مهندس یادگیری ماشین کاربردی
Applied ML Engineer
Applied ML Engineer (مهندس یادگیری ماشین کاربردی) متخصصی است که الگوریتمهای یادگیری ماشین را از مرحله research به محصول واقعی تبدیل میکند — جایی که میلیونها کاربر هر روز با خروجی مدلها تعامل دارند. تفاوت کلیدی با ML Researcher در این است که اینجا تمرکز روی reliability، latency و scalability است نه ابداع الگوریتم جدید. در ۲۰۲۶ با گسترش AI در هر صنعت، شرکتهایی مثل Meta، Google، Stripe و Uber برای ساخت سیستمهای recommendation، fraud detection و forecasting در مقیاس میلیاردی به این متخصصان وابستهاند. حقوق ارشد در Bay Area بین ۲۵۰ تا ۴۵۰ هزار دلار TC است و تقاضا با رشد ۳۵٪ سالانه از عرضه پیشی گرفته است.
مقدمه و تعریف شغل
Applied ML Engineer (مهندس یادگیری ماشین کاربردی) متخصصی است که تخصص ML و engineering را ترکیب میکند تا الگوریتمهای یادگیری ماشین را در محصولات واقعی روی میلیونها کاربر مستقر کند. تفاوت کلیدی این نقش با data scientist این است که خروجی شما code production-grade است نه notebook — کدی که ۲۴/۷ کار میکند، monitoring دارد، rollback میشود و در latency پایین به request پاسخ میدهد. مرز این نقش با ML Researcher این است که هدف اصلی شما reliability و scale است، نه ابداع الگوریتم جدید.
تا اوایل دهه ۲۰۱۰، عنوان «ML Engineer» تقریباً وجود نداشت — اکثر شرکتها یا data scientist داشتند که در notebook کار میکرد یا software engineer که با ML بازی میکرد. نقطه عطف ۲۰۱۵ بود وقتی Uber اولین تیم Michelangelo (پلتفرم داخلی ML) را راهاندازی کرد و سال بعد Google مقاله مشهور «Hidden Technical Debt in ML Systems» را منتشر کرد که نشان داد فقط ۵٪ code یک سیستم ML واقعی، خود مدل است — باقی همه infrastructure است. این مقاله تولد رسمی Applied ML Engineering بود. در ۲۰۲۰ ظهور MLOps بهعنوان discipline مستقل و در ۲۰۲۲ انفجار LLMs، تقاضا را به سقف رساند. در ۲۰۲۶ این نقش یکی از بهترین ترکیبهای ثبات شغلی، رشد و حقوق در صنعت تکنولوژی است.
چه چیزی میسازید؟
مثالهای واقعی از خروجی کار یک مهندس یادگیری ماشین کاربردی
سیستمهای recommendation در مقیاس میلیاردی
Spotify باید برای ۶۰۰ میلیون کاربر هر هفته Discover Weekly تولید کند. شما two-tower model روی Spark و GPU cluster آموزش میدهید و via vector search نتایج را در زیر ۵۰ms ارائه میدهید.
Real-time fraud detection
Stripe هر ثانیه هزاران تراکنش پردازش میکند و باید fraud را در زیر ۱۰۰ms تشخیص دهد. شما XGBoost + neural network ensemble را با feature store آنلاین مستقر میکنید.
Demand forecasting و pricing
Uber برای dynamic pricing باید تقاضا را در هر شهر و هر دقیقه پیشبینی کند. شما مدلهای temporal fusion transformer روی data میلیاردی tract میسازید.
Computer vision در production
Pinterest برای visual search باید ۵ میلیارد تصویر را indexable کند. شما embedding model آموزش میدهید و FAISS-based ANN search را در latency پایین مستقر میکنید.
Search ranking و relevance
Airbnb برای ranking listings باید preferences کاربر، فصل، قیمت و حدس availability را combine کند. شما learning-to-rank مدل با LambdaMART میسازید و A/B test میکنید.
