🧠

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

مهندس یادگیری عمیق

Deep Learning Engineer

مهندس یادگیری عمیق شبکه‌های عصبی را برای داده‌هایی مثل تصویر، ویدیو، دادهٔ حسگر و متن طراحی، آموزش، ارزیابی و مستقر می‌کند و اغلب باید مدل را طوری بهینه کند که روی سخت‌افزار محدودِ یک دوربین، پهپاد یا خودرو اجرا شود. عنوان دقیق «Deep Learning Engineer» در بازار ۲۰۲۶ کم دیده می‌شود: بیشتر شرکت‌ها همین کار را با عنوان‌هایی مثل Machine Learning Engineer، AI Engineer یا Research Engineer آگهی می‌کنند. آگهی‌هایی که این عنوان را دارند بیشتر در بینایی ماشین، پهپاد، رباتیک و خودروی خودران‌اند.

PyTorchPythonComputer VisionTransformer و VLMآموزش روی GPUبهینه‌سازی برای edge (ONNX، TensorRT)MLOps و ردیابی آزمایش

مقدمه و تعریف شغل

مهندس یادگیری عمیق (Deep Learning Engineer) مدل‌های مبتنی بر شبکهٔ عصبی می‌سازد و آن‌ها را تا محصول می‌رساند. آگهی Hayden AI این کار را «ساختن، آموزش، ارزیابی و استقرار مدل‌های ML پیشرفته در پروداکشن و در مقیاس» توصیف می‌کند و Skydio آن را «آموزش و استقرار مدل‌های بهینه‌شده در محصولات» برای مسائلی مثل تخمین عمق، تشخیص و ردیابی اشیا و مکان‌یابی. دو چیز این نقش را از یادگیری ماشین عمومی جدا می‌کند: داده معمولاً تصویر، ویدیو، دادهٔ حسگر یا متن است، و مدل اغلب باید با تأخیر کم روی سخت‌افزار محدود اجرا شود. بخش بزرگی از کار هم با داده است: جمع‌آوری، پاک‌سازی، برچسب‌گذاری و ساختن معیار ارزیابی.

این عنوان در بازار کم دیده می‌شود. هنگام بررسی ما در ۲۲ اکتبر ۲۰۲۶ روی ۲۶۰ تابلوی استخدام شرکت‌های فناوری و AI در Greenhouse، Ashby و Lever (۲۹٬۸۸۵ آگهی باز)، عنوان Machine Learning Engineer یا ML Engineer در ۳۷۳ آگهی و AI Engineer در ۱۵۲ آگهی آمده بود، اما عنوان دقیق Deep Learning Engineer فقط در ۳ آگهی، همه از Shield AI. عبارت «Deep Learning» در کل در عنوان ۲۳ آگهی از ۴ شرکت دیده شد، مثل «Autonomy Engineer - Deep Learning» در Skydio و «Deep Learning Researcher» در IMC. NVIDIA استثناست: ۷۵ آگهی باز در سایت استخدامش «Deep Learning» را در عنوان دارند، اما بیشترشان عنوان‌های تخصصی‌تری مثل Deep Learning Compiler Engineer یا Deep Learning Performance Architect‌اند. در بریتانیا، ITJobsWatch صفحه‌ای برای عنوان Deep Learning Engineer ندارد و یادگیری عمیق را مهارت می‌شمارد: در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، ۱۶۴ آگهی دائم آن را خواسته‌اند و پرتکرارترین عنوان این آگهی‌ها Artificial Intelligence Engineer و Data Scientist (هر کدام ۳۲٫۳٪) بوده است. پس در جستجوی کار، مهارت را جستجو کنید نه فقط عنوان را. ریشهٔ این حرفه به یک تغییر مهندسی برمی‌گردد: طبق ویکی‌پدیا، AlexNet در ۲۰۱۲ فقط با دو کارت گرافیک GeForce آموزش دید و برندهٔ رقابت ImageNet شد، در حالی که پیش از آن شبکه‌های عصبی روی CPU آموزش می‌دیدند.

چه چیزی می‌سازید؟

مثال‌های واقعی از خروجی کار یک مهندس یادگیری عمیق

🚌

ادراک برای اجرای قانون در خطوط اتوبوس

Hayden AI با بینایی ماشین به سازمان‌های حمل‌ونقل عمومی در اجرای قانون خطوط و ایستگاه‌های اتوبوس کمک می‌کند. تیم یادگیری عمیق آن چند مدل را هم در cloud و هم روی دستگاه edge اجرا می‌کند.

🛸

ادراک و پرواز خودکار پهپاد

در Skydio، مهندس یادگیری عمیق مدل‌هایی برای تخمین عمق، optical flow، تشخیص و ردیابی اشیا و مکان‌یابی آموزش می‌دهد و آن‌ها را برای تأخیر کم روی سخت‌افزار embedded بهینه می‌کند.

🧭

مکان‌یابی بدون GPS

تیم State Estimation در Shield AI مدل‌هایی می‌سازد که به سیستم‌های خودمختار کمک می‌کنند وقتی GPS در دسترس یا قابل اعتماد نیست، حرکت خود را بفهمند و موقعیتشان را پیدا کنند.

📷

مدل‌های بسیار کوچک برای دوربین‌های خانگی

Plumerai مدل‌های بینایی ماشین را روی میلیون‌ها دوربین خانگی اجرا می‌کند؛ کوچک‌ترین مدلش فقط ۱ مگابایت حافظه می‌گیرد و در کنار مدل‌های بینایی-زبانی در cloud کار می‌کند.

🚗

رانندگی خودران end-to-end

NVIDIA مهندسی می‌خواهد که مدل‌های بزرگ، از جمله LLM، VLM و VLA، را برای برنامه‌ریزی و استدلال در سیستم رانندگی آموزش دهد؛ سیستمی که روی تراشه‌های NVIDIA در خودروهای تولید انبوه اجرا می‌شود.

