مهندس یادگیری ماشین کاربردی
Applied ML Engineer
مهندس یادگیری ماشین کاربردی (Applied ML Engineer) مدل‌های یادگیری ماشین را به ویژگی‌هایی تبدیل می‌کند که در محصول واقعی کار می‌کنند: داده و مجموعهٔ ارزیابی می‌سازد، مدل را آموزش یا fine-tune می‌کند، مستقرش می‌کند و کیفیت، سرعت پاسخ و هزینه‌اش را بهینه می‌کند. در آگهی‌های ۲۰۲۶ این عنوان در اصل همان نقش Machine Learning Engineer است و واژهٔ «کاربردی» بیشتر فاصله از کار پژوهشی را نشان می‌دهد. محتوای دقیق کار را تیم تعیین می‌کند، نه عنوان، و عنوان ساده Machine Learning Engineer در بازار بسیار رایج‌تر است.
مقدمه و تعریف شغل
مهندس یادگیری ماشین کاربردی (Applied ML Engineer) مدل‌های یادگیری ماشین را از آزمایشگاه به محصول می‌برد. Ideogram در آگهی‌اش این نقش را «پل میان پژوهش و محصول» توصیف می‌کند: تبدیل مدل‌های مولد پیشرفته به ویژگی‌های واقعی، ساختن ارزیابی و مجموعه‌داده، fine-tune و استقرار مدل و تعیین معیار موفقیت بر اساس کیفیت، سرعت پاسخ و هزینه. Deepgram هم صریحاً نوشته نقش Applied ML Engineer آن «پژوهشی نیست». در عمل این عنوان همان Machine Learning Engineer است، با همان چرخهٔ داده، آموزش، ارزیابی، استقرار و پایش؛ واژهٔ «کاربردی» بیشتر در شرکت‌هایی دیده می‌شود که تیم پژوهشی جدا دارند و می‌خواهند فاصلهٔ این نقش را با پژوهش نشان دهند.
عنوان Applied ML Engineer در ۲۰۲۶ واقعاً در آگهی‌ها دیده می‌شود، از Databricks و CoreWeave تا Deepgram، Fireworks AI، Ideogram و Apple، اما در آگهی‌هایی که برای این صفحه بررسی کردیم عنوان ساده Machine Learning Engineer بسیار رایج‌تر بود. نکتهٔ مهم‌تر این است که یک عنوان در شرکت‌های مختلف کارهای متفاوتی را می‌پوشاند: در Fireworks AI همین عنوان برای نقشی است که به گفتهٔ آگهی «در دنیا با نام Forward Deployed Engineer شناخته می‌شود» و کنار مشتری کار می‌کند؛ در Deepgram یعنی اجرای مدل‌های گفتار روی سخت‌افزار لبه؛ در Databricks یعنی استفاده از ML برای بهینه‌سازی زیرساخت؛ و در Apple یعنی ساختن pipeline ارزیابی مدل‌های زبانی و workflowهای ایجنتی. پس پیش از هر چیز شرح وظایف را بخوانید. Shreya Shankar، پژوهشگری که پیش‌تر خودش مهندس ML بود، مهندسان ML را دو دسته می‌کند: Task MLE که مسئول نگه‌داشتن pipeline یک مدل مشخص در پروداکشن است، و Platform MLE که ابزار و pipeline مشترک برای چند کار می‌سازد؛ بیشتر آگهی‌های Applied ML به دستهٔ اول نزدیک‌اند. حقوق هم شباهت دو عنوان را نشان می‌دهد: طبق Glassdoor، میانهٔ درآمد کل Applied Machine Learning Engineer در آمریکا حدود ۱۷۶ هزار دلار (۳۵ گزارش) و Machine Learning Engineer حدود ۱۶۶ هزار دلار (۸٬۷۲۲ گزارش) است؛ هر دو برآورد آخرین بار در آوریل ۲۰۲۵ به‌روز شده‌اند. BLS آمریکا گروه شغلی جداگانه‌ای برای این عنوان ندارد؛ جستجوی O*NET برای machine learning engineer اول گروه Data Scientists را نشان می‌دهد و Job Bank کانادا هم Machine Learning Engineer را زیر Data scientists (NOC 21211) آورده است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس یادگیری ماشین کاربردی
ویژگی‌های محصول بر پایهٔ مدل‌های مولد
در Ideogram، مهندس کاربردی مدل‌ها را برای کاربردهایی مثل تبدیل متن به تصویر، تصویر به متن، بهبود و ویرایش تصویر و کارهای چندوجهی fine-tune و مستقر می‌کند و برای هر ویژگی ارزیابی و معیار کیفیت، سرعت پاسخ و هزینه تعریف می‌کند.
اجرای مدل روی سخت‌افزار لبه
Deepgram مدل‌های گفتارش را برای اجرا روی شتاب‌دهنده‌های غیر NVIDIA، سرورهای لبه و سیستم‌های نهفته آماده می‌کند: جایگزینی عملگرها، quantization و سنجیدن دقت، سرعت و حافظه روی دستگاه واقعی پیش از آنکه مشتری مشکلی ببیند.
مدل اختصاصی برای هر مشتری
در Fireworks AI، مهندس کاربردی مدل‌های متن‌باز را با SFT، LoRA، یادگیری تقویتی یا distillation روی کار مشخص مشتری بهتر می‌کند، با ارزیابی‌ای که کار واقعی را بسنجد، و سرعت و هزینهٔ سرویس‌دهی را بهینه می‌کند.
ارزیابی مدل‌های زبانی و ایجنت
تیم Developer Publications Intelligence در Apple، مدل‌های ML را در ابزارهایی که Apple برای توسعه‌دهندگان می‌سازد به کار می‌برد؛ Applied ML Engineer آن pipeline ارزیابی مدل‌های زبانی را برای سنجیدن کیفیت و پیگیری افت می‌سازد و workflowهای ایجنتی و راه‌حل‌های روی دستگاه طراحی می‌کند.
ML برای بهینه‌سازی زیرساخت
در Databricks، تیم Applied AI با یادگیری ماشین و الگوریتم‌های زمان‌بندی و بهینه‌سازی، کارایی محصولات serverless را بالا می‌برد؛ کاری که از مدیریت کلاستر تا کامپایل کوئری را در بر می‌گیرد.
