مهندس گراف دانش
Knowledge Graph Engineer
مهندس گراف دانش داده‌های پراکندهٔ یک سازمان را، از جدول‌های پایگاه داده تا رویدادها، گزارش‌ها و متن آزاد، به شبکه‌ای از موجودیت‌ها و رابطه‌های میان آن‌ها تبدیل می‌کند. هستی‌شناسی (ontology) و طرح‌وارهٔ گراف را طراحی یا پیاده می‌کند، pipeline هایی می‌نویسد که موجودیت‌ها را استخراج و یکی‌سازی (entity resolution) می‌کنند، کیفیت گراف را با قواعدی مثل SHACL می‌سنجد و گراف را برای جستجو، تحلیل و، در آگهی‌های ۲۰۲۶ بیش از همه، برای ایجنت‌های هوش مصنوعی و GraphRAG قابل پرس‌وجو می‌کند. این عنوان در آگهی‌های ۲۰۲۶ واقعاً به کار می‌رود (مثلاً در EcoVadis، Redpine و Capgemini Engineering)، اما همین کار با عنوان‌های دیگری هم آگهی می‌شود: Ontologist یا Ontology Engineer (Amazon، Samba TV، Lockheed Martin)، Semantic AI Engineer (AbbVie) و عنوان‌های عمومی‌تری مثل Data Engineer یا Research Engineer با پسوند Knowledge Graph (Point72، OpenAI). فرقش با مهندس RAG این است که مهندس RAG کیفیت بازیابی از متن و نمایهٔ برداری را بالا می‌برد و مهندس گراف دانش خودِ ساختار دانش را می‌سازد؛ ساختاری که پاسخ دادن به پرسش‌های چندمرحله‌ای را ممکن می‌کند.
مقدمه و تعریف شغل
مهندس گراف دانش (Knowledge Graph Engineer) لایه‌ای می‌سازد که در آن داده‌های یک سازمان به شکل موجودیت‌ها و رابطه‌ها ذخیره می‌شوند و معنای آن‌ها با یک طرح‌وارهٔ رسمی (ontology) تعریف شده است. کارش سه بخش دارد: مدل‌سازی (کدام موجودیت‌ها و رابطه‌ها و با چه قیدهایی)، ساختن و نگه داشتن گراف (pipeline، یکی‌سازی موجودیت‌ها، کنترل کیفیت با SHACL، ردگیری منبع هر ادعا) و در دسترس گذاشتن آن (پرس‌وجوهای SPARQL و Cypher، API، و در ۲۰۲۶ ابزار برای ایجنت‌های LLM). در بعضی شرکت‌ها مدل‌سازی با Ontologist است و مهندس آن را عملیاتی می‌کند؛ EcoVadis می‌نویسد مهندس گراف دانش ontologyهایی را که معماران بازنمایی دانش طراحی کرده‌اند به سیستم‌های پربازده تبدیل می‌کند. در شرکت‌های کوچک‌تر، مثل Redpine، یک نفر هر دو کار را انجام می‌دهد.
به نوشتهٔ ویکی‌پدیا، Google در ۲۰۱۲ Knowledge Graph خود را معرفی کرد و آن را از جمله بر پایهٔ DBpedia و Freebase ساخت؛ محبوبیت آن اصطلاح «گراف دانش» را رایج کرد و بعد شرکت‌هایی مثل Facebook، LinkedIn، Airbnb، Microsoft، Amazon، Uber و eBay هم از استفاده‌شان از گراف دانش گفتند. با آمدن مدل‌های زبانی بزرگ، علاقه به گراف دانش برای ساختار دادن به اطلاعات متنی بیشتر شد و GraphRAG از Microsoft Research در ۲۰۲۴ گراف‌های ساخته‌شده با LLM را وارد RAG کرد. آگهی‌های ۲۰۲۶ همین مسیر را نشان می‌دهند: EcoVadis گراف را برای ایجنت‌های خودکار می‌سازد، Reddit می‌خواهد گراف با الگوهای LLM و ایجنتی ساخته شود، OpenAI در تیم جستجو روی استخراج گراف از محتوای وب کار می‌کند و Fluidstack می‌خواهد ایجنت‌ها با دسترسی مجاز و ردگیری منبع، کسب‌وکار را پرس‌وجو کنند. دامنهٔ حقوق در آگهی‌های آمریکا پراکنده است: از ۸۲٬۷۰۰ تا ۱۴۴٬۷۰۰ دلار برای Ontologist در Amazon تا ۲۰۰ تا ۳۰۰ هزار دلار حقوق پایه برای Data Engineer, Knowledge Graph در شرکت سرمایه‌گذاری Point72.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس گراف دانش
گراف دانش محصولات
در Amazon، تیم Ontology مدل‌های دادهٔ معنایی و قابل گسترش برای کاتالوگ محصولات می‌سازد تا مشتری راحت‌تر محصول را پیدا کند، با تحلیل رفتار کشف محصول این مدل‌ها را بهتر می‌کند و طبق آگهی با هوش مصنوعی مولد طرح‌وارهٔ تازه می‌سازد.
گراف مخاطب و هویت
در Samba TV رویدادهای خام تماشای تلویزیون و فعالیت وب با PySpark به ویژگی‌های پایدار گراف تبدیل می‌شود (علاقه به ژانر، برند و موضوع) و عنوان‌های محتوا، دستگاه‌ها، مخاطبان و تبلیغ‌دهندگان به گره‌های مرجع یکی می‌شوند.
گراف دانش برای ایجنت‌ها
در EcoVadis داده‌های ERP، گزارش‌های پایداری و جریان‌های داده به گراف تبدیل می‌شوند و ایجنت‌ها از طریق پرس‌وجوهای Cypher و SPARQL، ابزار NL2Query و endpoint های MCP به آن دسترسی دارند؛ هدف کمک به کربن‌زدایی و انطباق زنجیرهٔ تأمین است.
گراف دانش علمی
در پروژهٔ علوم زیستی Capgemini Engineering، مفاهیم زیستی (ژن، پروتئین، بیماری، فنوتیپ، ترکیب و آزمایش) به مدل‌های RDF هم‌راستا با ontology تبدیل می‌شوند و هر ادعا تا منبع و شواهدش قابل ردگیری است.
گراف مکان‌ها و کسب‌وکارهای محلی
در NewsBreak داده‌های چندمنبعی و متناقض دربارهٔ مکان‌ها و کسب‌وکارها در یک گراف محلی یکی می‌شوند تا جستجو، کشف و تطبیق در محصول روی آن کار کند.
گراف دانش مالی
در Point72 گرافی ساخته می‌شود که شرکت‌ها، صنایع و بینش‌های اقتصادی را به هم وصل می‌کند و الگوریتم‌های گراف روی آن الگوهای پنهان در دادهٔ مالی را برای تصمیم‌های سرمایه‌گذاری پیدا می‌کنند.
تخصص‌های مختلف مهندس گراف دانش
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
هستی‌شناس و مهندس ontology
Ontologist / Ontology Engineer
تمرکز بر طراحی، حاکمیت و نسخه‌بندی ontology. عنوان رایج در Amazon، Samba TV، Siemens Energy و Lockheed Martin؛ مسیری که برای کسانی با پیشینهٔ کتابداری، زبان‌شناسی یا یک دامنهٔ تخصصی هم باز است.
