دانشمند یادگیری ماشین
Machine Learning Scientist
دانشمند یادگیری ماشین با روش‌های یادگیری ماشین، آمار و آزمایش یک مسئلهٔ مشخص محصول یا کسب‌وکار را حل می‌کند: مسئله را به زبان ML صورت‌بندی می‌کند، مدل را می‌سازد و آموزش می‌دهد، اثرش را با A/B test و تحلیل علّی می‌سنجد و همراه مهندسان نرم‌افزار آن را به پروداکشن می‌رساند. در بازار ۲۰۲۶ این کار بیشتر با عنوان Applied Scientist آگهی می‌شود؛ آمازون، Lyft، DoorDash و Figma همین عنوان را به کار می‌برند. عنوان دقیق ML Scientist بیشتر در استارتاپ‌های AI برای زیست‌شناسی و دارو دیده می‌شود. فرق این نقش با پژوهشگر AI در هدف است: معیار موفقیت اثر روی محصول است، نه روش تازه یا مقاله.
مقدمه و تعریف شغل
دانشمند یادگیری ماشین (Machine Learning Scientist) کسی است که با روش‌های یادگیری ماشین، آمار و آزمایش، یک مسئلهٔ مشخص محصول یا کسب‌وکار را حل می‌کند و نتیجه را تا پروداکشن همراهی می‌کند. در آگهی‌های ۲۰۲۶ رایج‌ترین عنوان این کار Applied Scientist است. آمازون در صفحهٔ آمادگی مصاحبه می‌نویسد Applied Scientistها مسئله‌های عملی متنوعی را حل می‌کنند تا تجربهٔ مشتری بهتر شود، هزینه کم شود و سرعت و خودکارسازی بیشتر شود؛ کارشان «به‌شدت تجربی» است و باید با تحلیل نظری محکم پشتیبانی شود، و از آن‌ها می‌خواهد فرض‌های مدل‌سازی را دقیق بسنجند، ادبیات ML را مرور کنند، با روش‌های روز آزمایش کنند و پیاده‌سازی بی‌خطا و مقیاس‌پذیر داشته باشند. عنوان‌های دیگر همین خانواده Machine Learning Scientist، ML Scientist و Applied AI/ML Scientistاند. نکتهٔ مهم برای خواندن آگهی‌ها این است که عنوان به‌تنهایی کافی نیست: آگهی Staff Machine Learning Scientist در DoorDash در متنش می‌گوید دنبال یک «Causal Machine Learning Engineer» است و آگهی Machine Learning Scientist/Engineer در Wayve در عمل یک نقش Research Scientist را توصیف می‌کند.
بزرگ‌ترین کارفرمای این عنوان آمازون است: در سایت استخدامی آمازون، نشانی قدیمی دستهٔ Machine Learning Science به دستهٔ Applied Science منتقل می‌شود و روز ۲۲ اکتبر ۲۰۲۶ جستجوی همین سایت ۳۱۲ آگهی باز در آمریکا با «Applied Scientist» در عنوان نشان می‌داد، از تبلیغات و قیمت‌گذاری تا رباتیک و محاسبات کوانتومی. Glassdoor هم برای Applied Scientist در آمریکا ۱٬۶۴۳ گزارش حقوق دارد و برای Machine Learning Scientist ۴۳۰ گزارش، و میانهٔ درآمد کل این دو تقریباً یکی است (حدود ۲۰۱ و ۲۰۴ هزار دلار). Lyft، DoorDash، Figma و Faire هم عنوان Applied Scientist یا نزدیک به آن را به کار می‌برند. عنوان دقیق ML Scientist بیشتر در شرکت‌های AI برای زیست‌شناسی دیده می‌شود: Lila Sciences در همان روز ۸ آگهی باز با این عنوان داشت و Latent Labs هم آگهی مشابه داشت. شرط تحصیلی معمولاً بالاتر از Data Scientist است: آمازون دکترا یا ارشد به‌علاوهٔ ۴ سال تجربه می‌خواهد و Lyft ارشد یا دکترا. BLS آمریکا گروه شغلی جداگانه‌ای برای این نقش ندارد؛ جستجوی «machine learning scientist» در O*NET اول گروه Data Scientists و بعد گروه Computer and Information Research Scientists را نشان می‌دهد.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند یادگیری ماشین
رتبه‌بندی جستجو و توصیه‌گر
Faire از دانشمند ارشد تیم جستجو می‌خواهد با یادگیری عمیق، Transformerهای ترتیبی، شبکه‌های عصبی گرافی و دادهٔ رفتاری برای هر جستجو محصولات شخصی‌سازی‌شده برگرداند. Roblox هم مدل‌های توصیه‌گر بزرگ و سیستم‌های agentic search برای پیدا کردن تجربه‌ها روی پلتفرمش می‌خواهد.
تصمیم‌گیری بلادرنگ در مقیاس عظیم
به گفتهٔ آگهی Applied Scientist در Amazon Ads، این بخش بیش از ۴ میلیون درخواست تبلیغ در ثانیه پردازش می‌کند و تیم تصمیم می‌گیرد کدام‌ها ارزش هزینهٔ محاسبه را دارند. کار دانشمند ساخت مدل‌هایی است که درخواست‌های باارزش را در چند میلی‌ثانیه از درخواست‌های بی‌فایده جدا کنند.
