقیم صفحهٔ استخدام شرکت‌های فضایی را دنبال کنید و با چند عنوان جستجو کنید.
حقوق و بازار کار جهانی
حقوق جهانی مهندس برنامه‌ریزی مأموریت ماهواره (هوش مصنوعی و بهینه‌سازی)
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Advanced Space posting, Machine Learning Engineer (2-5 yrs), Westminster, CO, posted Oct 9, 2026: base salary range; median = midpoint
- Advanced Space posting, Machine Learning Engineer (5-8 yrs), Westminster, CO, posted Oct 2, 2026: base salary range; median = midpoint
- Vantor posting, AI/ML Software Engineer (satellite tasking and planning, 5+ yrs), Colorado, posted Sep 28, 2026: base pay range; median = the posting's middle figure
- BlackSky posting, Senior Engineer, Mission Planning (6+ yrs), Seattle, WA, posted Oct 8, 2026: anticipated salary range; median = midpoint
- Planet posting, Senior Software Engineer, Mission Optimization (6+ yrs), San Francisco, posted Sep 30, 2026: base salary range; median = midpoint
- Planet posting, Senior Space Systems Engineer, Mission Optimization (10+ yrs), Berlin, posted Sep 23, 2026: gross starting salary range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مدار و گذر ماهواره
مفاهیم پایهٔ مدار را مرور کنید و با Skyfield گذر چند ماهوارهٔ واقعی را بالای چند شهر حساب کنید.
ماه ۲: مدل‌سازی بهینه‌سازی
MIP و برنامه‌ریزی محدودیت را با OR-Tools تمرین کنید؛ مسائل زمان‌بندی کارگاهی (job shop) نزدیک‌ترین تمرین به زمان‌بندی ماهواره‌اند.
ماه ۳: پروژهٔ زمان‌بند تماس
پروژهٔ اول پورتفولیو را بسازید: زمان‌بندی تماس چند ماهواره با چند ایستگاه زمینی.
ماه ۴: یادگیری تقویتی
مبانی RL را با دورهٔ Hugging Face یاد بگیرید و یک عامل ساده در Gymnasium آموزش دهید.
ماه ۵: RL برای tasking ماهواره
با BSK-RL یک محیط رصد زمین بسازید و سیاست آموزش‌دیده را با روش ابتکاری خودتان مقایسه کنید.
ماه ۶: ارزیابی و رزومه
برای پروژه‌ها سنجهٔ پوشش، revisit و تأخیر تعریف کنید، نتیجه را در README بنویسید و رزومه را با زبان آگهی‌ها بازنویسی کنید: فرمول‌بندی، بهینه‌سازی، شبیه‌سازی و استقرار.
پروژه‌های پیشنهادی برای رزومه
زمان‌بند تماس ماهواره با ایستگاه‌های زمینی
مبتدیبا Skyfield و دادهٔ TLE چند ماهوارهٔ واقعی، پنجره‌های گذر بالای سه یا چهار ایستگاه زمینی را برای یک هفته حساب کنید. بعد با OR-Tools تماس‌ها را طوری زمان‌بندی کنید که هر ایستگاه در هر لحظه فقط یک ماهواره را دنبال کند و حجم دادهٔ پایین‌آمده بیشینه شود.
برنامه‌ریزی تصویربرداری با اولویت و محدودیت
متوسطصد هدف زمینی با اولویت‌های مختلف تعریف کنید و برای دو ماهواره با محدودیت حافظه و زمان چرخش (slew) برنامهٔ تصویربرداری بسازید؛ یک بار با MIP و یک بار با یک روش ابتکاری حریصانه. کیفیت جواب و زمان اجرا را مقایسه کنید.
داشبورد ارزیابی برنامه‌ریز
متوسطبرای خروجی پروژهٔ قبلی سنجه‌هایی مثل پوشش، فاصلهٔ بازدید دوباره (revisit) و تأخیر تحویل تعریف کنید و با شبیه‌سازی Monte Carlo (مثلاً ابرناکی تصادفی یا از دست رفتن یک تماس) ببینید برنامه چقدر مقاوم است. نتیجه را در یک گزارش کوتاه توضیح دهید.