گراف دانش برای ایجنت‌ها و GraphRAG
Knowledge Graph for AI Agents / GraphRAG
ساخت گراف و لایهٔ بازیابی برای مدل‌های زبانی: GraphRAG، NL2Query و ابزارهای MCP. محور آگهی‌های EcoVadis و Redpine، و در AbbVie در قالب APIها، ابزارهای MCP و ایجنت‌ها روی ontologyهای سازمان.
یکی‌سازی موجودیت و گراف هویت
Entity Resolution / Identity Graph
یکی کردن رکوردهای یک موجودیت که در منابع مختلف با نام و شناسهٔ متفاوت آمده‌اند. هستهٔ کار تیم Knowledge Graph & Identity در Samba TV، گراف مکان‌های NewsBreak و تیم Ontology در Fluidstack که می‌خواهد هر دستگاه از طراحی تا خرابی یک هویت داشته باشد.
گراف دانش علوم زیستی
Life Sciences Knowledge Graph
گراف ژن، پروتئین، بیماری و دارو بر پایهٔ ontologyهای OBO Foundry مثل Gene Ontology، MONDO و HPO. Capgemini Engineering برای این نقش کارشناسی ارشد یا دکترا در زیست‌شناسی یا رشته‌های نزدیک، یا تجربهٔ معادل، می‌خواهد.
پژوهش استخراج دانش
Knowledge Extraction Research
روش‌هایی برای بیرون کشیدن موجودیت، ویژگی و رابطه از محتوای ناهمگون وب در مقیاس بزرگ، و سنجش اینکه این ساختار چقدر به استدلال مدل کمک می‌کند. نمونه: نقش Research Scientist / Research Engineer در تیم Search شرکت OpenAI.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
Ontologist بیشتر روی خودِ مدل کار می‌کند: پرسش‌های شایستگی را با تیم‌های دامنه مستند می‌کند و ontology را طراحی و نگهداری می‌کند (Siemens Energy). Amazon برای این عنوان مدرک کتابداری، سیستم‌های اطلاعاتی یا زبان‌شناسی را هم می‌پذیرد. مهندس گراف دانش همان مدل را در پروداکشن پیاده می‌کند؛ EcoVadis این تقسیم کار را صریح نوشته و در Samba TV هم Ontology Engineer زیر نظر Senior Ontologist کار می‌کند. مرز دو نقش نرم است: Senior Ontologist در Samba TV خودش pipeline های Python و SPARQL می‌نویسد.
مهندس RAG کیفیت بازیابی از اسناد را بالا می‌برد: تکه‌بندی، embedding، جستجوی hybrid، reranking و ارزیابی. مهندس گراف دانش ساختاری می‌سازد که بازیابی چندمرحله‌ای روی آن ممکن است. Redpine تفاوت را این‌طور می‌نویسد: جستجوی برداری روی تکه‌های متن تا وقتی کار می‌کند که پرسش چند مرحله لازم نداشته باشد. دو نقش در GraphRAG به هم می‌رسند؛ EcoVadis از مهندس گراف دانش می‌خواهد لایهٔ بازیابی GraphRAG را با مهندسان AI/ML بسازد، و Redpine از نامزد می‌خواهد بداند کی گراف لازم است و کی بازیابی ساده‌تر کافی است.
ابزارها مشترک‌اند: Samba TV گراف را با PySpark و Databricks می‌سازد، EcoVadis dbt می‌خواهد و Point72 این نقش را اصلاً Data Engineer, Knowledge Graph نامیده است. تفاوت در خروجی است: مهندس داده جدول و انبار داده برای تحلیل تحویل می‌دهد و مهندس گراف دانش گرافی با طرح‌وارهٔ رسمی، هویت یکتا برای هر موجودیت و قواعد اعتبارسنجی. در آگهی‌های بریتانیا که ontology می‌خواهند، طبق ITJobsWatch، ۷۸٪ مدل‌سازی داده و ۴۳٫۹٪ مهندسی داده را هم خواسته‌اند.
معمار داده برای کل داده‌های سازمان تصمیم می‌گیرد: ساختار، پلتفرم، جابه‌جایی و قواعد حاکمیت. مهندس گراف دانش یک لایهٔ مشخص در این معماری را می‌سازد، یعنی لایهٔ معنایی که موجودیت‌ها و رابطه‌ها را به هم وصل می‌کند. در عمل این کار اغلب داخل همان ساختار حاکمیت داده انجام می‌شود: Ontologist در Siemens Energy با تیم‌های حاکمیت داده کار می‌کند و تیم معماری دادهٔ مرجع در AbbVie لایهٔ معنایی‌ای می‌سازد که ontologyها و واژگان کنترل‌شده را به برنامه‌های اصلی دادهٔ شرکت وصل می‌کند.
تأثیر در صنایع مختلف
مهندس گراف دانش در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
رسانه و تبلیغات
Samba TV محصولات سنجش و شناخت مخاطب را روی گرافی می‌سازد که رفتار تماشا را به علاقه‌های پایدار به ژانر، برند و موضوع تبدیل می‌کند
پایداری و زنجیرهٔ تأمین
EcoVadis گراف دانش را برای ایجنت‌هایی می‌سازد که در کربن‌زدایی، انطباق خرید پایدار و تاب‌آوری زنجیرهٔ تأمین کار می‌کنند و دادهٔ داخلی را به ثبت‌های بیرونی مثل GLEIF وصل می‌کند
مالی و سرمایه‌گذاری
Point72 گراف دانش مالی می‌سازد که شرکت‌ها، صنایع و اقتصاد را به هم وصل می‌کند تا به تصمیم‌های سرمایه‌گذاری کمک کند
تجارت الکترونیک
تیم Product Knowledge در Amazon ontologyهای کاتالوگ محصول را می‌سازد تا کشف محصول در وب و موبایل بهتر شود
علوم زیستی و دارو
Capgemini Engineering گراف دانش علمی برای پاسخ به پرسش‌های علمی می‌سازد و AbbVie لایه‌ای معنایی می‌سازد که ontologyها و واژگان کنترل‌شده را به داده‌های اصلی شرکت وصل می‌کند
دفاع
Lockheed Martin ontology و گراف دانش را برای کاربردهای دفاعی و اطلاعاتی در محیط‌های امن و جدا از اینترنت می‌خواهد
شبکه‌های اجتماعی و جستجو
دادهٔ گراف دانش Reddit در مدل‌های بازار تبلیغات و قابلیت‌های کاربرمحور reddit.com به کار می‌رود و آگهی، خرید، جستجو و فید را فرصت‌های بعدی می‌داند؛ OpenAI هم در تیم جستجو روی استخراج گراف از محتوای وب برای مدل‌ها کار می‌کند
انرژی
Siemens Energy با ontologyهای دامنه و واژگان کنترل‌شده به دادهٔ مرجع و master data معنا می‌دهد تا داده در کل سازمان قابل استفادهٔ دوباره باشد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
گراف دانش یعنی Neo4j
بازار دو خانوادهٔ فناوری را می‌خواهد. EcoVadis تجربه با property graph (Neo4j، Memgraph، TigerGraph) یا RDF triple store (GraphDB، Stardog، Virtuoso) را می‌پذیرد، Samba TV پایگاه‌های بومی RDF مثل Neptune و Stardog را ترجیح می‌دهد و Reply هر چهار گزینهٔ Neo4j، Neptune، Stardog و GraphDB را نام می‌برد. بهتر است با هر دو مدل آشنا باشید.