سیستم‌های تصمیم‌گیری علّی
DoorDash برای بخش‌های تازه‌اش (سوپرمارکت، خرده‌فروشی، گل و…) مدل‌های uplift و اثر ناهمگن برای پیشنهادهای تخفیف، حفظ و بازگرداندن مشتری می‌خواهد، به‌علاوهٔ چارچوب ارزیابی counterfactual برای رتبه‌بندی، توصیه و جایگزینی کالا، و سیستم‌هایی که وقتی آزمایش تصادفی کند، پرنویز یا ناقص است به تصمیم بهتر کمک کنند.
قیمت‌گذاری پویا و زمان رسیدن
Applied Scientist تیم قیمت‌گذاری Lyft مدل‌های ML و بهینه‌سازی می‌سازد که قیمت و ETA را بلادرنگ تعیین می‌کنند و عرضه و تقاضا را در بازار دوطرفه متعادل نگه می‌دارند؛ به گفتهٔ آگهی، pipelineها باید روزانه میلیون‌ها فراخوانی را تحمل کنند.
مدل‌های پایه برای زیست‌شناسی
ML Scientist تیم Foundation Models در Lila Sciences مدل‌های پیش‌بینی ساختار و co-folding برای کمپلکس‌های پروتئینی آموزش می‌دهد و ارزیابی می‌کند و آن‌ها را در چرخهٔ «Lab-in-the-Loop» شرکت به کار می‌گیرد، جایی که نتیجهٔ آزمایش‌های واقعی دوباره مدل را بهتر می‌کند.
ویژگی‌های مولد در محصول
Figma از AI Applied Scientist می‌خواهد مدل‌های مولد را با SFT، یادگیری تقویتی، بهبود prompt و دادهٔ مصنوعی برای حوزه‌های Figma بسازد، همراه مهندسان آن‌ها را به ویژگی محصول تبدیل کند و سیستم ارزیابی برای سنجیدن کیفیت این ویژگی‌ها بسازد.
تخصص‌های مختلف دانشمند یادگیری ماشین
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
جستجو، توصیه‌گر و رتبه‌بندی تبلیغات
Search, Recommendation & Ads Ranking
رایج‌ترین حوزه در آگهی‌های بررسی‌شده؛ Faire برای سطح ارشد ۳+ سال تجربه در جستجو، توصیه‌گر یا تبلیغات می‌خواهد و Roblox و Amazon Ads هم روی همین مسئله‌ها دانشمند استخدام می‌کنند.
استنباط علّی و آزمایش
Causal Inference & Experimentation
uplift، اثر ناهمگن، ارزیابی off-policy و کاهش واریانس آزمایش؛ DoorDash برای این کار هم Staff ML Scientist و هم Staff Applied Scientist آگهی کرده است.
قیمت‌گذاری و بهینه‌سازی
Pricing & Optimization
ترکیب پیش‌بینی با تحقیق در عملیات؛ مثل Applied Scientist قیمت‌گذاری پویا در Lyft و آگهی Pricing Applied Scientist در تیم Pricing Science آمازون.
یادگیری ماشین برای علوم زیستی
ML for Life Sciences
مدل‌های مولد و پیش‌بینی ساختار برای پروتئین و دارو، در کنار تیم‌های آزمایشگاهی؛ مثل Lila Sciences و Latent Labs.
هوش مصنوعی مولد و پس‌آموزش مدل‌های زبانی
Generative AI & LLM Post-training
تطبیق مدل‌های زبانی و چندوجهی برای محصول با SFT، بهینه‌سازی ترجیحی و RL، و ساخت ارزیابی؛ مثل Figma و تیم جستجوی Roblox.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
ابزار و دانش دو نقش شبیه است و تفاوت در هدف است. دانشمند یادگیری ماشین روش‌های پژوهشی را برای یک مسئلهٔ مشخص محصول یا کسب‌وکار به کار می‌گیرد و موفقیتش با اثر روی محصول سنجیده می‌شود؛ پژوهشگر AI روش یا فهم تازه می‌سازد و انتشار نتیجه در مرکز کارش است. انتشار برای Applied Scientist هم ممکن است: آمازون می‌گوید دانشمندانش در کنفرانس‌هایی مثل ICML و NeurIPS فعال‌اند، اما در همان صفحه تأکید می‌کند پژوهششان «فقط در مجله‌ها نمی‌ماند» و باید مسئلهٔ میلیون‌ها مشتری را حل کند. مرز همیشه روشن نیست: آگهی Machine Learning Scientist/Engineer در Wayve مقاله در کنفرانس‌های برتر را شرط گذاشته است.
مرکز کار مهندس یادگیری ماشین سیستمی است که مدل را در پروداکشن اجرا و نگهداری می‌کند؛ مرکز کار دانشمند یادگیری ماشین خودِ علم مسئله است: صورت‌بندی، انتخاب روش، آزمایش و سنجیدن اثر. آمازون می‌نویسد Applied Scientistهایش «نزدیک با مهندسان نرم‌افزار» کار می‌کنند تا الگوریتم‌ها به عمل برسند. با این حال دانشمند هم باید کد پروداکشن بنویسد؛ Lyft صریحاً «کد در سطح پروداکشن» می‌خواهد. عنوان‌ها هم جابه‌جا می‌شوند: آگهی Staff Machine Learning Scientist در DoorDash در متن، نقش را Causal Machine Learning Engineer می‌نامد.