الگوریتم‌های روی دستگاه پوشیدنی
در WHOOP، مهندس ML الگوریتم‌هایی می‌سازد که دادهٔ خام حسگرها را به اطلاعات فیزیولوژیک تبدیل می‌کنند و نمونهٔ اولیهٔ Python را به پیاده‌سازی C/C++ روی firmware دستگاه می‌برد، با رعایت محدودیت توان، حافظه و سرعت پاسخ.
تخصص‌های مختلف مهندس یادگیری ماشین کاربردی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
توصیه، رتبه‌بندی و جستجو
Recommendation, Ranking & Search
سیستم‌هایی که تعیین می‌کنند کاربر چه چیزی را ببیند؛ مثل آگهی Software Engineer, Applied ML در Character.AI برای بخش‌های کشف محتوا (توصیه، رتبه‌بندی و جستجو) که تجربه با پایگاه دادهٔ برداری یا feature store را امتیاز می‌داند.
ML روی دستگاه و لبه
Edge & On-device ML
اجرای مدل روی سخت‌افزار محدود: quantization، جایگزینی عملگرها و runtimeهایی مثل ONNX Runtime و ExecuTorch (Deepgram)، پیاده‌سازی C/C++ روی firmware با محدودیت توان و حافظه (WHOOP)، و تجربه با LLMهای روی دستگاه که Apple امتیاز می‌داند.
Fine-tuning و post-training مدل‌های زبانی
LLM Fine-tuning & Post-training
بهتر کردن مدل‌های زبانی برای یک کار مشخص با SFT، LoRA، RLHF، RLVR و distillation (Fireworks AI) یا SFT، یادگیری تقویتی و on-policy distillation (CoreWeave). Fireworks برای این مسیر آموزش رسمی (دکترا، دانشجوی دکترا یا ارشد قوی) و تجربهٔ post-training مدل‌های زبانی می‌خواهد.
مدل‌های مولد تصویر و چندوجهی
Generative Media
تبدیل مدل‌های مولد به ویژگی محصول: تبدیل متن به تصویر، ویرایش و بهبود تصویر و کارهای چندوجهی، همراه با ارزیابی دقیق و کار مستقیم با مشتری؛ مثل آگهی Ideogram.
ارزیابی مدل‌های زبانی و ایجنت
LLM Evaluation & Agents
ساختن pipeline ارزیابی برای سنجیدن کیفیت و پیگیری افت مدل‌ها و طراحی workflowهای ایجنتی؛ آگهی Apple «دانش جامع و تجربهٔ عملی ارزیابی LLM» و تجربه با سیستم‌های چندمرحله‌ای مبتنی بر LLM را شرط گذاشته است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
در عمل همان نقش است. وظایف آگهی Ideogram (ساختن داده و ارزیابی، fine-tune، استقرار و بهینه‌سازی کیفیت، سرعت و هزینه) همان چرخه‌ای است که آگهی Machine Learning Engineer در Affirm توصیف می‌کند: آزمایش آفلاین، بردن بهترین روش به پروداکشن، بهبود latency و پایداری و پایش سلامت مدل و داده. Character.AI هم دارندهٔ عنوان Software Engineer, Applied ML را در متن آگهی «Software / ML Engineer» می‌نامد. حقوق هم نزدیک است: طبق Glassdoor میانهٔ درآمد کل در آمریکا حدود ۱۷۶ هزار دلار برای Applied و ۱۶۶ هزار دلار برای ML Engineer است. اگر دنبال کار هستید، با هر دو عنوان جستجو کنید.
از نظر واژه شبیه‌ترین عنوان است، اما اغلب کار دیگری است. در Anthropic و OpenAI، Applied AI Engineer مشاور فنی مشتریانی است که روی API مدل‌های زبانی محصول می‌سازند؛ آگهی Anthropic او را «مشاور فنی مورد اعتماد» شرکت‌هایی می‌داند که Claude API را وارد محصولاتشان می‌کنند. در تقسیم‌بندی swyx هم مهندس AI روی مدل‌های آماده محصول می‌سازد و مهندس ML بیشتر با خودِ مدل سروکار دارد. Applied ML Engineer معمولاً خودِ مدل را آموزش می‌دهد، fine-tune می‌کند یا برای سخت‌افزار تغییر می‌دهد (Ideogram، Deepgram، CoreWeave). مرز اما باز است: در Fireworks AI عنوان Applied Machine Learning Engineer برای نقش Forward Deployed Engineer است که کنار مشتری کار می‌کند.
دانشمند بیشتر روی علمِ مسئله تمرکز دارد: روش تازه، آزمایش و سنجیدن اثر؛ مهندس کاربردی روی رساندن مدل به محصول و نگه‌داشتن آن. WHOOP هر دو عنوان را هم‌زمان آگهی کرده است: از Staff Applied Machine Learning Scientist می‌خواهد رویکردهای مدل‌سازی تازه بسازد و جهت فنی تعیین کند، و از Senior Applied ML Algorithm Engineer می‌خواهد نمونهٔ اولیهٔ الگوریتم‌ها و مدل‌ها را به پیاده‌سازی C/C++ آمادهٔ پروداکشن تبدیل و روی firmware دستگاه یکپارچه کند. در برخی شرکت‌ها هم دو عنوان یکی شده‌اند؛ Wayve آگهی‌ای با عنوان Applied Scientist / Machine Learning Engineer دارد.
پژوهشگر روش یا مدل تازه می‌سازد و انتشار نتیجه بخشی از کار اوست. آگهی‌های Applied ML معمولاً همین مرز را می‌کشند: Deepgram می‌نویسد این نقش «پژوهشی نیست» و برای کسی است که می‌خواهد «برای مشتری تحویل دهد، نه مقاله منتشر کند»، و Fireworks AI نقش را «پلی حیاتی میان پژوهش پیشرفتهٔ AI و کاربردهای واقعی» می‌نامد. مرز همیشه روشن نیست: CoreWeave از Senior Applied ML Engineer تیم CRAFT انتظار دارد ایده‌های پژوهشی برای یادگیری مداوم در پروداکشن تولید و بررسی کند.