Content moderation در مقیاس
TikTok روزانه ۵۰۰ میلیون ویدیو upload میشود — همه باید برای محتوای نامناسب filter شوند. شما multi-modal classifier (تصویر + متن + صدا) با throughput بالا میسازید.
تخصصهای مختلف مهندس یادگیری ماشین کاربردی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندس سیستمهای توصیهگر
Recommendation Systems Engineer
تخصص در ranking، personalization و embeddings. کارفرماهای اصلی: Netflix، Spotify، Pinterest، YouTube، Amazon.
مهندس بینایی ماشین
Computer Vision Engineer
تخصص در object detection، segmentation و VLM. کارفرماهای اصلی: Tesla، Cruise، Wayve، Apple، Snap، Meta Reality Labs.
مهندس NLP و LLM
NLP / LLM Engineer
تخصص در fine-tuning، inference optimization و RAG. کارفرماهای اصلی: OpenAI، Anthropic، Mistral، Cohere، Hugging Face.
مهندس رتبهبندی جستجو
Search Ranking Engineer
تخصص در learning-to-rank، query understanding و retrieval. کارفرماهای اصلی: Google Search، Microsoft Bing، Airbnb، Booking، Etsy.
مهندس پیشبینی و سری زمانی
Forecasting & Time-Series Engineer
تخصص در demand forecasting، pricing و capacity planning. کارفرماهای اصلی: Uber، Lyft، DoorDash، Amazon Supply Chain، Shopify.
تفاوت با شغلهای مشابه
کجا این شغل تمام میشود و شغل دیگری شروع میشود؟
ML Researcher معمولاً PhD دارد و در DeepMind، FAIR یا OpenAI Research کار میکند. تمرکزش publication و ابداع الگوریتم است. Applied ML Engineer از این الگوریتمها برای حل مسئله واقعی استفاده میکند. اگر Researcher معمار است، Applied یک contractor experienced است.
Data Scientist تحلیل میکند و توصیه میدهد — خروجیاش گزارش، dashboard یا A/B test analysis است. Applied ML Engineer سیستم میسازد — خروجیاش API ای است که ۲۴/۷ inference میدهد. مرز این دو در شرکتهای مختلف متفاوت است اما در شرکتهای mature این تفکیک واضح است.
AI Engineer در ۲۰۲۴-۲۰۲۶ معمولاً به کسانی گفته میشود که با LLMs و API های آماده مثل OpenAI کار میکنند. Applied ML Engineer هم مدل میسازد و هم مستقر میکند — تخصص عمیقتری در training و system design دارد و معمولاً نیاز به ML fundamentals قویتری دارد.
MLOps Engineer روی infrastructure و platform تمرکز دارد — pipeline ها، feature store، model registry. Applied ML Engineer مالک کل lifecycle مدل است از feature تا deployment. در شرکتهای کوچک این دو یکی هستند؛ در شرکتهای بزرگ تفکیک میشوند.
تأثیر در صنایع مختلف
مهندس یادگیری ماشین کاربردی در همه صنایع مشغول به کار است — نه فقط شرکتهای فناوری
تجارت الکترونیک
Amazon ۳۵٪ درآمد خود را مدیون recommendation engine میداند که توسط Applied ML Engineer ها ساخته میشود
حمل و نقل و mobility
Uber dynamic pricing، ETA prediction و matching algorithms که هر کدام میلیونها decision در ساعت میگیرند
مالی و پرداخت
Stripe Radar روزانه میلیونها تراکنش fraud را با مدلهای ML در زیر ۱۰۰ms مسدود میکند
سرگرمی و رسانه
Netflix algorithm شخصیسازی محتوا که از سال ۲۰۲۲ بیش از ۱ میلیارد دلار در سال صرفهجویی کاربر میکند
شبکههای اجتماعی
TikTok For You Page الگوریتم Applied ML است که اعتیاد جهانی به این پلتفرم را ایجاد کرد
بهداشت و درمان
Google Health مدلهای detection سرطان از تصاویر پزشکی که با دقتی بالاتر از رادیولوژیست انسانی کار میکنند
خودروسازی خودران
Tesla Full Self-Driving یک پشته عظیم Applied ML است که از تصاویر ۸ دوربین تصمیمهای رانندگی میگیرد
گردشگری و سفر
Airbnb و Booking از ranking models برای انتخاب چند listing از میلیونها گزینه برای هر کاربر استفاده میکنند
تصورات غلط رایج
قبل از تصمیمگیری، این باورهای اشتباه را بشناسید
Applied ML Engineer باید مقاله publish کند
اگرچه publication خوب است، اما هدف اصلی شما تحویل سیستم در production است. اکثر مهندسان موفق در صنعت هیچ paper ای ندارند — portfolio آنها سیستمهای واقعی است که میلیونها کاربر استفاده میکنند.