📄

استخراج دادهٔ ساختاریافته از اسناد

Trail مدل‌هایی می‌خواهد که دادهٔ بدون ساختار را بدون تنظیم دستی ویژگی به دادهٔ ساختاریافته تبدیل کنند. پروژه‌هایی که آگهی از مهندسان ارشد آن نام می‌برد شامل پردازش فاکتور، رسید و گذرنامه و استخراج جدول‌های پیچیده است.

تخصص‌های مختلف مهندس یادگیری عمیق

این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد

👁️

بینایی ماشین و ادراک

Perception & Computer Vision

تشخیص، بخش‌بندی و ردیابی اشیا در تصویر و ویدیو؛ رایج‌ترین زمینهٔ آگهی‌هایی که این عنوان را دارند، از Hayden AI و Skydio تا Shield AI و Plumerai. آگهی Shield AI در ملبورن تسلط به CNN و Transformer برای طبقه‌بندی، تشخیص و بخش‌بندی و تجربه با foundation modelهای اخیر را می‌خواهد.

🧊

بینایی سه‌بعدی و ناوبری

3D Vision & Navigation

تخمین عمق، pose و ساختار سه‌بعدی و ترکیب مدلِ یادگرفته‌شده با روش‌های هندسی. آگهی State Estimation در Shield AI شناخت مدل دوربین، هندسهٔ چندنما و SLAM را شرط گذاشته و NVIDIA برای مدل‌های Cosmos مهندسی می‌خواهد که دادهٔ آموزشی و ارزیابی استدلال فضایی سه‌بعدی را بسازد.

⚡

بهینه‌سازی مدل برای سخت‌افزار محدود

Edge Optimization & Model Acceleration

فشرده و سریع کردن مدل برای اجرا روی دوربین، پهپاد یا خودرو با روش‌هایی مثل quantization و pruning و ابزارهایی مثل TensorRT و ONNX. Skydio تیمی با عنوان Deep Learning Model Acceleration دارد و Hayden AI دانش پشتهٔ edge شرکت NVIDIA و CUDA را یکی از حوزه‌های نقش آورده است.

🤖

رانندگی خودران و رباتیک

Autonomous Driving & Robotics

مدل‌های end-to-end که از ادراک تا برنامه‌ریزی حرکت را یاد می‌گیرند؛ مثل آگهی NVIDIA برای رانندگی خودران و آگهی Bot Auto برای کامیون‌های خودران. NVIDIA در این آگهی آشنایی با C++ را برای استقرار مدل در نرم‌افزارهای حساس به ایمنی می‌خواهد.

🧩

مدل‌های چندوجهی و درک اسناد

Multimodal Models & Document AI

مدل‌هایی که تصویر و متن را با هم می‌فهمند. Trail شناخت LLM و VLM را شرط پایه گذاشته و روی اسناد کار می‌کند، Plumerai از مهندس می‌خواهد مدل‌های زبانی چندوجهی را بهتر و استقرارشان را بهینه کند، و Hayden AI تجربهٔ fine-tune کردن VLM را یکی از حوزه‌های نقش آورده است.

تفاوت با شغل‌های مشابه

کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟

مهندس یادگیری ماشینMachine Learning Engineer

یادگیری عمیق زیرمجموعهٔ یادگیری ماشین است و بیشتر کارفرماها همین کار را با عنوان Machine Learning Engineer آگهی می‌کنند؛ در بررسی ما ۳۷۳ آگهی با این عنوان در برابر ۳ آگهی با عنوان دقیق Deep Learning Engineer. تفاوت در تمرکز است: آگهی‌هایی که برای صفحهٔ مهندس یادگیری ماشین بررسی شده‌اند بیشتر روی دادهٔ جدولی، مدل‌های کلاسیک مثل gradient boosting و سیستم‌های تصمیم کسب‌وکار (ریسک، توصیه، تبلیغات) کار می‌کنند و یادگیری عمیق یکی از ابزارهای آن‌هاست. آگهی‌هایی که «Deep Learning» در عنوان دارند بیشتر دربارهٔ شبکه‌های عصبی روی تصویر، ویدیو و دادهٔ حسگرند و مدل اغلب باید روی سخت‌افزار محدودی مثل دوربین یا پهپاد اجرا شود.

مهندس هوش مصنوعیAI Engineer

مهندس هوش مصنوعی بیشتر روی مدل‌های آماده محصول می‌سازد: اتصال مدل به داده و ابزارهای شرکت، ایجنت و ارزیابی. مهندس یادگیری عمیق یک لایه پایین‌تر کار می‌کند: خودش شبکه را آموزش یا fine-tune می‌کند، دادهٔ آموزشی و معیار ارزیابی می‌سازد و مدل را برای اجرا بهینه می‌کند. این دو نقش در بازار به هم نزدیک‌اند: در بریتانیا، ITJobsWatch عنوان Artificial Intelligence Engineer را پرتکرارترین عنوان در آگهی‌هایی ثبت کرده که یادگیری عمیق می‌خواهند (۳۲٫۳٪، هم‌رتبه با Data Scientist).

مهندس مدل‌های زبانیLLM Engineer

مهندس LLM از یک مدل زبانی از پیش آموزش‌دیده شروع می‌کند و آن را تطبیق می‌دهد، می‌سنجد، فشرده می‌کند و سرو می‌کند. مهندس یادگیری عمیق با انواع بیشتری از داده کار می‌کند و در آگهی‌های این صفحه بیشتر با تصویر، ویدیو و دادهٔ حسگر سروکار دارد. مرز این دو نزدیک‌تر می‌شود: Hayden AI و Plumerai کار با مدل‌های بینایی-زبانی (VLM) را می‌خواهند و Trail شناخت LLM و VLM را جزو شرایط پایه آورده است.