مدل‌های زبانی گراف دانش را بی‌مصرف کرده‌اند
آگهی‌های ۲۰۲۶ گراف دانش را دقیقاً برای کار با LLM می‌خواهند. Redpine می‌نویسد جستجوی برداری روی تکه‌های متن در پرسش‌های چندمرحله‌ای شکست می‌خورد، EcoVadis از SHACL برای جلوگیری از ورود دادهٔ «توهمی» به گراف استفاده می‌کند و OpenAI روی گراف‌های نیمه‌ساختاریافته در جستجو کار می‌کند. LLM ابزار ساختن گراف هم شده است: Reddit از مدیر تیم گراف دانش می‌خواهد از الگوهای LLM و ایجنتی برای این کار استفاده کند.
برای این کار دکترای وب معنایی لازم است
برای Ontology Engineer در Samba TV کارشناسی لازم است و ارشد ترجیح دارد؛ Amazon برای Ontologist مدرک کتابداری، سیستم‌های اطلاعاتی یا زبان‌شناسی یا تجربهٔ معادل را می‌پذیرد. مدرک بالاتر بیشتر در نقش‌های ارشد و دامنه‌های علمی دیده می‌شود: Samba TV برای Senior Ontologist ارشد یا دکترا را «به‌شدت ترجیح» می‌دهد و Capgemini Engineering برای گراف علوم زیستی ارشد یا دکترا یا تجربهٔ معادل می‌خواهد.
کار گراف دانش بیشتر نظری و فلسفی است
آگهی‌ها پر از مهندسی‌اند: Python در سطح پروداکشن، pipeline با PySpark یا dbt، SHACL در CI/CD، بهینه‌سازی پرس‌وجوی چندمرحله‌ای و اداره کردن گراف در پروداکشن. Samba TV صریحاً می‌نویسد این نقش عملی و فنی (hands-on) است.
گراف را یک بار می‌سازند و تمام
Redpine می‌نویسد منابع تغییر می‌کنند و گراف باید پابه‌پای آن‌ها به‌روز بماند؛ Samba TV نسخه‌بندی ontology و change log می‌خواهد، Reddit از مدیر تیم می‌خواهد پوشش و تازگی گراف را تضمین کند و Fluidstack فاصلهٔ زمانی میان وقوع یک رویداد تا باخبر شدن شرکت از آن را می‌سنجد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
ورود (۰–۲ سال)
در آگهی‌های این بررسی نقش جونیور نبود، پس معمولاً این سال‌ها در نقشی نزدیک می‌گذرد (مهندسی داده، نرم‌افزار، دادهٔ علمی یا taxonomy) و کار گراف به‌تدریج اضافه می‌شود. تمرکز روی یادگیری استانداردها و نوشتن کد دادهٔ تمیز است.
- ◆نوشتن پرس‌وجوهای SPARQL یا Cypher برای پاسخ به سؤال‌های تیم
- ◆تبدیل یک منبع داده به RDF یا بارگذاری آن در پایگاه گراف
- ◆رفع خطاهایی که قواعد SHACL یا تست‌های کیفیت پیدا کرده‌اند
- ◆مستندسازی نگاشت‌ها و تصمیم‌های مدل‌سازی
- ◆یادگیری ontologyهای استاندارد دامنهٔ کاری
میانی (۲–۵ سال)
بر اساس آگهی Ontology Engineer در Samba TV: مالک بخش‌های مشخصی از کار گراف هستید، طرح‌واره را زیر نظر نفر ارشد گسترش می‌دهید و pipeline ها را خودتان می‌سازید.
- ◆افزودن کلاس، ویژگی و قید تازه به ontology به روشی سازگار و کنترل‌شده
- ◆نوشتن و نگهداری قواعد SHACL برای بررسی گراف پس از بارگذاری
- ◆ساخت pipeline های PySpark که رویدادهای خام را به ویژگی‌های گراف تبدیل می‌کنند
- ◆تطبیق موجودیت‌ها با روش‌های مبتنی بر embedding
- ◆شرکت در design review ها و تبدیل نیاز تیم محصول به تغییر طرح‌واره
ارشد (۵+ سال)
بر اساس آگهی‌های Senior Ontologist در Samba TV و Senior Knowledge Graph Engineer در EcoVadis: تصمیم‌های بزرگ مدل‌سازی و معماری گراف با شماست و باید آن‌ها را برای غیرمتخصص‌ها توضیح دهید.
- ◆طراحی و نسخه‌بندی ontologyهای اصلی و تعیین استاندارد و روند تغییر
- ◆سنجیدن توازن میان قدرت بیان OWL، مقیاس‌پذیری triple store و سرعت پرس‌وجو
- ◆تصمیم دربارهٔ اینکه چه داده‌ای در گراف ذخیره شود و چه داده‌ای مجازی بماند
- ◆ساخت لایهٔ بازیابی GraphRAG و ابزارهای MCP با تیم AI/ML
- ◆منتورینگ Ontology Engineer ها و برگزاری کارگاه داخلی
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، پیاده‌سازی و نسخه‌بندی ontology و طرح‌وارهٔ گراف با RDF، RDFS و OWL: کلاس‌ها، ویژگی‌ها، سلسله‌مراتب و قیدها
- ◈ساخت pipeline هایی با Python، PySpark یا dbt که داده‌های رابطه‌ای، رویدادها و متن را به گراف تبدیل و به‌روز نگه می‌دارند
- ◈یکی‌سازی موجودیت‌ها (entity resolution) و پیوند دادن آن‌ها به گره‌های مرجع، وقتی منابع مختلف یک چیز را با نام‌ها و شناسه‌های متفاوت ثبت کرده‌اند
- ◈نوشتن قواعد SHACL و تبدیل آن‌ها به تست خودکار کیفیت داده پیش از بارگذاری در گراف
- ◈نوشتن و بهینه‌سازی پرس‌وجوهای SPARQL و Cypher، و طراحی index و چیدمان گراف برای پرس‌وجوهای چندمرحله‌ای
- ◈ساخت لایهٔ بازیابی GraphRAG و ابزارهایی که ایجنت‌های LLM با آن گراف را پرس‌وجو می‌کنند، مثل NL2Query و سرورهای MCP
- ◈گفت‌وگو با متخصصان دامنه و تیم محصول برای تبدیل نیازها به پرسش‌های شایستگی و تصمیم‌های مدل‌سازی، و دفاع از این تصمیم‌ها در design review
- ◈تعیین استانداردهای طراحی ontology، روند مدیریت تغییر و نسخه‌بندی، و منتورینگ مهندسان تازه‌کارتر
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس گراف دانش موفق به آن‌ها نیاز دارد
مهارت‌های فنی
مدل‌سازی داده به‌صورت سه‌تایی، تعریف کلاس‌ها، ویژگی‌ها و قیدها؛ در آگهی‌های Samba TV، Amazon، Lockheed Martin، Siemens Energy، Capgemini Engineering و EcoVadis خواسته شده است
زبان پرس‌وجوی RDF؛ Samba TV، Amazon، Lockheed Martin، Capgemini Engineering، Reply و EcoVadis آن را می‌خواهند