این نقش = نوشتن مدل در notebook
تنها ۱۰-۲۰٪ وقت شما صرف modeling میشود. باقی صرف data engineering، system design، monitoring، debugging production issues و meeting با stakeholder ها است. باید software engineer ماهر باشید.
PhD ضروری است
برای FAANG research roles بله، اما برای Applied ML شرکتها به portfolio production-grade و system design strong علاقه دارند نه titles آکادمیک. خیلی از Senior Applied ML Engineer ها فقط BS یا MS دارند.
همیشه باید deep learning استفاده کنید
در عمل، XGBoost و LightGBM در tabular data هنوز state of the art هستند. Applied ML Engineer خوب میداند کجا deep learning ارزش دارد و کجا simple model کافی است (در ۸۰٪ مسائل کسبوکار).
AI Engineering با LLM یعنی پایان ML کلاسیک
بسیاری از مسائل با LLM حل نمیشوند: real-time fraud، ranking در latency پایین، demand forecasting. ML کلاسیک هنوز core بخش بزرگی از industry است و Applied ML Engineer باید هر دو را بداند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰-۲ سال)
بیشتر روز شما صرف نوشتن code، debugging و mentor شدن میگذرد. tasks مشخص هستند و یک Senior تأیید میکند. در حال ساختن intuition برای ML system design و trade-off ها هستید.
- ◆صبح: standup ۱۵ دقیقهای + بررسی monitoring alerts شبانه و triaging هر incident
- ◆بلاک اول: پیادهسازی feature جدید در feature store و نوشتن unit/integration tests
- ◆بعد از ناهار: debug یک data quality issue که باعث degradation accuracy مدل شد
- ◆عصر: code review برای PR همتیمی + مطالعه یک internal design doc
- ◆پایان روز: بهروزرسانی Jira task ها و نوشتن brief experiment log
میانی (۲-۵ سال)
تعادل بین کدنویسی، طراحی سیستم و همکاری. خودتان scope تعریف میکنید، مدل را design و A/B test میکنید و در review جلسات participate میکنید.
- ◆صبح: مرور metrics مدل در production (AUC، recall، latency p99، cost per inference)
- ◆جلسه ۳۰ دقیقه با PM: planning A/B test بعدی و align روی success metrics
- ◆بلاک کدنویسی: refactor یک training pipeline برای استفاده از Ray به جای single-node
- ◆بعد از ناهار: ۱:۱ با junior + برنامهریزی پروژه آینده او
- ◆عصر: نوشتن design doc برای feature store migration و share با team
ارشد (۵+ سال)
تمرکز روی impact گستردهتر. کمتر کد مینویسید اما architectural decisions شما کل organization را تحت تأثیر قرار میدهد. زمان زیادی صرف cross-team alignment و mentoring میشود.