پژوهشگر هوش مصنوعیAI Researcher

پژوهشگر روش تازه طراحی و آزمایش می‌کند و نتیجه را منتشر می‌کند؛ مهندس یادگیری عمیق مدل را تا محصول می‌رساند. در آگهی‌ها این مرز باز است: Plumerai عنوان Deep Learning Research Engineer را برای کسی به کار می‌برد که مدل را برای میلیون‌ها دوربین آموزش می‌دهد، و Shield AI و Bot Auto انتشار مقاله را امتیاز می‌دانند نه شرط. نقش‌های پژوهشی معمولاً مدرک بالاتری می‌خواهند؛ BLS می‌نویسد پژوهشگران کامپیوتر و اطلاعات معمولاً دست‌کم کارشناسی ارشد لازم دارند.

تأثیر در صنایع مختلف

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

🚌

حمل‌ونقل عمومی

Hayden AI با سیستم ادراک متحرک خود به سازمان‌های حمل‌ونقل در اجرای قانون خطوط و ایستگاه‌های اتوبوس و بهینه‌سازی حمل‌ونقل کمک می‌کند

🛸

پهپاد و بازرسی

به نوشتهٔ Skydio، کاربران پهپادهای خودمختارش از بازرسان تأسیسات برق و امدادگران تا نیروهای نظامی‌اند و فهم معنایی و هندسی جهان از روی تصویر، هستهٔ سیستم خودمختاری آن است

🛡️

دفاع

Shield AI نرم‌افزار خودمختاری Hivemind را می‌سازد و برای ناوبری مبتنی بر تصویر در نبود GPS مهندس یادگیری عمیق می‌خواهد

🚚

خودرو و حمل بار

NVIDIA سیستم رانندگی end-to-end را برای اجرا روی تراشه‌هایش در خودروهای تولید انبوه می‌سازد و Bot Auto کامیون‌های خودران را با معماری‌های end-to-end یادگیری عمیق توسعه می‌دهد

🏠

خانهٔ هوشمند و امنیت

Plumerai مدل‌های بینایی را روی میلیون‌ها دوربین خانگی اجرا می‌کند و طبق آگهی‌اش به امنیت تجاری، مراقبت از سالمندان و خرده‌فروشی هم گسترش می‌یابد

📈

مالی و معاملات

IMC در آگهی Deep Learning Researcher نوشته مدل‌های بزرگ AI آن به‌طور فزاینده معاملاتش را شکل می‌دهند؛ Jump Trading هم نقش‌هایی با عنوان AI Research Engineer – Deep Learning آگهی کرده است

🧾

اسناد و نرم‌افزار سازمانی

Trail مدل‌هایی می‌سازد که اسنادی مثل فاکتور، رسید و گذرنامه را پردازش و جدول‌های پیچیده را استخراج می‌کنند

💽

تراشه و زیرساخت AI

NVIDIA ۷۵ آگهی باز با «Deep Learning» در عنوان دارد، از کامپایلر و کارایی GPU تا ارزیابی دقت مدل‌های پیشرو که پیش از هر انتشار بزرگ انجام می‌شود

تصورات غلط رایج

قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید

برای مهندس یادگیری عمیق شدن حتماً دکترا لازم است

به کارفرما بستگی دارد. Hayden AI برای Deep Learning Engineer کارشناسی یا ارشد و ۱ تا ۲ سال تجربه می‌خواهد و آگهی تازه‌کارهای Bot Auto کارشناسی را می‌پذیرد و نوشته پروژهٔ درسی، پژوهش، پروژهٔ شخصی، کار متن‌باز و کارآموزی «همه حساب می‌شوند». IMC هم برای داوطلبان کارشناسی و ارشد، پایان‌نامه، مشارکت متن‌باز یا پروژه را تجربهٔ پژوهشی می‌داند. در مقابل، Skydio کارشناسی ارشد یا دکترا را شرط گذاشته و Shield AI برای نقش State Estimation کارشناسی ارشد با ۴ سال تجربه یا دکترا با ۲ سال می‌خواهد. هرچه نقش پژوهشی‌تر باشد، احتمال نیاز به مدرک بالاتر بیشتر است.

کار اصلی، طراحی معماری‌های تازهٔ شبکهٔ عصبی است

در آگهی‌ها وزن داده و ارزیابی کمتر از معماری نیست. Skydio استخراج، گزینش و برچسب‌گذاری حجم زیادی ویدیوی واقعی و ساختن benchmark را جزو وظایف آورده و Shield AI مالکیت آماده‌سازی داده و راهبرد برچسب‌گذاری را. NVIDIA در آگهی Cosmos نوشته اگر باور دارید کیفیت مدل‌های پیشرو «در داده و ارزیابی‌ها» برده یا باخته می‌شود، این نقش برای شماست.

کافی است عنوان Deep Learning Engineer را در سایت‌های کاریابی جستجو کنید

این عنوان کم است. در بررسی ما روی ۲۶۰ تابلوی استخدام فقط ۳ آگهی این عنوان دقیق را داشتند، در حالی که Machine Learning Engineer در ۳۷۳ آگهی آمده بود. در Amazon، ۹۵ مورد از ۱۰۰ نتیجهٔ اول جستجوی «deep learning» عنوانی از خانوادهٔ Applied Scientist داشتند. عنوان‌های همین صفحه را هم جستجو کنید: Autonomy Engineer - Deep Learning (Skydio)، Algorithm Engineer, Deep Learning & Vision (Bot Auto) و Deep Learning Research Engineer (Plumerai).