تأثیر در صنایع مختلف
مهندس یادگیری ماشین کاربردی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
طراحی و رسانهٔ مولد
Ideogram مدل‌های اختصاصی تولید تصویر می‌سازد و مهندسان کاربردی آن‌ها را به ویژگی‌های اپلیکیشن و API شرکت تبدیل می‌کنند
هوش مصنوعی صوتی
Deepgram مدل‌های تبدیل گفتار به متن و متن به گفتار را علاوه بر GPUهای NVIDIA، برای سخت‌افزار مشتریان، سرورهای لبه و سیستم‌های نهفته آماده می‌کند
پلتفرم داده و ابر
Databricks با یادگیری ماشین و الگوریتم‌های بهینه‌سازی، کارایی و هزینهٔ محصولات serverless خود را بهبود می‌دهد
زیرساخت inference
Fireworks AI مدل‌های متن‌باز را برای دادهٔ هر مشتری تنظیم و با سرعت و هزینهٔ بهینه سرویس‌دهی می‌کند
ابر GPU
تیم CRAFT در CoreWeave ابزارهایی می‌سازد که ایجنت‌ها با یادگیری تقویتی از تجربه یاد بگیرند و طبق آگهی تاکنون کتابخانهٔ ART، تابع پاداش RULER و Serverless RL را منتشر کرده است
فناوری مصرفی
Apple مدل‌های ML را در ابزارهایی که برای توسعه‌دهندگان می‌سازد به کار می‌برد و برای آن‌ها ارزیابی LLM و workflowهای ایجنتی طراحی می‌کند
سلامت و ابزارهای پوشیدنی
WHOOP دادهٔ حسگرهای دستگاه را با پردازش سیگنال و یادگیری ماشین روی خود دستگاه به اطلاعاتی دربارهٔ ریکاوری، تمرین و خواب تبدیل می‌کند
سرگرمی مبتنی بر AI
Character.AI، که طبق آگهی بیش از ۲۰ میلیون نفر در ماه از آن بازدید می‌کنند، برای بخش‌های کشف محتوا سیستم‌های توصیه، رتبه‌بندی و جستجو می‌سازد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
Applied ML Engineer شغلی جدا و متفاوت از ML Engineer است
در آگهی‌های ۲۰۲۶ تفاوت اصلی در عنوان است، نه در کار. وظایف آگهی‌های Applied ML همان چرخهٔ داده، آموزش، ارزیابی، استقرار و پایش است که در آگهی Machine Learning Engineer شرکت Affirm می‌بینیم و طبق Glassdoor حقوق دو عنوان در آمریکا نزدیک است. آنچه کار را واقعاً تعیین می‌کند تیم است: همین عنوان در Fireworks AI کار کنار مشتری است و در Deepgram اجرای مدل روی سخت‌افزار لبه.
«کاربردی» یعنی فقط صدا زدن API مدل‌های آماده
آگهی‌ها عمق فنی زیادی می‌خواهند. Deepgram بازنویسی گراف مدل، جایگزینی عملگرها و انتخاب quantization را می‌خواهد، Ideogram دیباگ پایداری عددی در داده، آموزش و inference را، و CoreWeave درک روش‌های post-training مثل SFT و یادگیری تقویتی را. کاری که بیشتر به ساختن محصول روی API مدل‌های آماده نزدیک است معمولاً با عنوان AI Engineer یا Applied AI Engineer آگهی می‌شود.
بدون دکترا راهی به این نقش نیست
بستگی به تیم دارد. Ideogram در شرایطش مدرکی نام نبرده و ۱+ سال تجربهٔ ساخت و انتشار محصول ML می‌خواهد و فهرست شرایط Deepgram هم بر تجربهٔ عملی تمرکز دارد، نه مدرک. WHOOP ارشد یا دکترا «یا تجربهٔ عملی معادل» می‌خواهد. در مقابل، Databricks کارشناسی ارشد را شرط گذاشته و Fireworks AI برای مسیر ML آموزش رسمی در سطح دکترا یا ارشد قوی می‌خواهد.
این نقش فقط کدنویسی است و با مشتری کاری ندارد
در چند آگهی کار با مشتری بخش اصلی است. Ideogram از کار مستقیم و مداوم با مشتریان و تعریف معیار موفقیت آن‌ها نام می‌برد، Applied Machine Learning Engineer در Fireworks AI مالک فنی پروژهٔ مشتری است و داخل تیم او کار می‌کند، و Deepgram همکاری با سازندگان تراشه و پلتفرم را جزو وظایف آورده است.
امروز همهٔ کار Applied ML دربارهٔ مدل‌های زبانی بزرگ است
بخشی از آگهی‌ها LLMمحورند، مثل Apple، Fireworks AI و CoreWeave، اما بقیه نه: WHOOP پردازش سیگنال و ML برای داده‌های حسگر می‌خواهد، Databricks تحقیق در عملیات و پیش‌بینی، Deepgram مدل‌های گفتار و Character.AI سیستم‌های توصیه و جستجو. Shankar هم در یادداشتی دربارهٔ مهندسی ML (۲۰۲۲) نوشته بیشتر مدل‌ها مدل زبانی بزرگ نیستند.
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 و بخش زیادی از وقت صرف داده و ارزیابی می‌شود. Shankar و همکاران پس از مصاحبه با ۱۸ مهندس ML، کار را چرخه‌ای مداوم از جمع‌آوری و برچسب‌زنی داده، آزمایش، ارزیابی در مراحل انتشار و پایش افت عملکرد توصیف کرده‌اند.
- ◆پاک‌سازی و برچسب‌زنی بخشی از داده و بررسی کیفیت برچسب‌ها
- ◆افزودن نمونه‌های دشوار به مجموعهٔ ارزیابی و دسته‌بندی خطاهای مدل
- ◆اجرای یک آزمایش کوچک و گزارش نتیجه برای تیم
- ◆شرکت در code review و یاد گرفتن الگوهای کد تیم
میانی (۲–۵ سال)
مالک یک ویژگی هستید از ایده تا پروداکشن. Ideogram بردن ویژگی ML «از ایده تا ارزیابی تا پروداکشن با بهبود قابل اندازه‌گیری در کیفیت، latency یا هزینه» و تعریف معیار موفقیت با تیم محصول را می‌خواهد.
- ◆fine-tune یک مدل و مقایسهٔ آن با مدل پایه روی مجموعهٔ ارزیابی تیم
- ◆تعریف معیار موفقیت یک ویژگی تازه با مدیر محصول یا مشتری
- ◆کاهش سرعت پاسخ یا هزینهٔ سرویس‌دهی یک مدل
- ◆نوشتن بنچمارکی که هر نسخهٔ تازهٔ مدل پیش از انتشار با آن سنجیده شود
ارشد (۵+ سال)
تمرکز روی تعیین مسیر و تصمیم‌های فنی دشوار است. Databricks از مهندس ارشد می‌خواهد نقشهٔ راه سرمایه‌گذاری ML را همراه مدیران مهندسی و محصول تعیین کند و Fireworks AI از او می‌خواهد پیش از تعهد، صادقانه بسنجد چه چیزی شدنی است.