- ◆صبح: بررسی روابط و dependency های چند پروژه parallel در سراسر تیم
- ◆Architecture review: ارزیابی proposal یک team برای model serving infrastructure جدید
- ◆کدنویسی هدفمند: optimize یک critical path در inference که latency p99 را نصف میکند
- ◆بعد از ناهار: جلسه با VP Engineering روی ML hiring strategy برای کوارتر بعدی
- ◆عصر: ۱:۱ mentoring با چند engineer + نوشتن tech talk برای all-hands
مسئولیتها و وظایف
مسئولیتهای اصلی
وظایف روزانه و مهارتهای مورد نیاز در این شغل
- ◈طراحی و پیادهسازی ML pipeline های end-to-end از feature engineering تا deployment
- ◈آموزش و بهینهسازی مدلهای deep learning روی cluster های توزیعشده GPU
- ◈ساخت feature store ها و سیستمهای low-latency serving برای میلیونها request در روز
- ◈اجرای A/B test برای مقایسه نسخههای مدل و تحلیل تأثیر روی KPI های کسبوکار
- ◈monitoring مدلها در production برای تشخیص data drift، concept drift و degradation
- ◈بازنویسی research code (notebook) به code production-grade با تست و observability
- ◈همکاری با product manager ها برای ترجمه نیاز محصولی به مسئله ML قابل حل
- ◈منتورینگ junior engineer ها در زمینه ML system design و best practices
مهارتهای مورد نیاز
مهارتهای فنی، نرم و حوزهای که یک مهندس یادگیری ماشین کاربردی موفق به آنها نیاز دارد
مهارتهای فنی
تسلط بر design patterns، async، typing، testing و توانایی نوشتن کد production-grade
ساخت مدلهای پیچیده، custom training loop، distributed training و debugging gradient issues
طراحی end-to-end pipeline ها با در نظر گرفتن latency، throughput، cost و reliability
کار با Spark، Ray یا Dask برای پردازش data و training در مقیاس terabyte+
ساخت pipeline ها با Airflow، MLflow، Kubernetes برای automated training و deployment
نوشتن query های پیچیده، feature engineering در dbt یا Spark SQL، طراحی schema
تجربه با AWS (SageMaker، EMR)، GCP (Vertex AI، Dataflow) یا Azure ML
مهارتهای نرم
توانایی شنیدن یک business goal مبهم و formulate آن به یک supervised learning task با metric روشن
توضیح ساده trade-off ها (دقت vs latency، cost vs quality) به PM، designer و leadership
دیدن مدل بهعنوان یک component در سیستم بزرگتر، نه بهصورت ایزوله — همیشه context پروداکشن
انتخاب simple solution وقتی کافی است؛ مقاومت در برابر over-engineering و chase کردن latest paper
کار با Data Engineer، Backend Engineer، PM و Designer در یک پروژه مشترک با ownership مشخص
دنبال کردن فعالانه paper ها، open-source releases و مقایسه شدن با benchmark های صنعت
دانش حوزهای
درک عمیق p-value، confidence interval، sample size و طراحی A/B test صحیح
محاسبه cost per inference، tuning batch size و انتخاب instance type مناسب برای کاهش cloud bill
آگاهی از bias، fairness metrics و طراحی سیستمهایی که از دیسکریمیناسیون جلوگیری کنند
درک GDPR، CCPA و تکنیکهایی مثل differential privacy و federated learning
حفاظت از مدل در برابر adversarial attacks، model extraction و prompt injection
دانش خاص حوزهای که در آن کار میکنید (fintech، healthcare، e-commerce) — این کلید senior بودن است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس یادگیری ماشین کاربردی
این مسیر گام به گام شما را از صفر تا حرفهای هدایت میکند.