یادگیری عمیق یعنی کار با Python در نوت‌بوک

مدل باید جایی اجرا شود. Skydio کد Python/PyTorch و ترجیحاً C++ می‌خواهد و NVIDIA برای استقرار در سیستم‌های حساس به ایمنی C++ را. Shield AI و Bot Auto تجربه با quantization، TensorRT یا ONNX را امتیاز می‌دانند و Hayden AI از مهندس یادگیری عمیق می‌خواهد خودش مدل را در cloud مستقر کند و با ردیابی آزمایش و نسخه‌گذاری مدل کار کند.

با آمدن مدل‌های زبانی بزرگ، بینایی ماشین و مدل‌های اختصاصی دیگر بازاری ندارند

آگهی‌های ۲۰۲۶ هر دو را با هم می‌خواهند. Plumerai مدل‌های کوچک روی دستگاه را با مدل‌های زبانی چندوجهی در cloud ترکیب می‌کند و Hayden AI در کنار مدل‌های بینایی سه‌بعدی و ویدیویی، fine-tune کردن VLM را هم یکی از حوزه‌های نقش آورده است. طبق ITJobsWatch، LLM در ۵۲٫۴٪ آگهی‌های بریتانیا که یادگیری عمیق می‌خواهند آمده، و PyTorch و TensorFlow هم در ۴۷٫۶٪ و ۴۲٫۱٪.

یک روز کاری واقعی

در هر سطح روز کاری چه شکلی است؟

جونیور (۰–۲ سال)

کارها مشخص‌ترند و زیر نظر متخصصان انجام می‌شوند. در آگهی تازه‌کارهای Bot Auto، تازه‌کار در کل چرخهٔ کار مشارکت می‌کند، از آماده‌سازی و تحلیل داده تا آزمایش مدل، تنظیم hyperparameter و بررسی دقیق معیارها، و هر مهندس با مهندسان ارشد به‌عنوان منتور همراه می‌شود.

◆بررسی یک مجموعه‌دادهٔ تصویری و پیدا کردن برچسب‌های اشتباه یا نمونه‌های تکراری
◆اجرای چند آزمایش آموزش با تنظیمات مختلف و مقایسهٔ نتیجه‌ها
◆پیاده‌سازی و آزمودن روشی از یک مقالهٔ تازه روی دادهٔ شرکت
◆نوشتن اسکریپت ارزیابی برای یک معیار مشخص

میانی (۲–۵ سال)

مسئول یک مدل از داده تا استقرار هستید: طراحی راه‌حل، آموزش، ارزیابی و رساندن آن به cloud یا دستگاه. Hayden AI از Deep Learning Engineer می‌خواهد ایده‌هایش را در سند طراحی و برنامهٔ پروژه روشن بنویسد، در برنامه‌ریزی تیم سهم داشته باشد و با تیم‌های دیگر راه‌حل کامل را تحویل دهد.

◆نوشتن سند طراحی برای یک مدل ادراک تازه
◆تحلیل خطاهای مدل در شرایط مختلف، مثل نور کم یا زاویهٔ دید متفاوت
◆خروجی گرفتن از مدل و اندازه‌گیری تأخیر و حافظه روی سخت‌افزار هدف
◆هماهنگی با تیم پلتفرم برای pipeline آموزش و استقرار

ارشد (۵+ سال)

تمرکز روی رهبری فنی پروژه‌های بزرگ، تعیین روش و استاندارد کیفیت و راهنمایی دیگران است. Hayden AI از Staff Deep Learning Engineer می‌خواهد پروژه‌های بزرگ ادراک را از طراحی تا پروداکشن هدایت کند، مهندسان جونیور و میانی را با code review و بازخورد طراحی راهنمایی کند و استاندارد کیفیت توسعهٔ مدل، MLOps و استقرار را تعیین کند.

◆تعریف رویکرد فنی یک پروژه و هماهنگی آن با تیم‌های پلتفرم و محصول
◆بازبینی طراحی و کد مهندسان دیگر
◆انتخاب بین چند مسیر با سنجیدن دقت، هزینهٔ محاسبه و تأخیر
◆اولویت‌بندی سرمایه‌گذاری‌های فنی تازهٔ تیم

مسئولیت‌ها و وظایف

مسئولیت‌های اصلی

وظایف روزانه و مهارت‌های مورد نیاز در این شغل

فنی

◈آموزش، ارزیابی و بهبود شبکه‌های عصبی برای مسائلی مثل تشخیص و ردیابی اشیا، تخمین عمق یا درک اسناد
◈ساختن و نگهداری pipeline داده: جمع‌آوری، پاک‌سازی، برچسب‌گذاری، حذف نمونه‌های تکراری و نسخه‌گذاری مجموعه‌داده
◈طراحی معیار و benchmark ارزیابی که عملکرد مدل را در شرایط واقعی، مثل نور، زاویهٔ دید و آب‌وهوای متفاوت، بسنجد
◈تحلیل خطاهای مدل و اولویت‌بندی بهبود داده، روش آموزش یا معماری با آزمایش‌های کنترل‌شده
◈بهینه‌سازی مدل برای سخت‌افزار محدود: اندازه‌گیری تأخیر و حافظه، quantization و خروجی گرفتن با ONNX یا TensorRT
◈استقرار مدل در cloud یا روی دستگاه edge و ساختن روند آموزش تکرارپذیر با ردیابی آزمایش و نسخه‌گذاری مدل
◈خواندن مقاله‌های تازه و آزمودن روش‌های امیدوارکننده روی مسئلهٔ واقعی

مهارت نرم

◈نوشتن سند طراحی و برنامهٔ پروژه و توضیح موازنه‌ها برای همکاران فنی و غیرفنی
◈همکاری با تیم‌های نرم‌افزار، پلتفرم، محصول و پژوهش برای رساندن مدل به محصول