- ◆تعیین دامنه و برآورد یک پروژهٔ تازه پیش از تعهد به تیم محصول یا مشتری
- ◆بازبینی طراحی: کجا مدل لازم است و کجا fine-tuning یا مدل پیچیده‌تر جواب نیست
- ◆همکاری با تیم‌های پژوهش، زیرساخت یا شرکای سخت‌افزاری
- ◆منتورینگ و مصاحبهٔ فنی
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تبدیل مدل‌های پژوهشی یا متن‌باز به ویژگی‌های واقعی محصول
- ◈ساختن، پاک‌سازی و برچسب‌زنی مجموعه‌داده و طراحی مجموعهٔ ارزیابی و معیارهای سنجش
- ◈fine-tuning و post-training مدل‌ها، مثل SFT و LoRA، وقتی مسئله واقعاً لازمش دارد
- ◈تحلیل خطا و پیدا کردن الگوهای شکست مدل در داده، آموزش و inference
- ◈استقرار مدل و بهینه‌سازی کیفیت، سرعت پاسخ (latency) و هزینه
- ◈سنجیدن دقت، سرعت و حافظه روی سخت‌افزار و محیط واقعی و جلوگیری از افت کیفیت در نسخه‌های تازه
- ◈خودکار کردن بسته‌بندی، نسخه‌بندی و تحویل مدل‌ها
- ◈تعریف معیار موفقیت با تیم محصول یا مشتری و گزارش روشن نتیجه‌ها
- ◈رساندن نیازها و محدودیت‌های محصول و مشتری به تیم‌های پژوهش و مهندسی
- ◈تعیین نقشهٔ راه کارهای ML و راهنمایی مهندسان کم‌تجربه‌تر (در سطح ارشد)
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس یادگیری ماشین کاربردی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
کد بک‌اند (Ideogram)، تست و بنچمارک تکرارپذیر (Deepgram) و CI/CD و تست خودکار (Character.AI)
در آگهی‌های Ideogram، Deepgram، CoreWeave و Character.AI آمده است؛ JAX هم در Ideogram و CoreWeave
طراحی معیار و مجموعهٔ ارزیابی (Ideogram) و pipeline ارزیابی LLM برای پیگیری افت (Apple)
تحلیل خطا و دیباگ پایداری عددی در داده، آموزش و inference (Ideogram)
آماده‌سازی، برچسب‌زنی و پاک‌سازی داده و تحلیل حالت‌های شکست (Ideogram)
transformer، diffusion و encoder (Ideogram)؛ یادگیری ماشین کلاسیک هم در WHOOP و Databricks لازم است
SFT، LoRA، RLHF و distillation (Fireworks AI) و on-policy distillation (CoreWeave)
quantization، batching و speculative decoding (Fireworks AI) و runtimeهای لبه مثل ONNX Runtime (Deepgram)
Databricks آشنایی عملی با ابر و سیستم‌های توزیع‌شده و Character.AI مدیریت زیرساخت روی GCP، AWS یا Azure را می‌خواهند
برای اجرای مدل روی دستگاه‌های نهفته؛ WHOOP آن را در کنار Python شرط گذاشته است
مهارت‌های نرم
Ideogram همکاری با تیم محصول برای تعریف معیار موفقیت و تکرار سریع را می‌خواهد
Deepgram ارتباط روشن و رساندن کار به «نتیجهٔ اندازه‌گیری‌شده» را می‌خواهد و Ideogram مهارت قوی ارتباطی را
Fireworks AI کار داخل تیم مشتری و Ideogram کار مستقیم و مداوم با مشتریان را جزو نقش آورده‌اند
Fireworks AI می‌خواهد پیش از تعهد بسنجید چه چیزی شدنی است و مسئول همان چیزی باشید که تعریف کرده‌اید
CoreWeave «یادگیری سریع و تحویل» را مهم‌ترین شرط می‌داند و WHOOP و Deepgram استفادهٔ روزمره از ابزارهای AI را انتظار دارند
دانش حوزه‌ای
موازنهٔ دقت با توان، حافظه، محاسبه و سرعت پاسخ (WHOOP) و دقت عددی INT8 و FP16 (Deepgram)
توصیه، رتبه‌بندی و جستجو و کار با پایگاه دادهٔ برداری (Character.AI)
تحقیق در عملیات، پیش‌بینی و فرایندهای تصمیم مارکوف (Databricks)
شناخت ریسک‌هایی مثل وابستگی به داده و حلقه‌های بازخورد پنهان که Sculley و همکاران (NeurIPS 2015) برشمرده‌اند
آگهی‌ها دانش حوزه را امتیاز می‌دانند: گفتار و صوت در Deepgram و سیگنال‌های فیزیولوژیک در WHOOP
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.
برنامه‌نویسی: Python، Git و عادت‌های مهندسی نرم‌افزار
آگهی‌های Applied ML کد در سطح پروداکشن می‌خواهند، نه فقط نوت‌بوک. Ideogram از «نوشتن کد بک‌اند با Python، PyTorch یا JAX» نام می‌برد، Deepgram از «تست، تکرارپذیری و بنچمارک‌هایی که دیگران بتوانند دوباره اجرا کنند» و Character.AI از تنظیم و نگهداری CI/CD و تست خودکار. Git، خط فرمان و نوشتن تست را از همین ابتدا تمرین کنید.
ریاضیات، آمار و یادگیری ماشین کلاسیک
پیش از مدل‌های بزرگ، باید بتوانید یک مدل ساده را درست بسازید و درست ارزیابی کنید. آگهی WHOOP آموزش و ارزیابی مدل با TensorFlow، PyTorch یا scikit-learn را می‌خواهد و Databricks آشنایی با بهینه‌سازی و پیش‌بینی (forecasting) را امتیاز می‌داند. Google در Rules of Machine Learning توصیه می‌کند مدل اول را ساده نگه دارید و زیرساخت را درست کنید.
یادگیری عمیق، Transformer و مدل‌های از پیش آموزش‌دیده
بیشتر آگهی‌های این عنوان با مدل‌های عمیق کار می‌کنند. PyTorch در آگهی‌های Ideogram، Deepgram، CoreWeave و Character.AI آمده و JAX در Ideogram و CoreWeave. Ideogram آشنایی با «یادگیری عمیق مدرن مثل transformer، diffusion و encoder» را می‌خواهد. شبکهٔ عصبی را از پایه بفهمید و بعد کار با مدل‌های آماده و متن‌باز را یاد بگیرید.