دانشمند داده مسئله را صورت‌بندی می‌کند، مدل می‌سازد و نتیجه را به تصمیم وصل می‌کند؛ بخشی از آگهی‌های Data Scientist بیشتر تحلیل، داشبورد و A/B test است. دانشمند یادگیری ماشین معمولاً مدل‌های پیچیده‌تری می‌سازد که خودشان بخشی از محصول می‌شوند، مثل رتبه‌بندی جستجو یا قیمت‌گذاری بلادرنگ، و شرط تحصیلی بالاتری دارد: BLS می‌گوید دانشمند داده معمولاً با کارشناسی وارد کار می‌شود، اما آمازون برای Applied Scientist دکترا یا ارشد به‌علاوهٔ ۴ سال تجربه می‌خواهد. در یک تیم این دو کنار هم‌اند: Lyft از Applied Scientist می‌خواهد همراه Data Scientistها، مهندسان و مدیران محصول مسئله را صورت‌بندی کند.
مهندس هوش مصنوعی بیشتر با مدل‌های از پیش آموزش‌دیده، به‌ویژه مدل‌های زبانی بزرگ، محصول می‌سازد. دانشمند یادگیری ماشین خودِ مدل را آموزش می‌دهد یا تطبیق می‌دهد و اثرش را می‌سنجد؛ مثلاً Figma از AI Applied Scientist تجربهٔ آموزش LLM با روش‌های یادگیری تقویتی مثل DPO، PPO و GRPO می‌خواهد. LLM هم همیشه محور کار نیست: آگهی Applied Scientist در Amazon Ads می‌نویسد Generative AI و LLMها ابزاری‌اند که «وقتی کمک می‌کنند» سراغشان می‌روید، نه هدف کار.
تأثیر در صنایع مختلف
دانشمند یادگیری ماشین در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
تجارت الکترونیک و بازارگاه‌ها
Faire جستجو را یکی از مهم‌ترین اهرم‌های رشدش می‌داند و دانشمند ارشد برای رتبه‌بندی شخصی‌سازی‌شده با یادگیری عمیق و LLM استخدام می‌کند
تبلیغات آنلاین
Amazon Ads برای فیلتر کردن ترافیک تبلیغ، حراج و پیشنهاد قیمت تبلیغ‌دهندگان، Applied Scientist در چند تیم جداگانه آگهی کرده است
تحویل و خدمات درخواستی
DoorDash برای تصمیم‌های بازار در سوپرمارکت، خرده‌فروشی و دسته‌های تازه، سیستم‌های ML علّی می‌سازد
حمل‌ونقل اشتراکی
تیم قیمت‌گذاری Lyft با مدل‌های ML و بهینه‌سازی قیمت و زمان رسیدن را بلادرنگ تعیین می‌کند
بازی و پلتفرم‌های اجتماعی
Roblox با مدل‌های زبانی، بینایی-زبانی و توصیه‌گرهای بزرگ، جستجو و کشف تجربه‌ها را برای کاربرانش شخصی می‌کند
کشف دارو و زیست‌فناوری
Lila Sciences و Latent Labs مدل‌هایی می‌سازند که نتیجه‌شان در آزمایشگاه سنجیده می‌شود و دوباره به مدل برمی‌گردد
رباتیک و خودروی خودران
Wayve مدل‌های پایه برای ربات‌های همه‌منظوره می‌سازد و آمازون برای رباتیک و ادراک (SLAM) آگهی Applied Scientist دارد
نرم‌افزار طراحی و ابزارهای کاری
Figma با Applied Scientistها ویژگی‌های مولد محصولش را می‌سازد و کیفیتشان را با سیستم ارزیابی می‌سنجد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
ML Scientist یعنی کسی که فقط مقاله می‌نویسد
در آگهی‌های این نقش، معیار اصلی اثر روی محصول است. آمازون از Applied Scientist تیم Ads می‌خواهد مدل را از نمونهٔ اولیه تا پروداکشن ببرد و «اثر واقعی تجاری» را اندازه بگیرد. انتشار مقاله ممکن است و آمازون می‌گوید دانشمندانش در ICML و NeurIPS حضور دارند، اما برای بیشتر این آگهی‌ها شرط ورود نیست؛ مقالهٔ داوری‌شده در آگهی Faire جزو «امتیازها» آمده است.
Applied Scientist و ML Scientist دو شغل جدا هستند
بیشتر دو نام برای یک خانوادهٔ شغلی‌اند. در سایت استخدامی آمازون دستهٔ Machine Learning Science به Applied Science منتقل می‌شود و در Glassdoor آمریکا میانهٔ درآمد کل Applied Scientist و Machine Learning Scientist تقریباً یکی است. فرق واقعی را متن آگهی نشان می‌دهد، نه عنوان: بعضی آگهی‌ها به مهندسی ML نزدیک‌ترند و بعضی به پژوهش.
دانشمند فقط ایده می‌دهد و کدنویسی کار مهندس است
حل مسئله و کدنویسی یکی از محورهای فنی مصاحبهٔ Applied Scientist در آمازون است و راهنمای آن می‌نویسد باید کد درست و قابل اجرا به زبان دلخواه بنویسید، نه شبه‌کد، و پیچیدگی زمانی و حافظه را بفهمید. Lyft «کد در سطح پروداکشن» می‌خواهد و Wayve یک جلسهٔ PyTorch debugging در مصاحبه دارد.
بدون دکترا راهی به این شغل نیست
دکترا رایج است اما همه‌جا شرط نیست. آمازون دکترا یا ارشد به‌علاوهٔ ۴ سال تجربه را می‌پذیرد، Lila دکترا یا ارشد با تجربهٔ پژوهشی معادل را و Roblox کارشناسی، ارشد یا دکترا «یا تجربهٔ معادل» را. در عمل کارشناسی بدون تجربهٔ قوی ساخت مدل، در بیشتر این آگهی‌ها کافی نیست.