مهارت‌های مورد نیاز

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

مهارت‌های فنی

Pythonضروری

زبان اصلی کار در همهٔ آگهی‌های این صفحه؛ طبق ITJobsWatch در ۸۶٪ آگهی‌های بریتانیا که یادگیری عمیق می‌خواهند آمده است

PyTorchضروری

Hayden AI، Skydio، Shield AI و Bot Auto آن را نام برده‌اند؛ طبق ITJobsWatch در ۴۷٫۶٪ این آگهی‌ها در بریتانیا

معماری‌های شبکهٔ عصبیضروری

CNN و Transformer برای طبقه‌بندی، تشخیص و بخش‌بندی (آگهی Shield AI) و معماری‌های مدرن مثل Transformer و CNN (آگهی Bot Auto)

مبانی نظری و ریاضیضروری

بهینه‌سازی، یادگیری آماری و رفتار آموزش شبکهٔ عصبی (آگهی IMC)

کار با دادهضروری

گزینش، برچسب‌گذاری، حذف تکراری‌ها و نسخه‌گذاری مجموعه‌داده (آگهی‌های Skydio، Shield AI و NVIDIA)

ارزیابی و benchmarkضروری

طراحی معیار ارزیابی و benchmark (Skydio)، جلوگیری از data leakage (Shield AI) و تشخیص سیگنال از نویز در نتایج (NVIDIA)

بینایی ماشینمهم

زمینهٔ بیشتر آگهی‌های این عنوان: Hayden AI، Skydio، Shield AI و Plumerai

مدل‌های بینایی-زبانی (VLM)مهم

Hayden AI، Plumerai، Trail و NVIDIA کار با VLM را خواسته‌اند

بهینه‌سازی برای استقرارمهم

quantization، pruning، TensorRT و ONNX و اندازه‌گیری تأخیر و حافظه (آگهی‌های Shield AI، Plumerai و Bot Auto)

MLOps و استقرار در cloudمهم

pipeline، ردیابی آزمایش، نسخه‌گذاری مدل و استقرار در AWS، GCP یا Azure (آگهی Hayden AI)؛ طبق ITJobsWatch، MLOps در ۲۹٫۹٪ آگهی‌های بریتانیا با این مهارت آمده است

آموزش توزیع‌شده روی چند GPUمفید

آموزش روی خوشه‌های چند GPU و FSDP (آگهی Cosmos در NVIDIA)

C++مفید

Skydio آن را ترجیح می‌دهد و NVIDIA برای استقرار در سیستم‌های حساس به ایمنی می‌خواهد

مهارت‌های نرم

نوشتن سند طراحی و برنامهٔ پروژهضروری

Hayden AI بیان روشن ایده‌ها به‌صورت شفاهی و نوشتاری در قالب سند طراحی را جزو وظایف آورده است

خواندن مقاله و تبدیل آن به کدضروری

Skydio استفاده از مقاله‌های روز برای پیشرفت سریع و Bot Auto دنبال کردن و آزمودن روش‌های تازه را می‌خواهند

آزمایش منظم و صداقت در خواندن نتیجهمهم

Shield AI تحلیل خطا با آزمایش‌های کنترل‌شده را می‌خواهد و NVIDIA کسی را که نتیجه‌ها را آن‌قدر صادقانه بخواند که ایدهٔ خودش را کنار بگذارد

همکاری با تیم‌های دیگرمهم

کار مشترک با تیم‌های پلتفرم، محصول، نرم‌افزار و پژوهش (آگهی‌های Hayden AI، Shield AI و NVIDIA)

دانش حوزه‌ای

هندسهٔ سه‌بعدی و مدل دوربینمفید

مدل دوربین، تبدیل مختصات و هندسهٔ چندنما (آگهی State Estimation در Shield AI) و ساختن دادهٔ مرجع سه‌بعدی (آگهی Cosmos در NVIDIA)

سخت‌افزار edgeمفید

پشتهٔ edge شرکت NVIDIA و CUDA (آگهی Hayden AI) و سخت‌افزار embedded (آگهی‌های Skydio و Shield AI)

رانندگی خودران و رباتیکمفید

Bot Auto کارآموزی در صنعت خودروی خودران یا آزمایشگاه رباتیک و Hayden AI تجربه در شرکت‌های خودروی خودران را امتیاز می‌دانند

نرم‌افزار حساس به ایمنیمفید

NVIDIA یکپارچه کردن مدل با firmware خودرو و تحویل نرم‌افزار حساس به ایمنی در سطح پروداکشن را جزو کار آورده است

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

نقشه راه و مسیر آموزشی

نقشه راه تبدیل شدن به مهندس یادگیری عمیق

مالکیت یک مدل از داده تا استقرار در cloud یا روی دستگاه، با سند طراحی و برنامهٔ پروژه. عنوان‌ها یکسان نیستند: آگهی Shield AI در ملبورن با عنوان Staff Deep Learning Engineer، ۳ تا ۵ سال تجربهٔ صنعتی در حل مسائل بینایی ماشین با یادگیری عمیق می‌خواهد

Computer VisionData pipelinesMLOpsبهینه‌سازی inferenceC++

مهندس ارشد یادگیری عمیق

۵+ سال

طراحی روش و معیار ارزیابی، آموزش مدل‌های بزرگ و رهبری فنی پروژه. Trail برای Deep Learning Engineer ۵ تا ۸ سال تجربه می‌خواهد و NVIDIA برای Deep Learning Senior Engineer دکترا با ۴ سال یا کارشناسی ارشد با ۶ سال تجربهٔ مرتبط

Distributed TrainingVLM / LLMBenchmark DesignTechnical Leadership

Staff / Principal Deep Learning Engineer

۸+ سال

رهبری پروژه‌های بزرگ از طراحی تا پروداکشن، تعیین استاندارد کیفیت و منتورینگ. Hayden AI برای Staff Deep Learning Engineer دست‌کم ۸ سال تجربه و تسلط در دست‌کم دو حوزهٔ ادراک می‌خواهد و آگهی Senior Deep Learning Engineer در تیم Cosmos شرکت NVIDIA ۱۲ سال تجربه یا بیشتر

Technical StrategyMentoringCross-team AlignmentCloud & Edge Deployment

تحقیقاتی

آگهی‌های ۲۰۲۶ روش‌های تازه را جزو شرایط آورده‌اند: Shield AI در ملبورن تجربه با foundation modelهای اخیر را شرط گذاشته و در آگهی State Estimation آشنایی با diffusion و flow matching را امتیاز می‌داند، و Skydio و Bot Auto دنبال کردن مقاله‌های تازه را بخشی از کار می‌دانند. یادگیری مداوم جزو خود شغل است.