داده، ارزیابی و fine-tuning
این بخش مرکز کار Applied ML است. Ideogram طراحی بنچمارک و معیار ارزیابی، تحلیل خطا و آماده‌سازی و برچسب‌زنی داده را می‌خواهد و Apple ساختن pipeline ارزیابی مدل‌های زبانی برای پیگیری کیفیت و افت (regression). Fireworks AI از روش‌هایی مثل SFT، LoRA، RLHF و distillation نام می‌برد و تأکید می‌کند ارزیابی باید کار واقعی را بسنجد و تصمیم آموزش را هدایت کند و باید بدانید کی fine-tuning جواب نیست.
استقرار، بهینه‌سازی و نگهداری در پروداکشن
مدل باید روی محیط واقعی با کیفیت، سرعت و هزینهٔ قابل قبول کار کند. Deepgram برای اجرای مدل روی سخت‌افزار لبه، quantization (مثل INT8 و FP16) و ابزارهایی مثل ONNX Runtime، TFLite، ExecuTorch و OpenVINO را می‌خواهد؛ Fireworks AI از quantization، speculative decoding، batching و رفتار KV cache نام می‌برد. Shankar و همکاران کار را چرخه‌ای مداوم از جمع‌آوری و برچسب‌زنی داده، آزمایش، ارزیابی در مراحل انتشار و پایش افت عملکرد توصیف کرده‌اند.
منابع پیشنهادی
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان و فریم‌ورک مدل‌سازی
فریم‌ورک یادگیری عمیق در آگهی‌های Ideogram، Deepgram، CoreWeave و Character.AI؛ Deepgram «Python و PyTorch قوی» را شرط گذاشته است
مدل‌های آماده و fine-tuning
کتابخانهٔ رایج برای بارگذاری و آموزش مدل‌های از پیش آموزش‌دیده؛ آگهی Ideogram آشنایی با معماری‌هایی مثل transformer و diffusion را می‌خواهد
کتابخانهٔ روش‌های fine-tuning کم‌هزینه مثل LoRA؛ Fireworks AI از LoRA و دیگر روش‌های parameter-efficient نام برده است
کتابخانهٔ SFT و یادگیری تقویتی برای مدل‌های زبانی؛ CoreWeave درک SFT، یادگیری تقویتی و on-policy distillation را شرط گذاشته است
استقرار روی سخت‌افزار و inference
runtime اجرای مدل روی سخت‌افزارهای مختلف؛ Deepgram آن را در فهرست runtimeهای لبه آورده است
زیرساخت و داده
بسته‌بندی مدل و سرویس برای اجرای یکسان؛ Deepgram بسته‌بندی، نسخه‌بندی و تحویل خودکار مدل را جزو کار آورده است
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
کار روی بخش مشخصی از یک ویژگی زیر نظر مهندسان باتجربه‌تر: آماده‌سازی و برچسب‌زنی داده، ساختن مجموعهٔ ارزیابی، تحلیل خطا و آزمایش‌های کوچک. موقعیت‌های ورودی با این عنوان کم‌اند؛ Ideogram برای این نقش ۱+ سال تجربهٔ ساخت و انتشار محصول ML می‌خواهد
Applied ML Engineer
۲ تا ۵ سال
مالکیت یک ویژگی ML از ایده تا ارزیابی و پروداکشن، با بهبود قابل اندازه‌گیری در کیفیت، سرعت پاسخ یا هزینه، همان چیزی که Ideogram می‌خواهد. آگهی Machine Learning Engineer در Affirm هم برای همین سطح دست‌کم ۲ سال تجربه می‌خواهد
Senior Applied ML Engineer
۴ تا ۵ سال به بالا
طراحی راه‌حل، تعیین نقشهٔ راه و رهبری فنی. CoreWeave ۴+ سال تجربه (یا دکترا با ۲+ سال تجربهٔ صنعتی) می‌خواهد و Character.AI ۵+ سال؛ Databricks کارشناسی ارشد را شرط گذاشته است. بازهٔ حقوق پایهٔ اعلام‌شده در آمریکا برای Databricks ۱۶۶٬۰۰۰ تا ۲۱۰٬۲۵۰ دلار و برای CoreWeave ۱۸۲٬۰۰۰ تا ۲۴۲٬۰۰۰ دلار است
Staff / Principal Applied ML Engineer
پس از سطح ارشد
تعیین روش و استاندارد برای چند تیم. Deepgram از مهندس سطح staff انتظار دارد تعریف کند مدل‌های گفتار شرکت چطور به سخت‌افزار تازه منتقل شوند
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
یک عنوان، چند شغل متفاوت
عمومیهمین عنوان در Fireworks AI کار کنار مشتری (Forward Deployed Engineer) است، در Deepgram اجرای مدل روی سخت‌افزار لبه، در Databricks بهینه‌سازی زیرساخت و در Apple ارزیابی مدل‌های زبانی. اگر فقط به عنوان نگاه کنید، ممکن است برای شغلی آماده شوید که با آگهی واقعی فرق دارد؛ شرح وظایف و شرایط را دقیق بخوانید.
عدد روی نوت‌بوک با عدد روی دستگاه فرق دارد
عمومیDeepgram از کسی استقبال می‌کند که «به عددهای روی دستگاه اهمیت می‌دهد، نه عددهای نوت‌بوک» و WHOOP رفع تفاوت عملکرد نمونهٔ اولیه با نسخهٔ نهفته را جزو کار آورده است. مدلی که در آزمایش خوب است، ممکن است پس از quantization یا روی سخت‌افزار واقعی دقت یا سرعتش را از دست بدهد.
ارزیابی‌ای که چیز درست را بسنجد
عمومیFireworks AI می‌خواهد ارزیابی کار واقعی را منعکس کند و تصمیم‌های آموزش را هدایت کند، و تأکید می‌کند باید بدانید کی fine-tuning جواب نیست. ساختن چنین ارزیابی‌ای کار دشواری است و Ideogram آن را در کنار تحلیل خطا و تحلیل حالت‌های شکست جزو شرایط اصلی آورده است.