عامل یادگیری تقویتی برای tasking ماهواره
پیشرفتهبا BSK-RL یک محیط ساده‌ٔ رصد زمین بسازید، یک سیاست با PPO آموزش دهید و آن را با روش ابتکاری پروژهٔ دوم مقایسه کنید. مقالهٔ Herrmann و Schaub در Frontiers همین نوع مقایسه را میان چند الگوریتم RL انجام داده و نقطهٔ شروع خوبی برای طراحی آزمایش است.
برنامه‌ریزی دوباره (replanning) هنگام اختلال
پیشرفتهسناریویی بسازید که در میانهٔ روز یک درخواست فوری اضافه شود یا یک ایستگاه زمینی از کار بیفتد، و برنامه‌ریزی بنویسید که فقط بخش لازمِ برنامه را تغییر دهد. ایدهٔ ترمیم تدریجی برنامه (iterative repair) را از توضیح CASPER در JPL بگیرید و زمان واکنش را اندازه بگیرید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
کارشناسی، کارشناسی ارشد و دکترای علوم کامپیوتر را از دانشگاه ایلینوی گرفته است. طبق صفحهٔ گروه هوش مصنوعی JPL، او JPL Fellow، پژوهشگر ارشد و سرپرست گروه هوش مصنوعی در بخش Mission Planning and Execution آزمایشگاه پیشرانش جت ناساست و کار روی برنامه‌ریزی و زمان‌بندی خودکار برای اکتشاف فضا را رهبری می‌کند.
سرپرست تیم سامانهٔ برنامه‌ریزی ASPEN بود و پژوهشگر اصلی Autonomous Sciencecraft که روی ماهوارهٔ EO-1 اجرا شد و در ۲۰۰۵ از برندگان مشترک جایزهٔ نرم‌افزار سال ناسا بود. برای زمان‌بندی خودکار علمی مأموریت Rosetta آژانس فضایی اروپا در ۲۰۱۵ نشان دستاورد استثنایی ناسا گرفت. کارگاه بین‌المللی Planning and Scheduling for Space را بنیان گذاشت و نخستین رئیس شورای اجرایی ICAPS بود.
کار او نشان می‌دهد برنامه‌ریزی خودکار برای فضاپیما چند دهه سابقه دارد و پیش از موج تازهٔ یادگیری ماشین روی مدار به کار رفته است. کسی که امروز وارد این حوزه می‌شود از خواندن همین تجربه‌های عملیاتی، نه فقط مقاله‌های تازهٔ RL، چیز زیادی یاد می‌گیرد.
دکترای علوم کامپیوتر را در ۱۹۹۷ از دانشگاه کالیفرنیا، دیویس، و کارشناسی ریاضی را از Pomona College گرفته است. طبق صفحهٔ ناسا، سرپرست گروه Planning and Scheduling در بخش سیستم‌های هوشمند مرکز پژوهشی Ames ناساست.
کارش بر ساخت سامانه‌های خودکار برنامه‌ریزی و زمان‌بندی برای عملیات مأموریت‌های فضایی، اجرای برنامه و تشخیص خطا، و فناوری‌هایی متمرکز است که به فضانوردان امکان می‌دهد فضاپیما را خودشان اداره کنند. ناسا بیش از ۷۵ مقالهٔ کنفرانسی، ۱۲ مقالهٔ مجله و بیش از ۴۵ جایزهٔ ناسا، از جمله Silver Snoopy، برای او ثبت کرده است.
پیشینهٔ او ریاضی و علوم کامپیوتر است، نه هوافضا. این نشان می‌دهد در برنامه‌ریزی مأموریت، تسلط بر الگوریتم و بهینه‌سازی می‌تواند درِ ورود باشد و دانش فضا را می‌شود در کنار کار یاد گرفت.