قواعد اعتبارسنجی گراف؛ Samba TV برای بررسی پس از بارگذاری و EcoVadis به‌صورت تست خودکار در CI/CD
کد تمیز، تست‌شده و مستند برای pipeline ها؛ تقریباً در همهٔ آگهی‌های مهندسی بررسی‌شده آمده است (Point72 و Lockheed Martin زبان دیگری را هم می‌پذیرند و Siemens Energy هم Java و هم Python می‌خواهد)
یکی‌سازی رکوردهای یک موجودیت از منابع مختلف؛ در Samba TV، NewsBreak، Redpine، EcoVadis و Capgemini Engineering
مدل گراف Neo4j و هم‌خانواده‌ها؛ EcoVadis نوشتن پرس‌وجوی بهینهٔ Cypher در کنار SPARQL را می‌خواهد
تبدیل دادهٔ حجیم و رویدادها به گراف؛ Samba TV با PySpark و Databricks و EcoVadis با dbt
استخراج موجودیت و رابطه، پیوند موجودیت‌ها و ساخت لایهٔ بازیابی گراف برای مدل‌ها و ایجنت‌ها
مهارت‌های نرم
نشستن با متخصص دامنه، نوشتن پرسش‌های شایستگی و قواعد کسب‌وکار و تبدیل آن‌ها به ontology (Siemens Energy، Capgemini Engineering)
توضیح دادن توازن‌ها در design review برای ذی‌نفعانی که متخصص نیستند (Samba TV)
دانستن اینکه کی گراف لازم است و کی بازیابی ساده‌تر کافی است (Redpine)
جا انداختن گراف در سازمان؛ Point72 تجربهٔ change management و کار با ذی‌نفعان دشوار را شرط گذاشته است
ثبت قواعد نگاشت، تصمیم‌های مدل‌سازی و قواعد اعتبارسنجی برای دیگران (Capgemini Engineering، Lockheed Martin)
مالکیت یک سیستم از طراحی تا پروداکشن بدون تیم پلتفرم پشتیبان (Redpine)
دانش حوزه‌ای
طراحی موجودیت‌رابطه، taxonomy و سلسله‌مراتب؛ در بریتانیا ۷۸٪ آگهی‌هایی که ontology می‌خواهند مدل‌سازی داده را هم خواسته‌اند (ITJobsWatch)
schema.org، SKOS و PROV-O؛ Samba TV هم‌راستایی با Schema.org و W3C PROV را از Senior Ontologist می‌خواهد
اینکه هر ادعای گراف به سند و شواهدش برگردد (Redpine، Capgemini Engineering) و اصول FAIR (AbbVie، Capgemini Engineering)
FIBO در مالی، SNOMED CT و MeSH در پزشکی، OBO Foundry در زیست‌شناسی؛ Redpine و Capgemini Engineering آن‌ها را امتیاز می‌دانند
index، پارتیشن‌بندی و بهینه‌سازی پرس‌وجوی چندمرحله‌ای روی گراف‌های بزرگ (EcoVadis)
کیفیت، lineage و قراردادهای داده؛ Reddit و Siemens Energy کار گراف را با حاکمیت داده گره زده‌اند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس گراف دانش
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Python، SQL، Git و مدل‌سازی داده
بیشتر وقت مهندس گراف دانش صرف نوشتن کد داده می‌شود، نه نظریه. تقریباً همهٔ آگهی‌های مهندسی که بررسی کردیم Python می‌خواهند (استثنا آگهی Ontologist در Amazon است که برنامه‌نویسی را شرط نکرده): Samba TV «Python تمیز، تست‌شده و در سطح پروداکشن»، EcoVadis «تسلط پیشرفته به Python» برای pipeline های داده، و Capgemini Engineering Python قوی به‌همراه SQL. Samba TV پایهٔ مدل‌سازی داده را هم جدا خواسته است: طراحی موجودیت‌رابطه، taxonomy، سلسله‌مراتب و نمایش رابطه‌های پیچیدهٔ دنیای واقعی در قالب ساختاریافته. این مرحله را با همین سه مهارت شروع کنید.
وب معنایی: RDF، SPARQL، OWL و SHACL
زبان مشترک بیشتر آگهی‌ها استانداردهای W3C است. Samba TV برای Ontology Engineer دانش کاری RDF، RDFS، OWL و SPARQL و آشنایی با SHACL می‌خواهد؛ Siemens Energy برای Ontologist هم SKOS را اضافه می‌کند و Capgemini Engineering مدل‌سازی عملی RDF (subject، predicate، object) را. ترتیب منطقی این است: اول RDF و Turtle، بعد پرس‌وجو با SPARQL روی یک گراف واقعی مثل Wikidata، بعد OWL برای تعریف کلاس‌ها و قیدها، و در آخر SHACL برای اعتبارسنجی داده.
منابع پیشنهادی
طراحی ontology و مدل‌سازی دامنه
طراحی ontology یعنی تصمیم بگیرید چه چیزی کلاس است، چه چیزی رابطه و چه قیدهایی لازم است، و این تصمیم‌ها را مستند و نسخه‌بندی کنید. آگهی Siemens Energy روش کار را خوب نشان می‌دهد: Ontologist «پرسش‌های شایستگی» (competency questions) و قواعد کسب‌وکار را با تیم‌های دامنه مستند می‌کند و کیفیت ontology را با این می‌سنجد که بتواند به همهٔ آن پرسش‌ها پاسخ صوری بدهد. Lockheed Martin کار با ابزارهایی مثل Protégé را می‌خواهد و آشنایی با ontologyهای بالادستی مثل BFO را امتیاز می‌داند، و EcoVadis درک جدایی T-Box (طرح‌واره) از A-Box (داده) را. راهنمای «Ontology Development 101» از Noy و McGuinness نقطهٔ شروع خوبی است.
پایگاه‌های گراف، entity resolution و pipeline های داده
حالا گراف را در یک پایگاه دادهٔ واقعی بسازید. بازار دو خانوادهٔ پایگاه گراف را می‌خواهد: EcoVadis تجربهٔ پروداکشن با Labeled Property Graph (مثل Neo4j، Memgraph، TigerGraph) یا RDF triple store (مثل GraphDB، Stardog، Virtuoso) را شرط گذاشته و Samba TV تجربه با Amazon Neptune یا Stardog را ترجیح می‌دهد. کنار آن، یکی‌سازی موجودیت‌ها مهارت کلیدی است: NewsBreak، Samba TV، Redpine و EcoVadis همه entity resolution را جزو کار اصلی آورده‌اند. pipeline ها را با RDFLib یا PySpark بنویسید و قواعد SHACL را به تست خودکار تبدیل کنید.