سرعت تغییر
استارتاپDeepgram در آگهی‌اش نوشته «با سرعت AI حرکت می‌کنیم» و کار روزمره هم به همان سرعت تغییر می‌کند؛ CoreWeave هم می‌گوید در این نقش یادگیری حین کار اجتناب‌ناپذیر است. اگر کار کاملاً تعریف‌شده و ثابت می‌خواهید، این نقش‌ها، به‌ویژه در استارتاپ‌ها، شاید مناسب نباشند.
هزینهٔ نگهداری سیستم‌های ML
شرکت بزرگSculley و همکاران (NeurIPS 2015) نوشته‌اند سیستم‌های ML در دنیای واقعی معمولاً هزینهٔ نگهداری مداوم و سنگینی دارند. Shankar که خودش پیش‌تر مهندس ML بوده، در یادداشتش نوشته با نگاه به عقب می‌دید فرض‌های کد آزمایشش هنگام ارزیابی برقرار نبوده است؛ مصاحبه‌های او و همکارانش با ۱۸ مهندس ML سه عامل موفقیت را سرعت، اعتبارسنجی و نسخه‌بندی معرفی می‌کند.
سد ورود برای تازه‌کار
عمومیبیشتر آگهی‌های این عنوان سطح ارشد یا بالاترند: Deepgram ارشد یا staff، CoreWeave ۴+ سال، Character.AI و شعبهٔ سنگاپور Fireworks AI ۵+ سال و Databricks کارشناسی ارشد. Ideogram با ۱+ سال تجربه استثناست. چون عنوان کم‌یاب است، آگهی‌های Machine Learning Engineer را هم جستجو کنید.
حقوق و بازار کار جهانی
حقوق جهانی مهندس یادگیری ماشین کاربردی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, Applied Machine Learning Engineer, estimate updated Apr 2025: total pay 25th–75th pct; median (Glassdoor's 'average'), 35 salaries
- Proxy: Machine Learning Engineer (only 6 Applied ML salaries in Canada) — Glassdoor Canada, estimate updated Oct 2026: total pay 25th–75th pct; median, 782 salaries
- Proxy: Machine Learning Engineer (1 shared Applied ML salary in the UK) — Glassdoor UK, estimate updated Oct 2026: total pay 25th–75th pct; median, 1,352 salaries
- Proxy: Machine Learning Engineer (no Applied ML data for Germany) — Glassdoor Germany, estimate updated Apr 2024: total pay 25th–75th pct; median, 525 salaries
- Proxy: Machine Learning Engineer — Glassdoor Netherlands, estimate updated Nov 2025: total pay 25th–75th pct; median, 218 salaries
- Proxy: Machine Learning Engineer — Glassdoor Australia, estimate updated Oct 2025: total pay 25th–75th pct; median, 190 salaries
- Proxy: Machine Learning Engineer (only 4 Applied ML salaries in India) — Glassdoor India, estimate updated Sep 2026: total pay 25th–75th pct; median, 2,944 salaries
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: یادگیری عمیق با PyTorch
شبکهٔ عصبی، آموزش روی GPU و کار با یک مدل از پیش آموزش‌دیده را مرور کنید.
ماه ۲: Transformer و مدل‌های آماده
معماری Transformer و کار با مدل‌های متن‌باز را یاد بگیرید.
ماه ۳: ارزیابی و تحلیل خطا
برای یک کار مشخص مجموعهٔ ارزیابی بسازید و خطاهای یک مدل آماده را دسته‌بندی کنید (پروژهٔ اول پورتفولیو).
ماه ۵: استقرار و بهینه‌سازی
مدل را پشت یک API بگذارید، با Docker بسته‌بندی کنید و یک نسخهٔ quantizeشده با ONNX Runtime بسازید و بسنجید.
ماه ۶: طراحی سیستم و جستجوی کار
طراحی سیستم‌های ML را مطالعه کنید، README پروژه‌ها را با عدد ارزیابی کامل کنید و هم با عنوان Applied ML Engineer و هم Machine Learning Engineer جستجو کنید.
پروژه‌های پیشنهادی برای رزومه
مجموعهٔ ارزیابی و تحلیل خطا برای یک مدل آماده
مبتدییک مدل متن‌باز را برای یک کار مشخص، مثلاً دسته‌بندی متن فارسی یا توصیف تصویر، انتخاب کنید. یک مجموعهٔ ارزیابی برچسب‌خورده بسازید، معیار موفقیت را تعریف کنید و خطاهای مدل را دسته‌بندی کنید؛ همان طراحی بنچمارک، تحلیل خطا و تحلیل حالت‌های شکستی که Ideogram می‌خواهد.
Fine-tuning با LoRA و مقایسه با مدل پایه
متوسطیک مدل کوچک را با LoRA روی دادهٔ همان کار fine-tune کنید و با مجموعهٔ ارزیابی پروژهٔ قبل با مدل پایه مقایسه کنید. اگر مدل پایه با یک prompt خوب کافی بود، همین را صادقانه گزارش کنید؛ Fireworks AI دانستن اینکه «کی fine-tuning جواب نیست» را جزو مهارت‌ها آورده است.
کوچک کردن و اجرای مدل روی CPU یا گوشی
متوسطیک مدل را به ONNX تبدیل کنید، با INT8 quantize کنید و دقت، سرعت پاسخ و مصرف حافظه را قبل و بعد روی دستگاه واقعی بسنجید. بنچمارک را طوری بنویسید که دیگران بتوانند دوباره اجرا کنند؛ همان چیزی که آگهی Deepgram می‌خواهد.
سیستم توصیه یا جستجو با ارزیابی آفلاین
متوسطروی یک مجموعه‌دادهٔ عمومی، با embedding و جستجوی برداری یک سیستم بازیابی بسازید، یک مرحلهٔ رتبه‌بندی اضافه کنید و نتیجه را با معیارهای رتبه‌بندی بسنجید. بعد آن را پشت یک API بگذارید؛ نزدیک به کاری که تیم Discovery در Character.AI انجام می‌دهد.
از نوت‌بوک تا سرویس پایدار
پیشرفتهیکی از مدل‌ها را با MLflow ثبت و نسخه‌بندی کنید، پشت FastAPI بگذارید، با Docker بسته‌بندی کنید و در CI تست و ارزیابی خودکار اجرا کنید تا هر نسخهٔ تازه پیش از انتشار با نسخهٔ قبل مقایسه شود. سه عاملی که Shankar و همکاران برای موفقیت ML در پروداکشن برشمرده‌اند، یعنی سرعت، اعتبارسنجی و نسخه‌بندی، را در README توضیح دهید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
به نوشتهٔ سایت شخصی‌اش در روستایی برنج‌کار در ویتنام بزرگ شد و از دانشگاه Stanford فارغ‌التحصیل شد. در NVIDIA (از توسعه‌دهندگان اصلی NeMo)، Snorkel AI و Netflix روی ابزارهای ML کار کرد و یک شرکت زیرساخت AI را تأسیس کرد و فروخت.