کارشناسی، کارشناسی ارشد و دکترای مهندسی هوافضا را از دانشگاه Texas A&M گرفته است (دکترا در ۱۹۹۸). طبق صفحهٔ دانشگاه کلرادو بولدر، استاد ممتاز این دانشگاه و صاحب کرسی‌های Schaden Leadership و Glenn Murphy است.
در ۲۰۲۵ به عضویت آکادمی ملی مهندسی آمریکا درآمد و در ۲۰۱۹ عضو ارشد (Fellow) AIAA شد. ویرایش دوم کتابش Analytical Mechanics of Space Systems در ۲۰۱۳ جایزهٔ Summerfield انجمن AIAA را گرفت. «tasking خودکار فضاپیما» در کنار مکانیک مداری و دینامیک وضعیت از حوزه‌های پژوهشی اعلام‌شدهٔ اوست.
کسی که سال‌ها روی دینامیک و کنترل فضاپیما کار کرده، حالا tasking خودکار را هم در فهرست پژوهش‌هایش دارد. به نظر می‌رسد ترکیب فهم عمیق فیزیک فضاپیما با روش‌های تصمیم‌گیری خودکار همان چیزی است که این حوزه کم دارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Fleet Scheduler Data Scientist
تحلیل نیازمندی‌ها
BS/MS/PhD in Computer Science, Electrical Engineering, Applied Math, Physics, Aerospace, or a related field, or equivalent experience.
فهرست رشته‌ها باز است و هوافضا فقط یکی از آن‌هاست. «equivalent experience» یعنی سابقهٔ کاری مرتبط می‌تواند جای مدرک را بگیرد؛ آنچه سنجیده می‌شود توان حل مسئله‌های بهینه‌سازی واقعی است.
ضروری5-7+ years delivering AI, ML, and other optimization systems in production environments.
این نقش ارشد است. کلمهٔ مهم «production» است: سیستمی که واقعاً در عملیات کار کرده، نه پروژهٔ پژوهشی. تجربه در هر صنعتی که بهینه‌سازی یا ML را به پروداکشن برده باشد حساب می‌شود.
ضروریDemonstrated experience solving large-scale combinatorial optimization problems (e.g., scheduling, resource allocation, logistics, network capacity).
مثال‌ها نشان می‌دهد تجربه از لجستیک، زمان‌بندی تولید یا ظرفیت شبکه هم پذیرفته است. این مهم‌ترین پل برای کسی است که از صنعت دیگری می‌آید.
ضروریStrong background in traditional optimization methods, including mixed-integer programming, constraint programming, or related techniques.
با وجود عنوان «AI و ML»، روش‌های کلاسیک شرط ورودند. باید بتوانید یک مسئله را به MIP یا مدل محدودیت تبدیل کنید و بدانید کی حل‌کننده کند می‌شود.
ضروریExperience modeling and solving large-scale problems represented as graphs or heterogeneous graph structures.
ماهواره‌ها، ایستگاه‌ها و فرصت‌های تماس را می‌شود گرهٔ گراف دید. آشنایی با الگوریتم‌های گراف و در صورت امکان شبکه‌های عصبی گراف اینجا به کار می‌آید.
مهمStrong Python and ML/optimization tooling (e.g., PyTorch).
Python زبان کار است و PyTorch برای بخش یادگیری. باید هم بتوانید مدل آموزش دهید و هم آن را به حل‌کنندهٔ بهینه‌سازی وصل کنید.
ضروریExperience building data pipelines and deploying models into operational systems.
مدل بدون خط لولهٔ داده و استقرار در عملیات به کار نمی‌آید. این همان بخشی است که پروژه‌های دانشگاهی معمولاً ندارند.
مهمExperience with reinforcement learning, multi-agent systems, or hybrid ML + optimization.
RL در این آگهی امتیاز است، نه شرط. ترکیب ML و بهینه‌سازی، مثلاً یادگرفتن یک تابع برای کمک به حل‌کننده، دقیقاً همان چیزی است که این نقش را از OR کلاسیک جدا می‌کند.
مفیدFamiliarity with satellite operations and RF communications.