گراف دانش و LLM: استخراج دانش، GraphRAG و ابزار برای ایجنت‌ها
در آگهی‌های ۲۰۲۶ گراف دانش بیشتر برای مدل‌های زبانی و ایجنت‌ها ساخته می‌شود. EcoVadis از مهندس گراف دانش می‌خواهد pipeline های GraphRAG، ابزار تبدیل پرسش زبان طبیعی به پرس‌وجو (NL2Query) و endpoint های Model Context Protocol برای ایجنت‌ها بسازد. Reddit از مدیر تیم گراف دانش می‌خواهد برای ساختن خودِ گراف از الگوهای LLM و ایجنتی استفاده کند و Capgemini Engineering نگاشت به کمک LLM را می‌خواهد، به شرط اینکه خروجی اعتبارسنجی شود. مقالهٔ GraphRAG از Microsoft Research (۲۰۲۴) روش پایه را توضیح می‌دهد: LLM از اسناد یک گراف موجودیت می‌سازد و برای گروه‌های موجودیت‌های مرتبط خلاصه می‌نویسد.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
پایگاه‌های دادهٔ گراف
پایگاه گراف از نوع property graph با زبان Cypher؛ در آگهی‌های EcoVadis، Point72، Lockheed Martin، Everpure و Reply نامش آمده است
پایگاه گراف مدیریت‌شدهٔ AWS؛ Samba TV آن را در کنار Stardog ترجیح داده و Siemens Energy، Lockheed Martin و Point72 هم نامش را آورده‌اند
پلتفرم گراف دانش مبتنی بر RDF؛ در آگهی‌های Samba TV، Siemens Energy، Lockheed Martin و EcoVadis آمده است
ontology و وب معنایی
ویرایشگر رایگان ontology از Stanford؛ Amazon و Lockheed Martin آن را به‌عنوان ابزار ساخت ontology نام برده‌اند
کتابخانهٔ Python برای خواندن، نوشتن و پرس‌وجوی RDF؛ در آگهی‌های EcoVadis، Capgemini Engineering و Lockheed Martin آمده است
اعتبارسنجی گراف با قواعد SHACL در Python؛ برای کاری که EcoVadis می‌خواهد، یعنی تبدیل SHACL به تست خودکار در CI/CD
استخراج دانش و GraphRAG
کتابخانهٔ NLP برای NER و پیش‌پردازش متن؛ EcoVadis آن را کنار LangChain و LlamaIndex برای pipeline استخراج موجودیت نام برده است
پیاده‌سازی متن‌باز روش GraphRAG از Microsoft Research: ساخت گراف موجودیت و خلاصهٔ گروه‌ها با LLM. خود مخزن می‌گوید کدش نمونهٔ نمایشی است و محصول پشتیبانی‌شدهٔ Microsoft نیست
پردازش داده و Graph ML
پردازش دادهٔ حجیم؛ Samba TV گراف خود را با pipeline های PySpark و Databricks از رویدادهای خام تماشا می‌سازد
کتابخانهٔ Graph Neural Network؛ Samba TV آشنایی با روش‌های GNN برای استدلال روی گراف یا entity resolution را امتیاز می‌داند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ورود از نقش نزدیک
۰ تا ۲ سال
در آگهی‌هایی که بررسی کردیم آگهی جونیور برای این کار نبود و کمترین سابقهٔ خواسته‌شده ۲ تا ۴ سال بود (Samba TV). راه معمول ورود، کار در نقشی نزدیک است: مهندسی داده یا نرم‌افزار، کار با دادهٔ علمی، یا کار taxonomy و ontology. Capgemini Engineering سابقه در هر یک از این‌ها را می‌پذیرد و Amazon برای Ontologist مدرک کتابداری و اطلاع‌رسانی، سیستم‌های اطلاعاتی یا زبان‌شناسی را هم قبول دارد.
Ontology / Knowledge Graph Engineer
۲ تا ۵ سال
~$165K
میانگین سالانه (آمریکا)
طرح‌وارهٔ گراف را زیر نظر Ontologist ارشد پیاده و گسترش می‌دهد، قواعد SHACL می‌نویسد، pipeline های تبدیل رویداد به گراف می‌سازد و در entity resolution سهم دارد (بر اساس آگهی Ontology Engineer در Samba TV).
Senior Knowledge Graph Engineer / Senior Ontologist
۵ سال به بالا
~$205K
میانگین سالانه (آمریکا)
مالک طراحی و نسخه‌بندی ontologyهای اصلی است، استاندارد و روند تغییر را تعیین می‌کند، در design review از تصمیم‌های مدل‌سازی دفاع می‌کند، دربارهٔ اینکه چه داده‌ای در گراف بماند و چه داده‌ای مجازی بماند تصمیم می‌گیرد و مهندسان را منتور می‌کند (Samba TV)؛ یا مثل EcoVadis، GraphRAG و ابزار ایجنت‌ها را روی گراف می‌سازد.
Lead، معمار یا مدیر مهندسی گراف دانش
۸ سال به بالا
Reddit برای مدیر تیم Knowledge Graph Platform دست‌کم ۸ سال مهندسی نرم‌افزار و ۲ سال مدیریت مستقیم می‌خواهد: تعیین نقشهٔ راه پلتفرم، قراردادهای داده و کیفیت، و همکاری با زبان‌شناسان محاسباتی و متخصصان دامنه. Point72 هم برای عنوان Data Engineer, Knowledge Graph تجربهٔ رهبری تیم و جذب نیرو را شرط گذاشته است.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
یک موجودیت، چند نام
عمومییک موجودیت در منابع مختلف با نام و شناسهٔ متفاوت می‌آید؛ Redpine این را از مسائل سخت کار می‌داند و NewsBreak از مهندس می‌خواهد داده‌های چندمنبعی و متناقض مکان‌ها را یکی کند. هیچ قاعدهٔ ساده‌ای همهٔ حالت‌ها را پوشش نمی‌دهد و خطا در این مرحله به همهٔ گراف سرایت می‌کند.
منابع متناقض و ردگیری منبع
استارتاپوقتی منابع با هم اختلاف دارند، گراف باید تصمیم بگیرد چه چیزی را بیان کند و چه چیزی را علامت بزند. در Redpine هر گره و یال باید به سند و مجوزش برگردد و در Capgemini Engineering هر ادعا به منبع و شواهدش؛ این کار طراحی و هزینهٔ نگهداری دارد.
قدرت بیان در برابر مقیاس
شرکت بزرگهرچه ontology دقیق‌تر و پرقیدتر باشد، استدلال و پرس‌وجو روی دادهٔ بزرگ سنگین‌تر می‌شود. Samba TV از Senior Ontologist می‌خواهد توازن میان قدرت بیان OWL و مقیاس‌پذیری triple store را بفهمد و در review توضیح دهد.
چه چیزی در گراف بماند
شرکت بزرگهمهٔ داده لازم نیست در گراف کپی شود. Samba TV می‌خواهد Senior Ontologist با دقت تصمیم بگیرد چه چیزی در گراف ذخیره شود و چه چیزی در data lake مجازی بماند، با سنجیدن سرعت پرس‌وجو در برابر هزینهٔ ذخیره و به‌روزرسانی.