پایه ریاضی، Python و الگوریتمها
ساخت زیربنای محکم — آمار، جبر خطی، حساب دیفرانسیل و الگوریتمهای کلاسیک کامپیوتر علم؛ بدون این پایه ML production-grade ساخته نمیشود
Machine Learning کلاسیک و Deep Learning
یادگیری الگوریتمهای supervised، unsupervised، شبکههای عصبی و فریمورکهای اصلی PyTorch و TensorFlow
System Design و Distributed Training
پل بین ML و engineering — یادگیری طراحی سیستمهایی که داده میلیاردی را پردازش و مدل را روی چند GPU آموزش میدهند
MLOps، Model Serving و Monitoring
از notebook به production — pipeline های CI/CD، model serving در latency پایین، monitoring drift و A/B testing مدلها
تخصصیسازی و Production Excellence
انتخاب verticali تخصصی — recommendation، CV، NLP، forecasting یا LLM infra — و یادگیری مداوم paper-to-production
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دستهبندیشده بر اساس اولویت
فریمورکهای ML
Distributed و Compute
MLOps و Tracking
Model Serving و Inference
سرور inference با throughput بالا — استاندارد industrial برای GPU serving
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارتهایی نیاز دارید و چه درآمدی انتظار داشته باشید
Applied ML Engineer جونیور
۰ تا ۲ سال
~$130K
میانگین سالانه (آمریکا)
پیادهسازی feature pipelines، تنظیم مدلهای موجود، نوشتن unit test و کمک به استقرار مدلهای ساده در پروداکشن
Applied ML Engineer میانی
۲ تا ۵ سال
~$195K
میانگین سالانه (آمریکا)
طراحی end-to-end ML pipeline ها، انتخاب معماری مدل برای مسائل کسبوکار، رهبری استقرار و monitoring
Applied ML Engineer ارشد
۵ تا ۸ سال
~$310K
میانگین سالانه (آمریکا)
تعریف roadmap ML برای یک محصول، منتورینگ تیم، تصمیمگیری معماری و همکاری با research برای production
Staff / Principal Applied ML Engineer
۸+ سال
~$450K
میانگین سالانه (آمریکا)
تعریف استراتژی ML در سطح شرکت، طراحی پلتفرمهای ML داخلی، تأثیر روی فرهنگ مهندسی و recruiting
چالشها و جنبههای منفی
واقعیتهایی که کمتر در آگهیهای شغلی میبینید — قبل از ورود بدانید
Reproducibility در ML
عمومییک کابوس کلاسیک: مدلی که هفته پیش روی dataset مشابه آموزش دادید، حالا با همان seed نتیجه متفاوت میدهد. دلیلش میتواند version غیرمستند library، floating-point، یا data shift باشد. کنترل reproducibility در ML pipeline ها دشوارتر از software معمولی است.
Training-Serving Skew
شرکت بزرگمدل در offline evaluation عالی است اما در production فاجعه. دلیل اغلب این است که feature ها در training و serving بهصورت متفاوت محاسبه میشوند. حل این مسئله نیاز به feature store و logging دقیق دارد.
Cost Explosion
شرکت بزرگآموزش یک LLM یا serving یک recommendation system در مقیاس میلیاردی میتواند هزار دلار در ساعت هزینه داشته باشد. balance بین model quality و cloud bill یک هنر است که junior engineer ها معمولاً underestimate میکنند.
Drift Detection و Retraining
عمومیdata drift آرام است و معمولاً تا degradation شدید قابل تشخیص نیست. طراحی drift detection سیستم که false positive نزند و در عین حال incidents را زودرس کشف کند، یکی از سختترین مسائل است.
Fast Iteration بدون شکستن production
استارتاپدر استارتاپ، فشار برای ship کردن سریع زیاد است اما هر deployment ML میتواند KPI کسبوکار را خراب کند. ساخت shadow deployment، canary release و سیستم rollback خودکار حیاتی است.
Paper-to-Production Gap
تحقیقاتییک paper جدید میگوید مدل X روی benchmark Y سه درصد بهتر است. اما آیا روی production data شما هم بهتر است؟ آیا latency سرور شما را قبول میکند؟ پر کردن این gap مهارت کلیدی Applied ML Engineer است.