دانش ماهواره و ارتباطات رادیویی هم امتیاز است، نه شرط؛ یعنی شرکت انتظار دارد بخشی از آن را سر کار یاد بگیرید.
مفیدتحلیل مسئولیت‌ها
Own the architecture of AI and ML powered satellite and ground scheduling algorithms.
شما صاحب معماری الگوریتم‌ها هستید، نه فقط پیاده‌کنندهٔ آن‌ها. باید تصمیم بگیرید کدام بخش با حل‌کنندهٔ کلاسیک، کدام با روش ابتکاری و کدام با یادگیری حل شود.
Design and deploy large-scale combinatorial optimization algorithms, with approaches ranging from mixed-integer programming and heuristics to reinforcement-learning-based solvers operating on heterogeneous graphs.
این جمله خلاصهٔ کل نقش است: یک طیف روش، از MIP و ابتکاری تا RL. کسی که فقط یکی از این‌ها را بلد است، باید بقیه را هم یاد بگیرد.
Create a multi-tiered scheduling system, from high-level control of major satellite activities through mid-level control of system configurations and settings.
زمان‌بندی چندلایه یعنی مسئلهٔ بزرگ به چند مسئلهٔ کوچک‌تر در سطوح مختلف شکسته می‌شود. طراحی این شکستن و هماهنگی لایه‌ها خودش یک مهارت معماری است.
Develop physics-informed ML models that accurately predict satellite behaviors, utilizing simulated spacecraft model data and satellite telemetry data for fine-tuning.
مدل ML باید فیزیک را رعایت کند. داده از دو منبع می‌آید: شبیه‌سازی فضاپیما و تله‌متری واقعی. یعنی هم با داده‌های مصنوعی کار می‌کنید و هم با داده‌های پرنویز عملیاتی.
Ensure all models and optimizers are production-grade: data pipelines, training, validation, deployment, monitoring, and drift management.
مسئولیت تا پایش در پروداکشن ادامه دارد. drift یعنی رفتار ماهواره یا داده با گذشت زمان عوض می‌شود و مدل باید به‌روز شود؛ مهارت‌های MLOps اینجا لازم‌اند.
Partner with satellite engineers to develop simulated training data, define key system physics, and ensure models reflect true system behavior and constraints.
بخش مهمی از کار گفتگو با مهندسان ماهواره است تا قیدها و فیزیک درست وارد مدل شوند. بدون این همکاری، برنامه‌ای ساخته می‌شود که روی کاغذ خوب است و روی مدار اجرا نمی‌شود.
نتیجه‌گیری کلی
این آگهی روشن‌ترین نمونه از نسخهٔ هوش مصنوعیِ برنامه‌ریزی مأموریت است: مالکیت الگوریتم‌های زمان‌بندی ماهواره و ایستگاه زمینی با ترکیبی از برنامه‌ریزی عدد صحیح، روش‌های ابتکاری و حل‌کننده‌های مبتنی بر یادگیری تقویتی. با این حال شرط‌های ورود آن کلاسیک‌اند: تجربهٔ اثبات‌شده در بهینه‌سازی ترکیبیاتی بزرگ و MIP، و RL و دانش ماهواره فقط امتیازند. نقش ارشد است (۵ تا ۷+ سال) و بازهٔ حقوقی در آگهی اعلام نشده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
آمار رسمی جداگانه‌ای برای این نقش وجود ندارد. دو گروه شغلی نزدیک در BLS آمریکا هر دو رشد سریع‌تر از میانگین دارند: پیش‌بینی می‌شود اشتغال تحلیلگران تحقیق در عملیات از ۲۰۲۵ تا ۲۰۳۵، ۱۲٪ و اشتغال مهندسان هوافضا ۸٪ رشد کند. این‌ها گروه‌های گسترده‌اند و تعداد شغل‌های برنامه‌ریزی مأموریت ماهواره را نشان نمی‌دهند.