سرعت پرس‌وجوهای چندمرحله‌ای
شرکت بزرگپرسوجویی که از چند رابطه عبور می‌کند روی گراف بزرگ به‌سرعت کند می‌شود. EcoVadis بهینه‌سازی پرس‌وجوی چندمرحله‌ای، پارتیشن‌بندی گراف و index را برای پیمایش زیر یک ثانیه روی میلیاردها گره و یال می‌خواهد.
جا انداختن گراف در سازمان
شرکت بزرگگراف دانش وقتی ارزش دارد که تیم‌های دیگر از آن استفاده کنند. Point72 از این نقش می‌خواهد پذیرش راهکارهای گرافی را در واحد خود پیش ببرد و تجربهٔ کار با ذی‌نفعان دشوار را شرط گذاشته، و Reddit مسیر استفادهٔ سلف‌سرویس و ترویج پلتفرم میان تیم‌ها را جزو کار مدیر تیم آورده است.
حقوق و بازار کار جهانی
حقوق جهانی مهندس گراف دانش
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Samba TV posting, Senior Ontologist - Knowledge Graph & Identity (New York, 5–8 yrs), posted Mar 9 2026: posted salary range; median = midpoint
- Samba TV posting, Senior Ontologist - Knowledge Graph & Identity (Warsaw, 5–8 yrs), posted Sep 3 2026: posted salary range; median = midpoint
- Samba TV posting, Ontology Engineer - Knowledge Graph & Identity (New York, 2–4 yrs), posted Mar 10 2026: posted salary range; median = midpoint
- ITJobsWatch, 6 months to 22 Oct 2026: UK permanent ads citing Ontologies (proxy: skill, not job title); 25th–75th pct, median (28 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: RDF و SPARQL روی Wikidata
RDF Primer را بخوانید و با آموزش SPARQL ویکی‌داده روی یک گراف واقعی پرس‌وجو بنویسید. ده پرسش از حوزهٔ خودتان را جواب دهید.
ماه ۲: OWL و طراحی ontology
راهنمای Ontology Development 101 را قدم‌به‌قدم در Protégé اجرا کنید و برای یک دامنهٔ کوچک ontology بسازید.
ماه ۳: SHACL و RDFLib
داده‌های نمونه را با RDFLib به RDF تبدیل کنید و قواعد SHACL را با pySHACL در یک workflow خودکار اجرا کنید.
ماه ۴: Neo4j و Cypher
دوره‌های رایگان GraphAcademy را بگذرانید و همان دامنه را یک بار هم به‌صورت property graph مدل کنید تا تفاوت دو رویکرد را ببینید.
ماه ۵: استخراج با LLM و entity resolution
از متن با LLM موجودیت و رابطه استخراج کنید، موجودیت‌های تکراری را یکی کنید و برای هر ادعا منبع ثبت کنید.
ماه ۶: GraphRAG و پورتفولیو
یک GraphRAG بسازید، آن را با RAG برداری مقایسه کنید و پروژه‌ها را با README روشن روی GitHub بگذارید.
پروژه‌های پیشنهادی برای رزومه
پاسخ دادن به پرسش‌های واقعی با SPARQL روی Wikidata
مبتدیده پرسش از یک حوزه که می‌شناسید بنویسید (مثلاً فیلم، دارو یا شرکت‌ها) و برای هرکدام یک پرس‌وجوی SPARQL روی Wikidata بسازید. نتیجه‌ها را با Python بخوانید و در یک notebook توضیح دهید هر پرس‌وجو از کدام رابطه‌ها عبور می‌کند. این پروژه نشان می‌دهد با یک گراف واقعی و بزرگ کار کرده‌اید.
یک ontology کوچک با پرسش‌های شایستگی و تست SHACL
متوسطبرای یک دامنهٔ کوچک (مثلاً کتابخانهٔ یک دانشگاه یا انبار یک فروشگاه) اول پرسش‌های شایستگی را بنویسید، بعد ontology را در Protégé بسازید، داده‌های نمونه را به RDF تبدیل کنید و قواعد SHACL را با pySHACL در GitHub Actions اجرا کنید تا هر تغییر نادرست در داده جلوی merge را بگیرد. این همان کاری است که EcoVadis با SHACL در CI/CD می‌خواهد.
یکی‌سازی شرکت‌ها از دو منبع داده با ردگیری منبع
متوسطفهرست شرکت‌ها را از دو منبع عمومی (مثلاً داده‌های GLEIF و شرکت‌های Wikidata) بگیرید، نام‌ها و شناسه‌های ناهمخوان را با قواعد و شباهت embedding یکی کنید و برای هر ادغام ثبت کنید از کدام منبع و با چه شواهدی آمده (با PROV-O). در README درصد ادغام‌های درست را روی یک نمونهٔ دستی گزارش کنید.
ساخت گراف دانش از متن با LLM
پیشرفتهاز مجموعه‌ای از مقاله‌ها یا گزارش‌ها با یک LLM موجودیت و رابطه استخراج کنید، موجودیت‌ها را به Wikidata پیوند دهید (entity linking) و گراف را در Neo4j ذخیره کنید، طوری که هر یال به سند و جملهٔ منبع ارجاع داشته باشد. خروجی LLM را روی یک نمونهٔ برچسب‌خورده بسنجید؛ Capgemini Engineering دقیقاً نگاشت به کمک LLM «همراه با اعتبارسنجی خروجی» را می‌خواهد.
GraphRAG برای پرسش‌های چندمرحله‌ای، در دسترس ایجنت از طریق MCP
پیشرفتهروی گراف پروژهٔ قبل پرسش‌هایی بسازید که چند مرحله دارند (مثل مثال Redpine: کدام کارآزمایی‌ها بیمارانی داشتند که دارویی از شرکتی مصرف می‌کردند که بعداً خریده شد؟). یک RAG برداری ساده و یک GraphRAG بسازید، هر دو را روی همین پرسش‌ها مقایسه کنید و گراف را با یک سرور MCP در اختیار یک ایجنت بگذارید. نتیجه را صادقانه گزارش کنید، حتی اگر در بعضی پرسش‌ها گراف کمکی نکرد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
دانشمند کامپیوتر کروات. طبق ویکی‌پدیا در دانشگاه اشتوتگارت علوم کامپیوتر و فلسفه خوانده و در ۲۰۱۰ از KIT دکترا گرفته است. در ۲۰۱۲ و ۲۰۱۳ مدیر پروژهٔ Wikidata در Wikimedia آلمان بود.
هم‌توسعه‌دهندهٔ Semantic MediaWiki و Wikidata است. در ۲۰۱۳ به‌عنوان ontologist در Google روی Knowledge Graph کار می‌کرد و در ژوئیهٔ ۲۰۲۰ از Google به بنیاد Wikimedia رفت تا روی Wikifunctions و Abstract Wikipedia کار کند؛ ویکی‌پدیا او را توسعه‌دهندهٔ اصلی Wikifunctions می‌داند.
مسیر او میان گراف دانش باز و گراف دانش یک شرکت بزرگ رفت‌وبرگشت داشته است. به نظر می‌رسد کار روی پروژه‌های باز مثل Wikidata، هم مهارت واقعی می‌سازد و هم نمونه‌کاری که دیگران می‌توانند ببینند.