حقوق و بازار کار جهانی

حقوق جهانی مهندس یادگیری عمیق

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

کشور	حداقل	میانه / میانگین	حداکثر	ارز
🇺🇸آمریکا	$98,600	$121,867	$150,623	USD
🇨🇦کانادا	CA$61,078	CA$89,259	CA$130,441	CAD
🇬🇧انگلستان	£45,551	£59,014	£76,457	GBP
🇩🇪آلمان	€55,000	€63,750	€74,845	EUR
🇳🇱هلند	€43,500	€50,000	€62,000	EUR
🇮🇳هند	₹600,000	₹1,000,000	₹1,560,000	INR

* ارقام سالانه‌اند. منبع هر رقم:

چگونه از صفر شروع کنیم

برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی

ماه ۱: PyTorch و شبکهٔ عصبی

مبانی PyTorch را یاد بگیرید و یک شبکهٔ ساده را از ابتدا آموزش دهید تا backpropagation برایتان ملموس شود.

Learn the Basics — PyTorch Neural networks — 3Blue1Brown

ماه ۲: یادگیری عمیق از پایه

آموزش، regularization و debug کردن آموزش را با کد تمرین کنید.

Neural Networks: Zero to Hero — Karpathy Dive into Deep Learning

ماه ۳: بینایی ماشین

CNN، تشخیص و بخش‌بندی اشیا و transfer learning؛ پروژهٔ طبقه‌بند تصویر با تحلیل خطا.

CS231n — یادداشت‌های درس Hugging Face Computer Vision Course

ماه ۴: Transformer و مدل‌های بینایی-زبانی

Attention و Transformer را بفهمید و یک مدل از پیش آموزش‌دیده را fine-tune کنید.

Attention Is All You Need Hugging Face LLM Course

ماه ۵: استقرار و بهینه‌سازی

از مدل خروجی ONNX بگیرید، آن را quantize کنید و تأخیر و دقت را قبل و بعد بسنجید.

ONNX Runtime — مستندات torchao — مستندات

ماه ۶: پروژهٔ کامل و جستجوی کار

Andrej Karpathy

پیشینه

در براتیسلاوا به دنیا آمد و در ۱۵ سالگی با خانواده‌اش به تورنتو رفت. طبق ویکی‌پدیا، کارشناسی کامپیوتر و فیزیک را در ۲۰۰۹ از دانشگاه تورنتو و کارشناسی ارشد را در ۲۰۱۱ از دانشگاه بریتیش کلمبیا گرفت و در ۲۰۱۵ دکترایش را در Stanford زیر نظر Fei-Fei Li، روی تلاقی پردازش زبان طبیعی و بینایی ماشین، تمام کرد.

دستاورد

نویسنده و مدرس اصلی CS 231n، اولین درس یادگیری عمیق Stanford، بود که از ۱۵۰ دانشجو در ۲۰۱۵ به ۷۵۰ دانشجو در ۲۰۱۷ رسید. از اعضای بنیان‌گذار OpenAI بود و از ژوئن ۲۰۱۷ تا ژوئیهٔ ۲۰۲۲ مدیر AI و بینایی Autopilot در Tesla. در ۲۰۲۴ شرکت آموزشی Eureka Labs را راه انداخت و سری آموزشی Zero to Hero را ساخته است. طبق ویکی‌پدیا در مه ۲۰۲۶ به Anthropic پیوست تا تیمی را در پژوهش pretraining رهبری کند.

درس کلیدی

مسیر او نشان می‌دهد ساختن چیزها از صفر و توضیح دادنشان برای دیگران، خودش راهی برای عمیق یاد گرفتن است. منابع رایگان او، مثل Zero to Hero و nanoGPT، در نقشهٔ راه همین صفحه هم آمده‌اند.

François Chollet

پیشینه

مهندس نرم‌افزار و پژوهشگر AI فرانسوی است. طبق ویکی‌پدیا، در ۲۰۱۲ مدرک مهندسی (معادل کارشناسی ارشد) را از ENSTA Paris گرفت و در ۲۰۱۵، کمی پس از انتشار Keras، به Google رفت و بیش از ۹ سال آن‌جا ماند.

دستاورد

سازندهٔ کتابخانهٔ یادگیری عمیق Keras (۲۰۱۵) است. طبق ویکی‌پدیا، مقالهٔ Xception او بیش از ۱۸ هزار ارجاع دارد و کتاب Deep Learning with Python او بیش از ۱۰۰ هزار نسخه فروخته است. در ۲۰۱۹ بنچمارک ARC-AGI را برای سنجش توانایی حل مسائل استدلالی تازه منتشر کرد، در ۲۰۲۴ مسابقهٔ یک میلیون دلاری ARC Prize را راه انداخت و در نوامبر ۲۰۲۴ Google را ترک کرد تا استارتاپ تازه‌ای بسازد.