این روزها همه‌چیز فقط LLM است
LLM در آگهی‌ها زیاد دیده می‌شود، اما کار اصلی خیلی از تیم‌ها هنوز آمار، آزمایش، بهینه‌سازی و مدل‌های کلاسیک است. Lyft روی ML و Operations Research برای قیمت‌گذاری کار می‌کند، DoorDash روی استنباط علّی، و آگهی Amazon Ads صریحاً می‌گوید Generative AI و LLMها ابزارند، نه هدف کار.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
تازه‌کار (کارآموز یا سال‌های اول پس از دکترا یا ارشد)
مسئله معمولاً از قبل تعریف شده و کار شما این است که آن را خوب حل کنید: داده را بشناسید، baseline بسازید، چند روش را بیازمایید و نتیجه را دقیق گزارش کنید. آمازون در آگهی Applied Scientist تیم Ads از همین سطح می‌خواهد مالکیت علمی مسئله‌های «به‌خوبی تعریف‌شده» را بر عهده بگیرد و کم‌کم شروع به راهنمایی هم‌تیمی‌ها کند.
- ◆بررسی یک دیتاست تازه و پیدا کردن مشکل‌هایی مثل نشت داده یا عدم توازن کلاس‌ها
- ◆ساخت یک baseline ساده پیش از سراغ رفتن به مدل پیچیده‌تر
- ◆اجرای آزمایش‌های آفلاین و مقایسهٔ مدل‌ها با معیار درست برای مسئله
- ◆جلسه با مهندس نرم‌افزار دربارهٔ اینکه مدل در سیستم زنده چه ورودی و چه محدودیت زمانی دارد
میانی (Applied Scientist / ML Scientist)
خودتان مسئله را همراه مدیر محصول صورت‌بندی می‌کنید و آن را سرتاسری پیش می‌برید: از تحلیل و نمونهٔ اولیه تا A/B test و استقرار. در بعضی تیم‌ها تقسیم وقت صریح است؛ آگهی Latent Labs حدود ۹۰٪ وقت را برای ساخت مدل و ۱۰٪ را برای یادگیری، به‌روز ماندن و ارائه در reading group گذاشته است.
- ◆نوشتن سند طراحی آزمایش: فرضیه، معیار اصلی، معیارهای محافظ و حجم نمونه
- ◆آموزش و تنظیم مدل و تحلیل خطاهای آن روی بخش‌های مختلف کاربران
- ◆تحلیل نتیجهٔ A/B test و توضیح اینکه چرا معیار اصلی تکان خورد یا نخورد
- ◆خواندن یک مقالهٔ مرتبط و آزمودن سریع ایده‌اش روی مسئلهٔ تیم
ارشد و بالاتر (Senior، Staff، Principal)
وقت بیشتری صرف انتخاب مسئله، تعیین جهت فنی و رشد دیگران می‌شود. Faire از دانشمند ارشد می‌خواهد با code review و راهنمایی فنی سطح تیم را بالا ببرد و DoorDash از Staff ML Scientist می‌خواهد سطح استدلال علّی را در تیم‌های ML بالا ببرد: اینکه کِی به یک مدل اعتماد کنیم و کِی نه.
- ◆بازبینی طرح پروژهٔ یک دانشمند تازه‌کارتر و کمک به محدود کردن مسئله
- ◆تصمیم دربارهٔ اولویت پروژه‌های علمی تیم بر اساس اثر احتمالی روی کسب‌وکار
- ◆بحث با مهندسان پلتفرم دربارهٔ معماری سیستمی که چند مدل را کنار هم اجرا می‌کند
- ◆ارائهٔ نتیجه‌ها و پیشنهادها به مدیران محصول و رهبران کسب‌وکار
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تبدیل یک مسئلهٔ مبهم کسب‌وکار به یک مسئلهٔ ML: داده، برچسب، روش مدل‌سازی و معیار ارزیابی
- ◈تحلیل دادهٔ حجیم و ساخت نمونهٔ اولیه (proof of concept) برای سنجیدن یک ایده
- ◈ساخت، آموزش و بهینه‌سازی مدل‌های ML، از gradient boosting تا مدل‌های عمیق و زبانی
- ◈طراحی و اجرای A/B test و تحلیل علّی برای اندازه گرفتن اثر واقعی مدل روی معیارهای کسب‌وکار
- ◈همکاری با مهندسان نرم‌افزار برای بردن مدل به پروداکشن و پایش آن در سیستم زنده
- ◈دنبال کردن پژوهش‌های تازه و آزمودن روش‌هایی که به مسئلهٔ تیم ربط دارند
- ◈صورت‌بندی مسئله همراه با مدیر محصول، تحلیلگر و Data Scientist در چارچوب هدف کسب‌وکار
- ◈گزارش و ارائهٔ نتیجه‌ها، از جمله نتیجه‌های منفی، به تیم فنی و غیرفنی
- ◈در سطوح ارشد: تعیین جهت فنی، code review و راهنمایی دانشمندان تازه‌کارتر
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند یادگیری ماشین موفق به آن‌ها نیاز دارد
مهارت‌های فنی
regularization، تابع loss، bias-variance، cross-validation و دادهٔ نامتوازن؛ موضوع جلسهٔ «عمق و گسترهٔ دانش» در مصاحبهٔ آمازون