حقوق و بازار کار جهانی
حقوق جهانی مهندس یادگیری ماشین کاربردی
میانگین حقوق سالانه بر اساس تجربه در کشورهای مختلف
| کشور | میانه | ارز |
|---|---|---|
🇮🇳هند | ₹4,500,000 | INR |
🇺🇸آمریکا | $320,000 | USD |
🇦🇪امارات | AED 320,000 | AED |
🇨🇦کانادا | CA$180,000 | CAD |
🇨🇭سوئیس | CHF 180,000 | CHF |
🇸🇬سنگاپور | SGD 180,000 | SGD |
🇦🇺استرالیا | A$165,000 | AUD |
🇬🇧انگلستان | £130,000 | GBP |
🇩🇪آلمان | €115,000 | EUR |
🇳🇱هلند | €110,000 | EUR |
* ارقام سالانه و تقریبی هستند و بر اساس میانگین بازار در سال ۲۰۲۵ محاسبه شدهاند.
چگونه از صفر شروع کنیم
برنامه گامبهگام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مرور Python، آمار و ML basics
Python advanced، NumPy/Pandas، آمار و احتمال. تمرین روی Kaggle با Titanic و House Prices.
ماه ۲: PyTorch و Deep Learning
ساخت اولین neural network از scratch، MNIST، CIFAR-10. ترفندهای training مثل learning rate schedule.
ماه ۳: یک پروژه ML end-to-end
یک پروژه کامل: data ingestion، feature engineering، training، evaluation، و serving با FastAPI. GitHub repo بسازید.
ماه ۴: MLOps Basics
MLflow، Docker، GitHub Actions. تمرین experiment tracking و containerization.
ماه ۵: System Design و Distributed
Designing ML Systems book و تمرین system design interview با ML scenarios. شروع به یادگیری Ray یا Spark.
ماه ۶: Job Search و Mock Interviews
LinkedIn بهینه، GitHub portfolio پولیش، LeetCode medium، ML system design mock. Apply به ۱۰ شغل در هفته.
پروژههای پیشنهادی برای رزومه
سیستم recommendation کتاب با MovieLens
مبتدییک سیستم collaborative filtering با matrix factorization و سپس deep learning بسازید. متریکهای NDCG و Recall@K را گزارش دهید.
Real-time fraud detection pipeline
متوسطبا Kafka و یک مدل XGBoost، یک pipeline ساخت که تراکنشهای stream شده را در زیر ۱۰۰ms طبقهبندی میکند. dashboard monitoring اضافه کنید.
Image classification با distributed training
متوسطیک ResNet را روی ImageNet با PyTorch DDP روی ۴ GPU آموزش دهید. throughput، scaling efficiency و final accuracy را گزارش کنید.
LLM inference optimization platform
پیشرفتهیک مدل ۷B را با vLLM و quantization (INT8) بهینه کنید. throughput و latency را قبل و بعد مقایسه کنید و autoscaling Kubernetes اضافه کنید.
End-to-end MLOps platform شخصی
پیشرفتهیک platform داخلی بسازید که data ingestion، training، registry، deployment و monitoring را orchestrate کند. شامل CI/CD، model rollback و drift detection.
مثالهای واقعی و Case Studies
داستانهای واقعی از مهندسانی که در این حوزه تأثیرگذار بودهاند
متولد ویتنام، فارغالتحصیل Stanford در computer science. کار در NVIDIA، Netflix و Snorkel AI قبل از تأسیس Claypot AI. در ۲۰۲۴ مدیر AI Strategy در Voltron Data شد.
کتاب «Designing Machine Learning Systems» در ۲۰۲۲ منتشر کرد که به سرعت به استاندارد industry برای ML system design تبدیل شد. در Stanford CS 329S (Machine Learning Systems Design) را تدریس میکند که اکنون مرجع جهانی است. blog و newsletter او با صدها هزار subscriber در ML engineering مرجع است.
Chip Huyen نشان داد که یک Applied ML Engineer میتواند با ترکیب practitioner experience، teaching و writing به مرجع فکری حوزه تبدیل شود — بدون PhD. ساخت محتوای آموزشی با کیفیت بالا، یکی از مسیرهای impact در صنعت است.