منبع: BLS Occupational Outlook Handbook (proxies: Operations Research Analysts, Aerospace Engineers)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Zhang، Craig و Waldrop از دانشگاه ایلینوی در مقالهٔ ICAPS ۲۰۲۶ گزارش داده‌اند که زمان‌بند مبتنی بر یادگیری تقویتی عمیقِ آن‌ها از ابتدای مأموریت Carruthers Geocorona Observatory ناسا زمان‌بند پیش‌فرض عملیات بوده، یک دورهٔ کامل آموزشش کمتر از شش ساعت طول می‌کشد و برنامه‌هایش در کیفیت علمی از روش‌های ابتکاری پایه بهتر است.
BLS آمریکا پیش‌بینی می‌کند اشتغال تحلیلگران تحقیق در عملیات، نزدیک‌ترین گروه رسمی به هستهٔ بهینه‌سازی این کار، از ۲۰۲۵ تا ۲۰۳۵، ۱۲٪ رشد کند.
BLS پیش‌بینی می‌کند اشتغال مهندسان هوافضا در همین بازه ۸٪ رشد کند؛ این هم گروهی گسترده است که برنامه‌ریزی مأموریت فقط بخش کوچکی از آن است.
این بازار کوچک است و به چند شرکت فضایی و دفاعی، بیشتر در آمریکا، وابسته است؛ بسیاری از آگهی‌ها تابعیت آمریکا یا مجوز امنیتی می‌خواهند. ابزارهای کدنویسی مبتنی بر AI هم وارد این کار شده‌اند: Vantor استفادهٔ اخیر از این ابزارها را شرط کرده، ICEYE تسلط به مهندسی با کمک AI را جزو شرط‌های اصلی آورده و Quindar هم آن را تشویق می‌کند. ارزش مهندس بیشتر در فرمول‌بندی درست مسئله، فهم فیزیک ماهواره و اعتبارسنجی برنامه است تا در نوشتن کد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۹ منبع بررسی شده است.
- Fleet Scheduler Data Scientist — AST SpaceMobile (job posting)
- AI/ML Software Engineer — Vantor (job posting)
- Engineering Manager, Autonomy — True Anomaly (job posting)
- Senior Software Engineer, Autonomy Capabilities – Space — Shield AI (job posting)
- Senior AI Engineer (TS/SCI) — Slingshot Aerospace (job posting)
- Machine Learning Engineer (2-5 yrs) — Advanced Space (job posting)
- Machine Learning Engineer (5-8 yrs) — Advanced Space (job posting)
- Senior Engineer, Mission Planning — BlackSky (job posting)
- Senior Software Engineer, Mission Optimization — Planet (job posting)
- Senior Space Systems Engineer, Mission Optimization (Berlin) — Planet (job posting)
- Mathematical Software Engineer — Spire Global (job posting)
- Senior Software Engineer - Tasking and Planning — ICEYE (job posting)
- Senior Software Engineer, Flight + Plan — Quindar (job posting)
- Senior Flight Dynamics Software Engineer, Mission Planning Platform — Muon Space (job posting)
- Mission Operations Engineer — Muon Space (job posting)
- Chief Engineer, Autonomy — Space Domain — Shield AI (job posting)
- Discrete Planning Engineer — Shield AI (job posting)
- Systems Engineer - Space — Helsing (job posting)
- BLS Occupational Outlook Handbook — Operations Research Analysts
- BLS Occupational Outlook Handbook — Aerospace Engineers
- Steve A. Chien — JPL Artificial Intelligence Group
- ASPEN — JPL Artificial Intelligence Group
- CASPER — JPL Artificial Intelligence Group
- Jeremy Frank — NASA
- Hanspeter Schaub — CU Boulder Aerospace Engineering Sciences
- Autonomous Vehicle Systems (AVS) Laboratory — CU Boulder
- BSK-RL: Environments for Spacecraft Planning and Scheduling
- Zhang, Craig, Waldrop — Deep RL for Fast Long-Horizon Operations Scheduling on NASA's Carruthers Geocorona Observatory Mission (ICAPS 2026)
- Herrmann & Schaub — A comparative analysis of reinforcement learning algorithms for earth-observing satellite scheduling (Frontiers, 2023)