A/B test، آزمون فرض و تحلیل آماری نتیجه؛ آمازون «تجربهٔ طراحی آزمایش و تحلیل آماری نتایج» را حداقل شرط گذاشته است
کد درست، خوانا و ماژولار؛ آمازون در مصاحبه کد بدون باگ و Lyft کد در سطح پروداکشن می‌خواهد
پیچیدگی زمانی و حافظه و آشنایی با برنامه‌نویسی پویا؛ از موضوع‌های جلسهٔ کدنویسی آمازون
Faire تجربهٔ عملی با کتابخانه‌های یادگیری عمیق مثل PyTorch و Lila آموزش مدل روی GPU می‌خواهد
به تعبیر آمازون، از روی تعریف یک مسئله، آن را به مسئلهٔ ML تبدیل کنید و منبع داده، برچسب‌گذاری، مدل و ارزیابی پیشنهاد دهید
precision، recall، AUC، R²، MAP و MRR و انتخاب معیاری که با هدف واقعی هم‌راستا باشد
uplift، double ML، diff-in-diff و ارزیابی off-policy؛ هستهٔ آگهی‌های DoorDash
کار با Spark و دادهٔ حجیم؛ Faire فناوری‌های big data را در شرایط آورده است
در آگهی‌های آمازون و Lyft کنار ML آمده است، به‌ویژه برای قیمت‌گذاری و حراج
SFT، DPO، PPO و GRPO؛ در آگهی‌های Figma و Roblox
موازی‌سازی داده و مدل روی چند شتاب‌دهنده؛ در آگهی‌های Latent Labs و Wayve
مهارت‌های نرم
آمازون می‌نویسد پروژه‌ها به‌ندرت از ابتدا دقیق تعریف شده‌اند و باید بتوانید با مسئلهٔ نامشخص کار کنید
DoorDash می‌خواهد روش را به تصمیم کسب‌وکار وصل کنید، نه اینکه فقط معیار آفلاین را بهتر کنید
کار مداوم با مهندسان، مدیران محصول، تحلیلگران و در تیم‌های زیستی با دانشمندان آزمایشگاه
گزارش نتیجه برای مخاطب فنی و غیرفنی؛ بعضی تیم‌های آمازون ارائهٔ فنی یک‌ساعته در مصاحبه می‌خواهند
در سطوح ارشد: code review، راهنمایی و بالا بردن سطح فنی بیرون از تیم خود
دانش حوزه‌ای
retrieval، ranking، مدل‌سازی کاربر و حراج تبلیغات؛ رایج‌ترین حوزه در آگهی‌ها
تعادل عرضه و تقاضا، تخفیف و قیمت پویا؛ در Lyft، DoorDash و Faire
برای نقش‌های ML Scientist در زیست‌فناوری؛ Lila آشنایی با دست‌کم یک حوزهٔ علوم زیستی را شرط گذاشته است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند یادگیری ماشین
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
ریاضیات، احتمال و آمار
آمازون در راهنمای مصاحبهٔ Applied Scientist می‌نویسد باید بتوانید روش‌ها و مفاهیمی را که در درس‌های مرتبط تحصیلات تکمیلی تدریس می‌شود توضیح دهید و از آن‌ها برای ساخت یک سیستم واقعی و مقیاس‌پذیر استفاده کنید. این مرحله همین پایه را می‌سازد: جبر خطی، احتمال، آمار استنباطی و بهینه‌سازی. نویسندگان کتاب Mathematics for Machine Learning نسخهٔ PDF آن را رایگان نگه داشته‌اند.
یادگیری ماشین کلاسیک و ارزیابی مدل
فهرست «عمق و گسترهٔ دانش» در راهنمای مصاحبهٔ آمازون نقشهٔ خوبی برای این مرحله است: regularization و overfitting، تابع‌های loss، دادهٔ نامتوازن، K-fold cross validation، bias و variance، و معیارهایی مثل precision، recall، AUC، R²، MAP و MRR به‌همراه مبانی A/B test. کتاب ISL نسخهٔ Python هم دارد و هر فصلش با یک تمرین عملی تمام می‌شود.
یادگیری عمیق و مدل‌های زبانی
آگهی‌های ۲۰۲۶ تقریباً همه تجربهٔ یادگیری عمیق می‌خواهند: Faire تجربهٔ عملی با PyTorch، Lila ساخت مدل مولد و Figma تجربهٔ fine-tuning مدل‌های زبانی با SFT و یادگیری تقویتی. کتاب متن‌باز Dive into Deep Learning، که Alex Smola از نویسندگانش است، نظریه را کنار کد اجراشدنی آموزش می‌دهد.
آزمایش، استنباط علّی و یک حوزهٔ کاربردی
چیزی که دانشمند یادگیری ماشین را از مدل‌ساز صرف جدا می‌کند، سنجیدن اثر واقعی است. آمازون از Applied Scientist تیم Ads می‌خواهد با A/B test و تحلیل علّی فرضیه‌ها را بسنجد و اثر تجاری را اندازه بگیرد؛ DoorDash روش‌هایی مثل doubly robust estimation، double ML، diff-in-diff، synthetic control و کاهش واریانس به سبک CUPED را نام برده است. هم‌زمان یک حوزه را عمیق یاد بگیرید؛ جستجو، توصیه‌گر و رتبه‌بندی تبلیغات در آگهی‌ها از همه رایج‌ترند.