درس کلیدی

شناخته‌شده‌ترین کار او یک ابزار است، نه یک مقاله. به نظر می‌رسد ساختن ابزاری که کار دیگران را ساده کند و نوشتن آموزشی روشن برای آن، از راه‌های اثرگذار برای یک مهندس یادگیری عمیق است. ویرایش سوم کتابش، که با Matthew Watson نوشته، به‌صورت آنلاین خواندنی است.

Alex Krizhevsky

پیشینه

دانشمند کامپیوتر کانادایی است که در دانشگاه تورنتو دانشجوی دکترای Geoffrey Hinton بود. طبق ویکی‌پدیا، تا پیش از کار او و همکارانش شبکه‌های عصبی روی CPU آموزش می‌دیدند.

دستاورد

در ۲۰۱۲ همراه Ilya Sutskever و Geoffrey Hinton شبکهٔ AlexNet را ساخت و آن را فقط با دو کارت گرافیک GeForce آموزش داد. AlexNet برندهٔ رقابت ImageNet در ۲۰۱۲ شد و مقاله‌اش در NeurIPS همان سال ارائه شد؛ ویکی‌پدیا می‌نویسد AlexNet به‌طور گسترده آغازگر انقلاب یادگیری عمیق شمرده می‌شود. او و Sutskever استارتاپشان DNN Research را به Google فروختند. Krizhevsky نویسندهٔ اصلی مجموعه‌داده‌های CIFAR-10 و CIFAR-100 هم هست و در سپتامبر ۲۰۱۷ از Google به شرکت Dessa رفت.

درس کلیدی

بخشی از جهش AlexNet مهندسی بود: بردن آموزش به GPU. مهارت‌هایی که شاید فرعی به نظر برسند، مثل نوشتن کد کارا برای سخت‌افزار یا ساختن یک مجموعه‌دادهٔ خوب، گاهی همان چیزی‌اند که یک ایده را ممکن می‌کنند.

نمونه آگهی استخدام واقعی + تحلیل

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

Deep Learning Engineer

Hayden AIسان‌فرانسیسکو، آمریکا (ترکیبی؛ دست‌کم ۳ روز در هفته در دفتر)2026-06-18

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

تحلیل نیازمندی‌ها

Experience: 1-2 years experience building and deploying machine learning models for perception in production settings.

این از معدود آگهی‌های این عنوان است که سطح ورودی نزدیک به جونیور دارد. کلمهٔ کلیدی «در پروداکشن» است: پروژه‌ای که فقط در نوت‌بوک مانده این شرط را پر نمی‌کند؛ مدلی که مستقر شده و کار کرده، می‌کند.

ضروری

Core Skills: Solid hands-on experience designing, training, and evaluating machine learning models for perception.

ادراک (perception) یعنی فهمیدن صحنه از روی تصویر یا ویدیو: تشخیص، ردیابی، تخمین عمق. ارزیابی کنار طراحی و آموزش آمده؛ یعنی باید بتوانید نشان دهید مدل کجا خوب و کجا بد کار می‌کند.

ضروری

Demonstrated ability to independently build ML pipelines and deploy models to cloud environments (AWS, GCP, or Azure); familiarity with MLOps practices including experiment tracking, model versioning, and automated workflows.

مهندس یادگیری عمیق در این تیم خودش مدل را مستقر می‌کند و آن را به تیم دیگری تحویل نمی‌دهد. ردیابی آزمایش و نسخه‌گذاری مدل یعنی هر نتیجه باید قابل تکرار و قابل ردیابی باشد.

ضروری

Hands-on experience in PyTorch, Python, and related skills.

PyTorch فریم‌ورک مشترک تقریباً همهٔ آگهی‌های این صفحه است؛ طبق ITJobsWatch در ۴۷٫۶٪ آگهی‌های بریتانیا که یادگیری عمیق می‌خواهند هم آمده است.

ضروری

Education: Bachelors or Masters in Computer Science or related field

دکترا نخواسته است. آگهی همچنین نوشته مهارت و توانایی به شکل‌های مختلف به دست می‌آید و از تجربه‌های متنوع استقبال می‌کند؛ برای کسی که از رشتهٔ دیگری می‌آید، پروژه‌های مستقرشده باید جای خالی مدرک را پر کنند.

مهم

Personal Attributes:Good communicator, self starter and ability to collaborate with others, quick learner who can adapt to a fast paced startup culture

در تیم کوچک استارتاپی کسی کار را برایتان خرد نمی‌کند. توانایی شروع کار بدون دستور دقیق و توضیح روشن آن برای دیگران، به اندازهٔ مهارت فنی وزن دارد.

مهم

Deep knowledge of Nvidia edge device stack for running ML models and cuda know-how in terms delivering highly optimized models

یکی از پنج حوزه‌ای است که آگهی می‌گوید داشتن آشنایی یا تخصصِ در حال رشد در دست‌کم یکی از آن‌ها کافی است و تسلط از روز اول لازم نیست. چون تیم بخشی از مدل‌ها را روی دستگاه edge اجرا می‌کند، بهینه کردن مدل برای سخت‌افزار NVIDIA و CUDA ارزش مستقیم دارد.

مفید

Deep understanding of Vision language models and hands-on experience fine tuning them,

حوزهٔ دیگری از همان فهرست پنج‌تایی. نشان می‌دهد مدل‌های بینایی-زبانی وارد کار روزمرهٔ تیم‌های بینایی ماشین شده‌اند و fine-tune کردن آن‌ها یک امتیاز واقعی است.

مفید

Nice to Have: Experience working in perception problems in self driving car companies that aligns closely with the work of this team.

مسائل ادراک در خودروی خودران به کار این تیم نزدیک است. اگر چنین سابقه‌ای ندارید، پروژه‌ای روی ویدیوی خیابان و ترافیک می‌تواند همین نزدیکی را نشان دهد.