در Stanford درس ML Systems را تدریس کرد و درس‌گفتارهایش پایهٔ کتاب Designing Machine Learning Systems شد که به گفتهٔ سایتش به بیش از ۱۰ زبان ترجمه شده است. به گفتهٔ خودش کتاب AI Engineering (۲۰۲۵) او پرخواننده‌ترین کتاب پلتفرم O’Reilly در ۲۰۲۵ بود. کار خودش را «آوردن AI به پروداکشن» توصیف می‌کند.
مسیر او نشان می‌دهد تجربهٔ ساختن ابزار و سیستم در شرکت‌ها، اگر مستند و منتشر شود، می‌تواند به منبعی برای دیگران تبدیل شود. نوشتن دربارهٔ آنچه در پروداکشن یاد می‌گیرید، به نظر می‌رسد هم یادگیری خودتان را عمیق‌تر می‌کند و هم دیده شدن را آسان‌تر.
به گفتهٔ خودش مهندس یادگیری ماشین با بیش از ۲۰ سال تجربه است و در Airbnb و GitHub کار کرده، از جمله روی پژوهش‌های اولیهٔ LLM برای فهم کد که OpenAI از آن استفاده کرد. در توسعهٔ ابزارهای متن‌باز محبوب ML هم نقش داشته و آن‌ها را رهبری کرده است.
اکنون به تیم‌ها کمک می‌کند سیستم‌های AI خود را دیباگ، تحلیل و اندازه‌گیری کنند و این کار را «evals» می‌نامد. دورهٔ AI Evals for Engineers and PMs را به‌صورت مشترک درس می‌دهد که به نوشتهٔ سایتش بیش از ۵٬۰۰۰ دانشجو از بیش از ۵۰۰ شرکت داشته است.
تخصص او روی بخشی از کار متمرکز است که در آگهی‌های Applied ML هم پررنگ است: ارزیابی. به نظر می‌رسد مهارت سنجیدن درست یک سیستم، در کنار ساختنش، با تغییر مدل‌ها و ابزارها کهنه نمی‌شود.
طبق سایت شخصی‌اش کارشناسی علوم کامپیوتر را در Stanford خواند و پیش‌تر مهندس ML بود. دکترای EECS را در UC Berkeley با Aditya Parameswaran گرفت و در آنجا مجموعهٔ DocETL را برای پردازش داده با LLM ساخت.
به نوشتهٔ سایتش، DocETL بیش از ۴٫۱ هزار ستاره در GitHub دارد و پژوهش‌های این مسیر جایزه‌هایی مثل Best Paper در CHI 2026 گرفته‌اند. از ۲۰۲۷ استادیار دانشگاه Carnegie Mellon خواهد بود و همراه Hamel Husain دورهٔ AI evals را درس می‌دهد و با او کتابی نوشته است.
او از مهندسی ML در صنعت به پژوهش دربارهٔ همان کار رفت و مسئله‌هایی را بررسی کرد که خودش در پروداکشن دیده بود. تجربهٔ عملی در پروداکشن، حتی اگر بعدها مسیرتان عوض شود، به نظر می‌رسد پایه‌ای برای فهم عمیق‌تر این کار است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Applied Machine Learning
تحلیل نیازمندی‌ها
1+ years of building and shipping ML products
یکی از معدود آگهی‌های این عنوان که سطح ورودش پایین است. «shipping» کلید است: تجربه‌ای که می‌خواهند انتشار محصول ML است، نه فقط آموزش مدل در نوت‌بوک.
ضروریYou write backend code in Python/ PyTorch/ Jax
کد شما بخشی از بک‌اند محصول می‌شود؛ پس باید کد قابل نگهداری بنویسید، نه اسکریپت یک‌بارمصرف. PyTorch یا JAX برای کار با خود مدل‌ها لازم است.
ضروریYou design benchmarks and evaluation metrics, run error analyses, and debug numerical stability across data, training, and inference
مرکز کار ارزیابی است: تعریف اینکه «خوب» یعنی چه، پیدا کردن جاهایی که مدل اشتباه می‌کند، و دیباگ مشکلات عددی مثل ناپایداری در آموزش یا تفاوت نتیجه هنگام inference.
ضروریYou’ve taken ML features from idea to evaluation to production with measurable gains (quality, latency, or cost)
نمونه‌کار شما باید عدد داشته باشد: چه چیزی منتشر شد و کیفیت، سرعت پاسخ یا هزینه چقدر بهتر شد. پروژهٔ پورتفولیو را هم با همین منطق بنویسید.
ضروریYou collaborate with the product team to define success criteria and iterate quickly and pragmatically
معیار موفقیت را فقط تیم فنی تعیین نمی‌کند. باید بتوانید هدف محصولی را به معیاری قابل اندازه‌گیری تبدیل کنید و به‌جای دنبال کمال، سریع نسخهٔ بعد را بسازید.
مهمYou’re comfortable curating, labeling, and cleaning datasets, and designing evaluation corpora and failure-mode analyses
بخش بزرگی از کار با داده است، حتی در شرکتی که مدل‌های مولد پیشرفته می‌سازد. ساختن مجموعهٔ ارزیابی و دسته‌بندی حالت‌های شکست مهارتی است که می‌توانید از همین حالا با پروژهٔ شخصی تمرین کنید.
مهمYou’re familiar with modern deep learning such as transformers, diffusion, and encoders
«familiar» یعنی آشنایی کاری کافی است، نه تخصص پژوهشی؛ باید بدانید این معماری‌ها چطور کار می‌کنند تا بتوانید fine-tune و دیباگشان کنید.
مهمYou bring ownership, urgency, curiosity, and learn fast in a startup setting
در یک تیم کوچک، کسی کار را برایتان کامل تعریف نمی‌کند. آگهی از هدایت پروژه‌های «۰ به ۱» هم نام می‌برد؛ یعنی ساختن چیزی که هنوز وجود ندارد.