از نمونه تا پروداکشن، و آمادگی مصاحبه
Applied Scientist مدل را تا پروداکشن همراهی می‌کند. Sculley و همکاران (NeurIPS 2015) نشان داده‌اند سیستم‌های ML ریسک‌های خاص خودشان را برای بدهی فنی دارند. یادداشت‌های درس CS 329S دانشگاه Stanford بعدها کتاب Designing Machine Learning Systems شد. حلقهٔ مصاحبهٔ آمازون چهار جلسهٔ ۵۵ دقیقه‌ای دارد که در آن‌ها هم مهارت فنی سنجیده می‌شود (حل مسئله و کدنویسی با کد درست و قابل اجرا نه شبه‌کد، عمق و گسترهٔ دانش ML و به‌کار بستن ML روی یک مسئلهٔ واقعی) و هم رفتار بر اساس Leadership Principles. بعضی تیم‌ها هم یک ارائهٔ فنی یک‌ساعته دربارهٔ موضوع دلخواه می‌خواهند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
مدل‌سازی و یادگیری عمیق
فریم‌ورک یادگیری عمیقی که آگهی‌های Faire و Lila نام برده‌اند و Wayve در مصاحبه‌اش جلسهٔ «PyTorch debugging» دارد
داده در مقیاس بزرگ
پردازش توزیع‌شدهٔ دادهٔ حجیم؛ Faire تجربه با فناوری‌های big data مثل Spark را شرط گذاشته است
پایگاه دادهٔ تحلیلی SQL که روی لپ‌تاپ هم اجرا می‌شود؛ برای تمرین SQL و تحلیل داده‌های بزرگ‌تر از حافظه
آزمایش و استنباط علّی
کتابخانهٔ Microsoft Research (حالا در py-why) که روش‌هایی مثل double machine learning را برای سنجیدن اثر علّی پیاده کرده است؛ همان روشی که آگهی DoorDash نام برده
بهینه‌سازی و استقرار
کتابخانهٔ Google برای بهینه‌سازی و تحقیق در عملیات؛ برای مسئله‌هایی مثل قیمت‌گذاری که Lyft آن را ترکیب ML و Operations Research می‌داند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
کارآموز Applied Scientist (دانشجوی ارشد یا دکترا)
حین تحصیلات تکمیلی
کار روی یک مسئلهٔ واقعی تیم زیر نظر یک دانشمند ارشد. در اکتبر ۲۰۲۶ آمازون دوره‌های کارآموزی Applied Scientist سال ۲۰۲۷ را جداگانه برای دانشجویان ارشد و دکترا آگهی کرده بود
Applied Scientist / ML Scientist
پس از دکترا، یا ارشد به‌علاوهٔ چند سال تجربه
مالکیت علمیِ مسئله‌های تعریف‌شده از صورت‌بندی تا پروداکشن. Lyft ارشد یا دکترا به‌علاوهٔ دست‌کم ۲ سال تجربه می‌خواهد و آمازون دکترا، یا ارشد با ۴ سال تجربه. طبق levels.fyi، جمع درآمد سالانه (حقوق، سهام و پاداش) Applied Scientist در آمازون آمریکا در سطح L4 حدود ۲۴۷ هزار و در L5 حدود ۳۲۳ هزار دلار است (به‌روزرسانی ۱ مه ۲۰۲۶)
Senior Applied Scientist / Senior ML Scientist
۴ تا ۵+ سال
تعیین جهت فنی یک حوزه مثل رتبه‌بندی جستجو و بالا بردن سطح فنی تیم با code review و راهنمایی. Faire برای این سطح ۵+ سال تجربه، از جمله ۳+ سال در جستجو، توصیه‌گر یا تبلیغات، و Roblox ۴+ سال می‌خواهد. سطح L6 آمازون در levels.fyi حدود ۴۱۳ هزار دلار در سال است
Staff / Principal Scientist
۷+ سال
تعیین جهت علمی یک حوزه یا پلتفرم و هدایت تصمیم‌های فنی دشوار میان چند تیم. DoorDash از Staff Applied Scientist تیم آزمایش می‌خواهد جهت علمی پلتفرم آزمایش شرکت را تعیین کند و دانشمندان داده، مهندسان و تیم‌های محصول را راهنمایی کند؛ Roblox برای سطح Principal ۷+ سال تجربه می‌خواهد. سطح L7 آمازون در levels.fyi حدود ۶۵۳ هزار دلار در سال است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
مسئله‌ای که از اول روشن نیست
عمومیآمازون در راهنمای مصاحبه می‌گوید پروژه‌های Applied Scientist به‌ندرت از ابتدا دقیق تعریف شده‌اند. بخش بزرگی از کار این است که از یک خواستهٔ کلی، مثل «جستجو بهتر شود»، یک مسئلهٔ قابل اندازه‌گیری بسازید. کسی که فقط با مسئلهٔ آماده راحت است، اینجا اذیت می‌شود.
فاصلهٔ معیار آفلاین با اثر واقعی
عمومیمدلی که روی دادهٔ آزمون بهتر است لزوماً در محصول بهتر عمل نمی‌کند. DoorDash در آگهی‌اش از متقاضی می‌خواهد روش را به تصمیم کسب‌وکار وصل کند، نه فقط معیار آفلاین را بهینه کند، و بداند کِی به یک مدل اعتماد کند و کِی نه. Google هم در Rules of Machine Learning توصیه می‌کند هدف مدل را با هدف قابل‌اندازه‌گیری محصول هم‌راستا کنید.
آزمایش‌های کند، پرنویز یا ناممکن
شرکت بزرگهمیشه نمی‌شود A/B test تمیز اجرا کرد: ترافیک کم است، اثر کوچک است یا آزمایش روی هر دو طرف بازار اثر می‌گذارد. DoorDash دقیقاً برای وقتی که آزمایش تصادفی «کند، پرنویز یا ناقص» است سیستم‌های علّی و معیارهای جایگزین (surrogate) می‌خواهد. یاد گرفتن این روش‌ها زمان و دقت آماری زیادی می‌خواهد.