مفید

تحلیل مسئولیت‌ها

In this role, you will build, train, evaluate and deploy state of the art ML models in production at scale.

کل چرخه با شماست: ساختن، آموزش، ارزیابی و استقرار. تیم مدل‌ها را هم در cloud و هم روی دستگاه edge اجرا می‌کند، پس محدودیت محل اجرا از ابتدا در تصمیم‌ها اثر دارد.

Come up with solutions to complex problems in perception using deep learning.

مسئله آماده تحویل داده نمی‌شود. باید راه‌حل را خودتان انتخاب و توجیه کنید، از انتخاب مدل و داده تا روش ارزیابی.

Articulate ideas both verbally and in written form culminating in clear design and project plan docs for their work

نوشتن سند طراحی و برنامهٔ پروژه بخشی از شغل است. تمرین نوشتن README و گزارش روشن برای پروژه‌های شخصی، همین مهارت را می‌سازد.

Contribute to team roadmap and planning

حتی در سطح ۱ تا ۲ سال تجربه، انتظار دارند در تصمیم‌گیری دربارهٔ کارهای بعدی تیم نظر بدهید، نه فقط وظیفه بگیرید.

Work with cross functional teams across the company and contribute towards delivery of end to end solutions for the customer

مدل به‌تنهایی محصول نیست. کار با تیم‌های پلتفرم و محصول برای رساندن راه‌حل کامل به مشتری جزو وظایف است.

نتیجه‌گیری کلی

این آگهی تصویر روشنی از مهندس یادگیری عمیق در ۲۰۲۶ می‌دهد: کسی که مدل ادراک را خودش طراحی، آموزش، ارزیابی و مستقر می‌کند، در cloud یا روی دستگاه edge، و کارش را در سند طراحی توضیح می‌دهد. برخلاف بیشتر آگهی‌های این عنوان، ۱ تا ۲ سال تجربه کافی است و دکترا نخواسته‌اند؛ اما آن تجربه باید با مدل‌هایی باشد که واقعاً در پروداکشن کار کرده‌اند. بازهٔ حقوق پایهٔ اعلام‌شده ۱۶۱٬۶۳۷ تا ۱۷۵٬۰۰۰ دلار به‌علاوهٔ سهام و پاداش است. نسخهٔ Staff همین نقش در Hayden AI دست‌کم ۸ سال تجربه می‌خواهد و بازهٔ ۲۳۰٬۵۲۲ تا ۲۹۹٬۶۷۹ دلار اعلام کرده است.

آینده و روندها

پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید

BLS آمریکا گروه شغلی جداگانه‌ای برای Deep Learning Engineer یا ML Engineer ندارد و جستجوی O*NET برای این عنوان هم شغل منطبقی پیدا نمی‌کند. نزدیک‌ترین گروه رسمی، همان که صفحهٔ مهندس یادگیری ماشین هم به کار می‌برد، Data Scientists است: BLS پیش‌بینی می‌کند اشتغال در این گروه از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند، «بسیار سریع‌تر از میانگین همهٔ مشاغل»، با حدود ۲۴٬۸۰۰ فرصت شغلی در سال. برای نقش‌های پژوهشی‌تر، گروه Computer and Information Research Scientists نزدیک‌تر است که BLS برای آن ۲۲٪ رشد در همین دوره پیش‌بینی می‌کند.

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

مهارت‌های نوظهور که باید یاد بگیرید

مدل‌های بینایی-زبانی و VLA (Hayden AI، Plumerai، NVIDIA)Foundation model و knowledge distillation برای یادگیری با برچسب کمتر (Skydio)دادهٔ مصنوعی (synthetic data) در مقیاس بزرگ (Skydio)استدلال فضایی سه‌بعدی و مدل‌های جهان برای Physical AI (NVIDIA Cosmos)ارزیابی مدل‌های پیشرو و سیستم‌های agentic (NVIDIA)Diffusion و flow matching در بینایی ماشین (Shield AI)Quantization و استقرار روی سخت‌افزار embedded (Shield AI، Plumerai، Bot Auto)

پیش‌بینی‌های آینده

2030

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

2035

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

2035

BLS برای گروه Computer and Information Research Scientists، که به نقش‌های پژوهشی یادگیری عمیق نزدیک‌تر است، ۲۲٪ رشد از ۲۰۲۵ تا ۲۰۳۵ پیش‌بینی می‌کند.

ریسک‌های واقعی

سه روند در داده‌ها و آگهی‌ها دیده می‌شود. اول، این عنوان در عنوان‌های بزرگ‌تر حل می‌شود: در بررسی ما فقط ۳ آگهی از ۲۹٬۸۸۵ آگهی باز عنوان دقیق Deep Learning Engineer داشتند و ITJobsWatch در بریتانیا پرتکرارترین عنوانِ آگهی‌هایی را که یادگیری عمیق می‌خواهند AI Engineer و Data Scientist ثبت کرده است؛ پس مهارت را به‌جای عنوان جستجو کنید. دوم، مدل‌های زبانی وارد این کار شده‌اند: طبق ITJobsWatch، LLM در ۵۲٫۴٪ این آگهی‌ها آمده و Hayden AI، Plumerai و NVIDIA کار با VLM را می‌خواهند. سوم، سطح ورود بالاست: بیشتر آگهی‌ها چند سال تجربه یا مدرک تحصیلات تکمیلی می‌خواهند و موقعیت‌هایی مثل Hayden AI با ۱ تا ۲ سال تجربه کم‌اند. در مقابل، تقاضا برای خود مهارت در بریتانیا بالا رفته است: ۱۶۴ آگهی دائم در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، در برابر ۴۷ آگهی در همین بازه در ۲۰۲۵.

منابع

اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۳ منبع بررسی شده است.

برای راهنمایی شخصی‌سازی‌شده مشاوره بگیرید