PhD از University of Washington، اولین کارمندان Google (۱۹۹۹). معمار MapReduce، BigTable، TensorFlow و بسیاری از زیرساختهای اصلی Google. در ۲۰۱۸ Senior Fellow و SVP Google AI شد.
TensorFlow را طراحی و راهاندازی کرد که میلیونها مهندس را قادر به ساخت سیستمهای ML کرد. Google Translate Neural Machine Translation و سپس BERT و T5 را رهبری کرد. الگوی Applied ML Engineering در مقیاس billions از او الهام گرفته است. یکی از پرنفوذترین مهندسان تاریخ نرمافزار محسوب میشود.
Dean الگوی Applied ML Engineer ارشد است: کسی که هم در systems عمیق است و هم در ML — این دو رشته در ۲۰۲۶ تفکیکناپذیر شدهاند. مسیر او نشان میدهد که software systems thinking پایه واقعی Applied ML در مقیاس بزرگ است.
Career در data science و ML — کار در Airbnb و سپس GitHub در تیم data science. در GitHub روی CodeSearchNet و developer productivity ML کار کرد. در ۲۰۲۲ بهصورت independent مشاور AI شد.
در GitHub اولین کسی بود که semantic code search را در production مستقر کرد. نشان داد که چگونه LLM های open-source برای کسبوکارها قابل fine-tune هستند. کتاب راهنما و workshops او در زمینه «LLM Fine-Tuning» و «AI Evals» از مراجع صنعت محسوب میشود. blog و courses او در fastai community میلیونها بازدید دارند.
Husain نشان داد که یک Applied ML Engineer میتواند با specialization (LLM fine-tuning و evaluation) به مشاور مستقل پرتقاضا تبدیل شود. ساخت niche expertise + sharing علنی، مسیر مطمئن به آزادی شغلی است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Machine Learning Engineer, Recommendation Systems
تحلیل نیازمندیها
Bachelor's degree in Computer Science, Mathematics, or related quantitative field
مدرک BS حداقل ضروری است اما Meta در عمل portfolio قوی را equivalent میبیند. اگر پروژههای production-grade دارید، نبود مدرک با bootcamp + portfolio قابل جبران است. MS یا PhD bonus است اما alone کافی نیست.
ضروری3+ years of experience building production ML systems with measurable business impact
این کلیدیترین requirement است. باید بتوانید با اعداد توضیح دهید: «سیستم من X engagement را Y درصد افزایش داد». experience نقش بزرگتر از مدرک دارد در Meta.
ضروریStrong proficiency in Python and at least one ML framework (PyTorch preferred)
Meta از PyTorch استفاده میکند و حتی توسعهاش را sponsor میکند. تسلط بر PyTorch (نه فقط Keras) واقعاً مهم است — باید بتوانید custom training loop و distributed setup بنویسید.
ضروریExperience with large-scale data processing using Spark or similar
Meta scale به معنی پردازش petabyte ها data است. تجربه Spark یا Ray ضروری است. اگر فقط با pandas کار کردهاید، شکاف بزرگی دارید — Coursera Spark یا Databricks Academy نقطه شروع خوبی است.
ضروریBackground in recommendation systems, ranking, or personalization
این رول specifically برای recommendation است. آشنایی با two-tower model، transformer-based ranking و session-based recommenders کلیدی است. مطالعه paper های Pinterest، YouTube و TikTok ضروری است.
ضروریExperience with on-device or efficient inference (knowledge distillation, quantization)
این bonus بزرگ است — Meta در حال انتقال بسیاری از inference ها به edge است. تجربه با ONNX، TensorRT یا CoreML اضافه میتواند candidacy شما را تفکیک کند.
مفیدتحلیل مسئولیتها
Design, train, and deploy state-of-the-art ranking models for Feed, Reels, and Discovery surfaces
شما direct ownership یک ranking surface را خواهید داشت. این یعنی کل lifecycle: feature engineering، model architecture، training، A/B test، و deployment. impact شما در KPI های میلیوندلاری اندازهگیری میشود.