بار مهندسی پس از ساخت مدل
عمومیSculley و همکاران در NeurIPS 2015 نشان دادند سیستم‌های ML ریسک‌های خاص خودشان را برای بدهی فنی دارند، مثل وابستگی به داده و حلقه‌های بازخورد پنهان. چون دانشمند مدل را تا پروداکشن همراهی می‌کند، با این مسائل هم درگیر می‌شود و آمازون از Applied Scientist پیاده‌سازی «بی‌خطا و مقیاس‌پذیر» می‌خواهد.
شرط تحصیلی بالا برای تغییر مسیر
عمومیبیشتر آگهی‌های این نقش ارشد یا دکترا می‌خواهند: آمازون دکترا یا ارشد به‌علاوهٔ ۴ سال تجربه، Lyft ارشد یا دکترا، Faire ارشد یا دکترا. برای کسی که از رشتهٔ دیگری می‌آید، مسیر معمولاً از تحصیلات تکمیلی یا چند سال کار نزدیک به ML، مثلاً به‌عنوان Data Scientist یا مهندس ML، می‌گذرد.
دانش حوزهٔ کاربرد
استارتاپدر زیست‌فناوری مدل خوب کافی نیست: Lila آشنایی با دست‌کم یک حوزهٔ علوم زیستی و همکاری با دانشمندان آزمایشگاه را می‌خواهد و Latent Labs از دانشمند ML انتظار دارد با تیم زیستی آزمایش‌های wet lab را برنامه‌ریزی کند. یاد گرفتن زبان یک حوزهٔ دیگر کنار ML یک بار اضافه است.
حقوق و بازار کار جهانی
حقوق جهانی دانشمند یادگیری ماشین
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, estimate updated Apr 2025, Machine Learning Scientist total pay: 25th–75th pct; median (Glassdoor's 'average'), 430 salaries
- Glassdoor Canada, estimate updated Oct 2026, Machine Learning Scientist total pay: 25th–75th pct; median (Glassdoor's 'average'), 53 salaries
- Glassdoor UK, estimate updated Oct 2026, Machine Learning Scientist total pay: 25th–75th pct; median (Glassdoor's 'average'), 82 salaries
- Glassdoor Germany, estimate updated Sep 2025, Machine Learning Scientist total pay: 25th–75th pct; median (Glassdoor's 'average'), only 25 salaries
- Glassdoor India, estimate updated Oct 2024, Machine Learning Scientist total pay: 25th–75th pct; median (Glassdoor's 'average'), 49 salaries
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مرور ریاضی و ML کلاسیک
فصل‌های پایهٔ ISL را با تمرین‌های Python آن کار کنید و هر جا در جبر خطی یا احتمال کم آوردید، به کتاب Mathematics for Machine Learning برگردید.
ماه ۲ و ۳: یادگیری عمیق با PyTorch
فصل‌های اصلی Dive into Deep Learning را با کد اجرا کنید و دست‌کم یک مدل Transformer کوچک را خودتان آموزش دهید.
ماه ۴: آزمایش و استنباط علّی
فصل اول رایگان کتاب Kohavi دربارهٔ A/B test را بخوانید و فصل‌های اثر ناهمگن و double ML کتاب Brave and True را با کد کار کنید.
ماه ۵: یک پروژهٔ سرتاسری
یکی از پروژه‌های پیشنهادی این صفحه، مثلاً رتبه‌بندی جستجو یا مدل uplift، را از صورت‌بندی مسئله تا یک API ساده و گزارش نهایی کامل کنید.
ماه ۶: آمادگی مصاحبه و درخواست
راهنمای مصاحبهٔ Applied Scientist آمازون را مرور کنید، کدنویسی بدون IDE را تمرین کنید، یک ارائهٔ یک‌ساعته از پروژه‌تان آماده کنید و برای نقش‌های Applied Scientist و کارآموزی درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
رتبه‌بندی جستجو یا توصیه‌گر با ارزیابی آفلاین درست
متوسطروی یک دیتاست عمومی تعامل کاربر و کالا، یک مدل retrieval و یک مدل ranking بسازید و با معیارهایی مثل MAP و MRR (همان‌هایی که راهنمای مصاحبهٔ آمازون نام برده) با یک baseline ساده مقایسه کنید. در گزارش بنویسید اگر این مدل در محصول واقعی بود، با چه A/B testی و چه معیار اصلی‌ای می‌سنجیدیدش.
مدل uplift: به چه کسی پیشنهاد بدهیم؟
پیشرفتهروی دادهٔ یک آزمایش تصادفی بازاریابی (گروه درمان و کنترل)، با EconML اثر ناهمگن پیشنهاد را برای هر کاربر تخمین بزنید و نشان دهید هدف‌گیری بر اساس uplift با هدف‌گیری بر اساس احتمال خرید چه فرقی دارد. این همان نوع مسئله‌ای است که DoorDash در آگهی ML Scientist خود برای پیشنهادهای تخفیف، حفظ و بازگرداندن مشتری آورده است.
پیش‌بینی تقاضا و قیمت‌گذاری با بهینه‌سازی
پیشرفتهیک مدل پیش‌بینی تقاضا بسازید و خروجی‌اش را به یک مسئلهٔ بهینه‌سازی قیمت با قید (مثلاً سقف تخفیف) وصل کنید. Lyft این ترکیب ML و Operations Research را هستهٔ کار Applied Scientist تیم قیمت‌گذاری می‌داند. نشان دهید خطای پیش‌بینی چطور تصمیم بهینه را جابه‌جا می‌کند.