پژوهشگر Google Research. طبق ویکی‌پدیا پیش از Google در Stanford با Mark Musen روی ویرایشگر ontology به نام Protégé کار می‌کرد و از ۲۰۱۱ تا ۲۰۱۷ رئیس Semantic Web Science Association بود.
ابزار Prompt برای همسوسازی خودکار ontologyها (۲۰۰۲) جایزهٔ مقالهٔ کلاسیک AAAI را در ۲۰۱۸ گرفت. آموزش «Ontology Development 101» او و McGuinness به نوشتهٔ ویکی‌پدیا متن مقدماتی استاندارد ontology شد. در Google سرپرست تیم Dataset Search است؛ موتوری که بر برچسب‌گذاری داده‌ها با واژگان Schema.org تکیه دارد.
یک راهنمای مقدماتی خوب می‌تواند بیش از کارهای پیچیده دیده شود. کار او نشان می‌دهد استانداردهای ساده‌ای مثل Schema.org وقتی همه از آن‌ها استفاده کنند، چقدر قدرت دارند.
دانشمند کامپیوتر با کارشناسی ارشد ریاضی از کمبریج و دکترای علوم کامپیوتر از Ohio State. طبق ویکی‌پدیا پیش‌تر دانشمند ارشد TopQuadrant بوده و در مشاوره و آموزش وب معنایی کار کرده است.
نویسندهٔ کتاب «Semantic Web for the Working Ontologist» با James Hendler (۲۰۰۸ و ۲۰۱۱) و ویراست سوم با Fabien Gandon (۲۰۲۰). به نوشتهٔ ویکی‌پدیا از ۲۰۰۴ کلاس‌های فناوری وب معنایی برگزار کرده و کاربران زیادی را در RDF و SPARQL آموزش داده است؛ ویکی‌پدیا او را در حال حاضر principal solutions architect در data.world معرفی می‌کند.
کار او بیشتر مشاوره و آموزش برای کسب‌وکارها بوده است تا پژوهش دانشگاهی. این نشان می‌دهد در این حوزه، توضیح دادن مفاهیم پیچیده به زبان ساده خودش تخصصی ارزشمند است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Knowledge Graph Engineer
تحلیل نیازمندی‌ها
4+ years of production experience building and querying graph databases, specifically Labeled Property Graphs (Neo4j, Memgraph, TigerGraph) or RDF Triple Stores (GraphDB, Stardog, Virtuoso)
شرط اصلی، تجربهٔ پروداکشن با پایگاه گراف است و هر دو خانواده پذیرفته می‌شود. «چهار سال» یعنی این نقش برای ورود به حوزه نیست؛ باید پیش‌تر گرافی را ساخته و پرس‌وجو کرده باشید که کاربر واقعی داشته است.
ضروریAdvanced proficiency in Python (RDFLib, NetworkX, PyGraphistry) for building scalable, production-grade data pipelines
Python ابزار روزمرهٔ این نقش است و کتابخانه‌های نام‌برده نشان می‌دهند کار هم با RDF است و هم با تحلیل گراف. نمونه‌کاری که pipeline واقعی و تست‌شده داشته باشد بیش از یک notebook ارزش دارد.
ضروریSolid understanding of semantic web standards (RDF, RDFS and OWL, SKOS, SHACL, RDF-star, SPARQL), graph schema design principles (T-Box vs. A-Box separation), and mapping languages for dealing with heterogeneous data structures (RML, R2RML)
باید استانداردهای W3C را بشناسید و بدانید طرح‌واره (T-Box) را از داده (A-Box) جدا نگه دارید. زبان‌های نگاشت RML و R2RML برای تبدیل جدول‌ها و دادهٔ ناهمگون به RDF به کار می‌روند؛ بخش بزرگی از کار روزانه همین تبدیل است.
ضروریExperience building entity extraction pipelines using modern NLP frameworks (LangChain, LlamaIndex, spaCy) or LLM-based structured extraction
بخشی از گراف از متن ساخته می‌شود، مثلاً گزارش‌های پایداری. باید بتوانید با NLP کلاسیک یا با LLM موجودیت و رابطه استخراج کنید و خروجی را به شکل ساختاریافته تحویل دهید.
مهمHands-on experience with modern data transformation tools (dbt) and integrating graph databases with vector stores (Qdrant, Pinecone, pgvector) for hybrid search architectures
گراف به‌تنهایی کار نمی‌کند؛ کنار پایگاه برداری قرار می‌گیرد تا جستجوی ترکیبی ممکن شود. آشنایی با dbt هم نشان می‌دهد این نقش بخشی از یک پلتفرم دادهٔ مدرن است.
مهمStrong experience in cloud technology, preferably Azure and its ecosystem (e.g., Azure Foundry, Azure Bicep, AzureML and Azure Cloud Storage)
این تیم Azure را ترجیح می‌دهد. اگر با AWS یا GCP کار کرده‌اید، مفاهیم منتقل می‌شوند، اما باید آمادهٔ یادگیری ابزارهای Azure باشید.
مهمDirect experience building Model Context Protocol (MCP) servers to expose graph tools to LLM agents is a plus
امتیاز است، نه شرط. MCP راهی استاندارد برای در اختیار گذاشتن ابزار به ایجنت‌هاست؛ یک سرور MCP کوچک روی گراف خودتان در پورتفولیو می‌تواند همین امتیاز را نشان دهد.
مفیدExperience working with domain-specific supply chain, carbon accounting (GHG Protocol), or lifecycle assessment (LCA) data structures is a plus
دانش دامنه امتیاز دارد. کسی که از حسابداری کربن یا زنجیرهٔ تأمین به این کار آمده، در مدل‌سازی این دامنه جلوتر است؛ این همان مزیت تغییر مسیر از یک حوزهٔ تخصصی است.
مفیدتحلیل مسئولیت‌ها
Design, implement, and maintain high-speed GraphRAG ingestion pipelines that transform relational data (ERP, SQL), unstructured ESG reports, and streaming feeds into operational Labeled Property Graphs (Neo4j, Memgraph) and RDF Triple Stores
هستهٔ کار ساختن pipeline هایی است که سه نوع داده را به گراف می‌آورند: جدول‌های سیستم‌های سازمانی، گزارش‌های متنی و جریان‌های زنده. هر سه باید پیوسته و سریع کار کنند، نه یک بار.
Build automated Named Entity Recognition (NER), entity linking, and deduplication workflows to resolve mismatched vendor profiles, material SKUs, and facility coordinates into unified canonical graph nodes
یک تأمین‌کننده یا یک کالا در سیستم‌های مختلف با نام‌ها و کدهای متفاوت ثبت شده است. شما باید این‌ها را خودکار پیدا و یکی کنید تا در گراف فقط یک گره برای هر موجودیت واقعی بماند.
Implement automated ETL/ELT pipelines to map and federate internal supply chain data with external, open-source ontologies and registries (such as GLEIF for corporate ownership, W3C SSN/SOSA for IoT sensors, and Copernicus for geo-hazard alerts, PROV-O for data provenance)
گراف داخلی به منابع بیرونی وصل می‌شود: مالکیت شرکت‌ها از GLEIF، داده‌های حسگر با واژگان W3C و هشدارهای جغرافیایی. PROV-O برای ثبت منشأ هر داده است؛ یعنی باید همیشه بدانید هر ادعا از کجا آمده.