Improve model freshness through real-time learning and online updates
Real-time learning یکی از جذابترین چالشهای Meta است. مدل باید با هر تعامل کاربر update شود. این نیاز به دانش streaming، online learning و delta sync architecture دارد.
Partner with infrastructure teams to optimize training and serving cost
Cost optimization در Meta scale به معنی صرفهجویی دهها میلیون دلار در سال است. این بخش از job شما collaboration با platform team را شامل میشود.
Mentor junior engineers and contribute to team's technical roadmap
حتی در سطح mid، Meta از شما intervention تکنیکی در مسائل ابهام expects. این یعنی نباید فقط task انجام دهید — باید direction پیشنهاد دهید و junior ها را up-level کنید.
نتیجهگیری کلی
این آگهی نشان میدهد که Meta یک ML Engineer ایدهآل را بهعنوان full-stack میبیند: کسی که هم در ML deep است (PyTorch، ranking)، هم در data engineering (Spark)، هم در system design (efficient inference) و هم در leadership (mentoring). اگر در یکی ضعف دارید، در apply صادق باشید و در interview نشان دهید که قصد یادگیری دارید. Meta در general candidate های با growth mindset را ترجیح میدهد.
آینده و روندها
پیشبینی ۵–۱۰ ساله و مهارتهایی که باید یاد بگیرید
رشد ۳۵٪ سالانه در ۵ سال آینده — تعداد opening های Applied ML Engineer در LinkedIn از ۲۰۲۲ تا ۲۰۲۵ سه برابر شده است
منبع: LinkedIn Emerging Jobs Report 2025 / BLS Computer & Information Research Scientists projection
مهارتهای نوظهور که باید یاد بگیرید
پیشبینیهای آینده
تفکیک نقش بین «Foundation Model Engineer» (در labs بزرگ) و «Applied Product ML Engineer» (در شرکتهای محصولمحور) رسمی میشود
Real-time و online learning به استاندارد صنعت تبدیل میشود — مدلهای static بهعنوان legacy دیده میشوند
Edge ML در ۸۰٪ موبایل اپهای جدی استفاده میشود — تخصص on-device inference پرتقاضا میشود
Applied ML Engineering با Data Engineering و Backend Engineering ادغام میشود — generalist های ML-aware جایگزین specialist های نازک میشوند
سوال صریح: آیا Applied ML Engineer توسط AI خود جایگزین میشود؟ پاسخ کوتاه: تا ۲۰۳۰ بعید است، اما نقش بهشدت در حال تغییر است. کدنویسی routine (data cleaning، boilerplate training script) به سمت AI assistant ها میرود. اما architectural decisions، debugging production issues، طراحی A/B test و collaboration cross-functional همچنان human-only هستند. مهندسانی که فقط notebook مینویسند آسیبپذیرترند؛ کسانی که سیستم میسازند و trade-off درک میکنند، valuable میمانند. ریسک دوم: تمرکز قدرت در شرکتهای foundation model — اگر همه از API های OpenAI/Anthropic استفاده کنند، نیاز به Applied ML در سطح training کاهش مییابد، اما در عوض نیاز به specialists در fine-tuning و RAG افزایش مییابد.
ویدیوهای آموزشی
یک روز در زندگی یک Applied ML Engineer
ویدیوهای واقعی از متخصصان این حوزه که روزانه چه کارهایی انجام میدهند
What I *actually* do as a Machine Learning Engineer (salary, job, reality)
Egor Howell
Non-Tech to Senior ML Scientist at Amazon: My Machine Learning Journey
Marina Wyss - AI & Machine Learning
AI Engineer vs. Machine Learning Engineer: What’s the Real Difference? Pay, Job Market, Skills
Marina Wyss - AI & Machine Learning
Become An AI Engineer in 2025 | The 6 Step Roadmap
Greg Kamradt
The Complete Machine Learning Roadmap
Programming with Mosh
A Practical Guide To Becoming An AI Engineer (2026)
CodeHead