مهمStrong communication and interpersonal skills
این نقش با تیم‌های پژوهش، مهندسی و زیرساخت و مستقیم با مشتریان کار می‌کند؛ توضیح روشن نتیجه‌ها و موازنه‌ها بخشی از کار روزانه است.
مهمتحلیل مسئولیت‌ها
As an Applied ML Engineer at Ideogram, you’ll bridge research and product – turning frontier generative models into production features across our first-party app and API.
تعریف خود شرکت از این نقش: مدل‌ها را تیم پژوهش می‌سازد و شما آن‌ها را به ویژگی‌ای تبدیل می‌کنید که کاربر در اپلیکیشن یا API از آن استفاده کند.
You’ll experiment quickly, build rigorous evaluations and datasets, and partner with research, engineering, infra, while working directly/frequently with clients to ship reliable and scalable ML systems.
کار ترکیبی از آزمایش سریع و دقت در ارزیابی است و ارتباط با مشتری هم بخشی از آن است؛ این نقش پشت میز و جدا از کاربر نیست.
You’ll fine-tune and deploy models for creative use cases (text-to-image, image-to-text, image enhancement and editing, multimodal), set clear client success metrics (quality, latency, cost), and contribute to safety, monitoring, and reliability of systems.
کار فنی اصلی fine-tune و استقرار است و هر کار با سه معیار سنجیده می‌شود: کیفیت، سرعت پاسخ و هزینه. ایمنی و پایش پس از انتشار هم بخشی از مسئولیت است.
You’ll lead 0 to 1 projects that shape Applied ML enterprise practices at Ideogram, while delivering features that create delight and real value for our users.
در یک استارتاپ، شما فقط مجری نیستید و روش‌های کار تیم را هم شکل می‌دهید؛ اینجا به‌ویژه روش کار Applied ML برای مشتریان سازمانی.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از مهندس یادگیری ماشین کاربردی می‌دهد: کسی که مدل‌های آماده یا پژوهشی را fine-tune و مستقر می‌کند، ارزیابی و داده را خودش می‌سازد و موفقیت را با کیفیت، سرعت پاسخ و هزینه می‌سنجد. با ۱+ سال تجربه، از آگهی‌های کم‌شمار این عنوان است که سطح ورود پایینی دارد و در شرایطش مدرکی نام نبرده است. بازهٔ حقوق در آن اعلام نشده؛ برای مقایسه، آگهی‌های دیگر این عنوان در آمریکا بازهٔ حقوق پایه را برای Deepgram ۱۵۵ تا ۲۴۵ هزار دلار و برای Databricks ۱۶۶ تا ۲۱۰ هزار دلار اعلام کرده‌اند.
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. 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
پیش‌بینی‌های آینده
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.
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.
BLS پیش‌بینی می‌کند اشتغال در گروه Data Scientists، نزدیک‌ترین گروه رسمی به این نقش، از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند.
دو روند در آگهی‌ها دیده می‌شود. اول، کار با ابزارهای AI انتظار پایه شده است: Deepgram «ذهنیت AI-first» را الزامی می‌داند، WHOOP استفادهٔ روزمره از ابزارهای AI را با همان استاندارد کار شخصی می‌خواهد و Fireworks AI مهندسی agentic و با کمک AI را بخشی از روش کار می‌داند؛ به نظر می‌رسد وزن قضاوت، ارزیابی و طراحی در این کار بیشتر می‌شود. دوم، عنوان‌ها جابه‌جا می‌شوند: لینکدین AI Engineer را سریع‌ترین شغل در حال رشد آمریکا در فهرست Jobs on the Rise ۲۰۲۶ گذاشته و نوشته این نقش با نام Machine learning engineers هم شناخته می‌شود، و خود عنوان Applied ML Engineer در شرکت‌های مختلف معنای متفاوتی دارد. پس به‌جای عنوان، روی مهارت‌هایی سرمایه‌گذاری کنید که در همهٔ این آگهی‌ها مشترک است: داده، ارزیابی و رساندن مدل به محصول.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۵ منبع بررسی شده است.
- Applied Machine Learning — Ideogram, Toronto (job posting)
- Applied ML Engineer - Edge Devices — Deepgram, Remote US (job posting)
- Senior Applied ML Engineer - ML4Sys — Databricks, San Francisco (job posting)
- Applied Machine Learning Engineer, EMEA — Fireworks AI, London (job posting)
- Member of Technical Staff, Applied Machine Learning Engineer — Fireworks AI, Singapore (job posting)
- Applied Machine Learning Engineer - Developer Publications — Apple, London (job posting)
- Senior Applied ML Engineer — CoreWeave (job posting)
- Senior Applied ML Algorithm Engineer — WHOOP, Boston (job posting)
- Staff Applied Machine Learning Scientist — WHOOP, Boston (job posting)
- Software Engineer, Applied ML (Discovery, Recommendation & Search) — Character.AI (job posting)
- Machine Learning Engineer II (Underwriting ML) — Affirm, Remote US (job posting)
- Applied AI Engineer, Enterprise — Anthropic (job posting)
- Applied AI Engineer, Startups — OpenAI (job posting)
- Applied Scientist / Machine Learning Engineer — Wayve, Sunnyvale (job posting)
- Glassdoor — Applied Machine Learning Engineer salary, United States
- Glassdoor — Machine Learning Engineer salary, United States
- Glassdoor — Machine Learning Engineer salary, Canada
- Glassdoor — Machine Learning Engineer salary, United Kingdom
- Glassdoor — Machine Learning Engineer Gehalt, Deutschland
- Glassdoor — Machine Learning Engineer salaris, Nederland
- Glassdoor — Machine Learning Engineer salary, Australia
- Glassdoor — Machine Learning Engineer salary, India
- BLS Occupational Outlook Handbook — Data Scientists
- O*NET OnLine — keyword search: machine learning engineer
- Job Bank (Canada) — Machine Learning Engineer in Canada (NOC 21211)
- LinkedIn Jobs on the Rise 2026: The 25 fastest-growing roles in the U.S.
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- swyx — The Rise of the AI Engineer (Latent Space, 2023)
- Shankar et al. — Operationalizing Machine Learning: An Interview Study (arXiv)
- Shreya Shankar — Thoughts on ML Engineering After a Year of my PhD
- Sculley et al. — Hidden Technical Debt in Machine Learning Systems (NeurIPS 2015)
- Google — Rules of Machine Learning
- Chip Huyen — personal site
- Hamel Husain — Hamel's Blog
- Shreya Shankar — personal site