Partner with AI/ML Engineers to build low-latency GraphRAG retrieval layers—writing optimized Cypher and SPARQL queries, implementing NL2Query tools for agents, hybrid vector-graph indexing pipelines, and Model Context Protocol (MCP) tool endpoints for autonomous LLM agents
اینجا گراف به ایجنت‌ها می‌رسد. شما پرس‌وجوهای سریع می‌نویسید، ابزاری می‌سازید که پرسش زبان طبیعی را به پرس‌وجوی گراف تبدیل کند و گراف را از طریق MCP در اختیار ایجنت می‌گذارید. این بخش محل همکاری با مهندسان RAG و AI است.
Operationalize SHACL (Shapes Constraint Language) shapes into automated data quality tests within CI/CD pipelines to prevent hallucinated or non-compliant data mutations from entering the enterprise knowledge graph
وقتی LLM در ساخت گراف دخیل است، ممکن است دادهٔ نادرست تولید کند. قواعد SHACL مثل تست خودکار جلوی ورود این داده را می‌گیرند؛ یعنی مهندسی نرم‌افزار (CI/CD) و وب معنایی اینجا به هم می‌رسند.
Optimize multi-hop query performance, graph partitioning, and database indexing strategies to handle sub-second traversal over billions of nodes and edges
در این مقیاس، پرس‌وجویی که از چند رابطه عبور می‌کند به‌راحتی کند می‌شود. شناخت index، پارتیشن‌بندی و رفتار پایگاه گراف زیر بار، بخشی از کار ارشد است.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از مهندس گراف دانش در ۲۰۲۶ می‌دهد: EcoVadis می‌نویسد ontologyها را معماران بازنمایی دانش طراحی می‌کنند و کار این مهندس عملیاتی کردن آن‌هاست. وزن آگهی روی مهندسی است (pipeline، entity resolution، تست کیفیت با SHACL، کارایی پرس‌وجو) و مقصد نهایی ایجنت‌های LLM است. برای رسیدن به چنین نقشی، استانداردهای وب معنایی لازم‌اند اما کافی نیستند؛ باید نشان دهید گرافی ساخته‌اید که در پروداکشن کار کرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه Database Architects از ۲۰۲۵ تا ۲۰۳۵، ۹٪ رشد کند (از ۶۹٬۵۰۰ به ۷۶٬۰۰۰ شغل)، در برابر ۳٪ برای کل مشاغل. BLS و O*NET گروه جداگانه‌ای برای مهندس گراف دانش یا Ontologist ندارند و این گروه را به‌عنوان نزدیک‌ترین گروه رسمی انتخاب کرده‌ایم، چون کار اصلی هر دو طراحی مدل داده و پایگاه داده است. در بریتانیا، ITJobsWatch در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶ تنها ۴۱ آگهی دائم با مهارت Ontologies شمرده است (همین بازه در ۲۰۲۵: ۲۲)؛ این بازار کوچک است.
منبع: BLS Employment Projections 2025–2035 (Database Architects)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق پیش‌بینی BLS، تعداد شاغلان Database Architects در آمریکا از ۶۹٬۵۰۰ نفر در ۲۰۲۵ به ۷۶٬۰۰۰ نفر در ۲۰۳۵ می‌رسد (۹٪ رشد، در برابر ۳٪ برای کل مشاغل). این نزدیک‌ترین گروه رسمی به این کار است، نه پیش‌بینی مستقیم برای مهندس گراف دانش.
از منابع چند نکته پیداست. اول، ورود سخت است: در آگهی‌هایی که بررسی کردیم نقش جونیور نبود و کمترین سابقه ۲ تا ۴ سال بود؛ بقیهٔ آگهی‌ها ۳ سال یا بیشتر می‌خواستند. دوم، عنوان پراکنده است: کسی که فقط «Knowledge Graph Engineer» را جستجو کند، آگهی‌های Ontologist، Ontology Engineer، Semantic AI Engineer و Data Engineer با پسوند Knowledge Graph را نمی‌بیند. سوم، بازار کوچک‌تر از نقش‌های عمومی داده است؛ در بریتانیا ITJobsWatch در شش ماه فقط ۴۱ آگهی با مهارت ontology شمرده است. چهارم، گراف همیشه لازم نیست؛ خود Redpine از نامزد می‌خواهد بداند کی بازیابی ساده‌تر کافی است. پنجم، حقوق بسته به صنعت خیلی فرق می‌کند: در آگهی‌های آمریکا از ۸۲٬۷۰۰ تا ۱۴۴٬۷۰۰ دلار (Ontologist در Amazon) تا ۱۴۲ تا ۳۴۲ هزار دلار (NewsBreak) دیده می‌شود.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۹ منبع بررسی شده است.
- Senior Knowledge Graph Engineer — EcoVadis (job posting)
- Senior Knowledge Graph Engineer — Redpine (job posting)
- Knowledge Graph Engineer (Life Sciences) — Capgemini Engineering (job posting, LinkedIn)
- Senior AI Knowledge Graph Engineer — Everpure (job posting, LinkedIn)
- Local POI Knowledge Graph Engineer — NewsBreak (job posting, LinkedIn)
- AI & Knowledge Graph Engineer – Ontologies & Semantic Data — Reply (job posting, LinkedIn)
- Ontology Engineer - Knowledge Graph & Identity — Samba TV (job posting)
- Senior Ontologist - Knowledge Graph & Identity, New York — Samba TV (job posting)
- Senior Ontologist - Knowledge Graph & Identity, Warsaw — Samba TV (job posting)
- Ontologist, Product Knowledge — Amazon (job posting)
- AI Ontology Engineer — Lockheed Martin (job posting, LinkedIn)
- Ontologist — Siemens Energy (job posting, LinkedIn)
- Semantic AI Engineer — AbbVie (job posting, LinkedIn)
- Software Engineer, Ontology — Fluidstack (job posting, LinkedIn)
- Data Engineer, Knowledge Graph — Point72 (job posting)
- Engineering Manager, Knowledge Graph Platform — Reddit (job posting)
- Research Scientist / Research Engineer, Search - Knowledge Graphs — OpenAI (job posting)
- ITJobsWatch — Ontologies (UK job trends and salaries)
- BLS Occupational Outlook Handbook — Database Administrators and Architects
- Knowledge graph — Wikipedia
- Edge et al. — From Local to Global: A Graph RAG Approach to Query-Focused Summarization (arXiv, 2024)
- Pan et al. — Unifying Large Language Models and Knowledge Graphs: A Roadmap (arXiv, 2023)
- Hogan et al. — Knowledge Graphs (free online book)
- Noy & McGuinness — Ontology Development 101 (Stanford, PDF)
- Denny Vrandečić — Wikipedia
- Natasha Noy — Wikipedia
- Dean Allemang — Wikipedia
- DeepLearning.AI — Knowledge Graphs for RAG
- Neo4j GraphAcademy — Building Knowledge Graphs with LLMs