Fine-tuning یک مدل زبانی کوچک با سیستم ارزیابی
پیشرفتهیک مدل زبانی متن‌باز کوچک را برای یک کار مشخص با SFT و سپس یک روش ترجیحی مثل DPO آموزش دهید و پیش از هر چیز یک مجموعهٔ ارزیابی بسازید که کیفیت را بسنجد. Figma در آگهی AI Applied Scientist هم آموزش با SFT و RL و هم ساخت سیستم ارزیابی برای ویژگی‌های AI را جزو کار آورده است.
یک پروژه از اول تا آخر، همراه با ارائهٔ فنی
متوسطیکی از پروژه‌های بالا را کامل کنید: صورت‌بندی مسئله، داده، مدل، ارزیابی، یک API ساده برای سرو کردن مدل و گزارش محدودیت‌ها. بعد یک ارائهٔ یک‌ساعته از آن آماده کنید؛ بعضی تیم‌های آمازون در مصاحبه همین «tech talk» را می‌خواهند و باید بتوانید از تصمیم‌هایتان در برابر سؤال دفاع کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
به گفتهٔ صفحهٔ شخصی‌اش، فیزیک را در دانشگاه فنی مونیخ خواند، در ۱۹۹۶ کارشناسی ارشد گرفت و در ۱۹۹۸ دکترای علوم کامپیوتر را از دانشگاه فنی برلین. بعد در دانشگاه ملی استرالیا و مؤسسهٔ NICTA پژوهش کرد، از ۲۰۰۸ تا ۲۰۱۲ در Yahoo! Research و سپس تا پایان ۲۰۱۴ در Google Research بود و از ۲۰۱۳ تا ۲۰۱۷ استاد دانشگاه Carnegie Mellon. در ژوئیهٔ ۲۰۱۶ به Amazon Web Services رفت و در ۲۰۲۳ شرکت Boson AI را هم‌بنیان گذاشت و مدیرعامل آن است.
هم‌نویسندهٔ کتاب Learning with Kernels (با Bernhard Schölkopf، انتشارات MIT، ۲۰۰۲) و کتاب متن‌باز Dive into Deep Learning است. خودش هدف رفتنش به AWS را کمک به ساختن ابزارهای AI و یادگیری ماشین «برای همه» می‌گوید و در فهرست علاقه‌هایش، بردن الگوریتم‌ها به مقیاس اینترنت و مدل‌سازی کاربر و داده در مقیاس بزرگ را آورده است.
مسیر او نشان می‌دهد پایهٔ نظری عمیق و کار روی مقیاس با هم جمع می‌شوند: از نظریهٔ kernel methods به آزمایشگاه‌های صنعتی و بعد ساختن ابزار برای دیگران. کتاب متن‌بازی که با همکارانش نوشته هم یادآور این است که توضیح دادن با کد اجراشدنی بخشی از کار دانشمند است.
طبق ویکی‌پدیا، کارشناسی فیزیک و ریاضی را در ۲۰۰۷ از دانشگاه Vanderbilt گرفت، در کمبریج فیزیک نظری ماده چگال خواند و دکترای شیمی نظری را در ۲۰۱۷ از دانشگاه شیکاگو گرفت. نزدیک به نه سال در Google DeepMind در سمت director کار کرد و در ژوئن ۲۰۲۶ اعلام کرد از آنجا می‌رود تا به Anthropic بپیوندد.
او و همکارانش AlphaFold را ساختند، مدلی که ساختار سه‌بعدی پروتئین را از توالی آمینواسیدها با دقت بالا پیش‌بینی می‌کند. AlphaFold در نوامبر ۲۰۲۰ برندهٔ چهاردهمین دورهٔ مسابقهٔ CASP شد و تیمش تا ژانویهٔ ۲۰۲۴ ساختار ۲۱۴ میلیون پروتئین را منتشر کرده بود. در ۲۰۲۴ او و Demis Hassabis نیمی از جایزهٔ نوبل شیمی را برای پیش‌بینی ساختار پروتئین گرفتند.
AlphaFold مثال روشنی از کاری است که آگهی‌های ML Scientist در زیست‌فناوری می‌خواهند: یک مسئلهٔ مشخص علمی، یک معیار سنجش روشن (CASP) و ترکیب دانش حوزه با یادگیری ماشین. پیش‌زمینهٔ شیمی و فیزیک او بخشی از همین ترکیب بود.
طبق ویکی‌پدیا، کارشناسی و ارشد را از دانشگاه عبری اورشلیم و دکترا را در ۱۹۹۳ از Stanford گرفت و از ۱۹۹۵ عضو هیئت علمی دانشکدهٔ علوم کامپیوتر Stanford بود. در ۲۰۱۲ با Andrew Ng پلتفرم Coursera را بنیان گذاشت و در ۲۰۱۶ مدیر ارشد محاسبات شرکت Calico شد.
در ۲۰۰۹ با Nir Friedman کتاب درسی Probabilistic Graphical Models را منتشر کرد. در ۲۰۱۸ شرکت کشف داروی insitro را راه انداخت که یادگیری ماشین و ژنومیک را ترکیب می‌کند تا درمان بیماری‌ها را پیش‌بینی و آزمایش کند. پیش‌تر هم با همکارانش در Stanford ابزار PhysiScore را برای پیش‌بینی مشکلات سلامت نوزادان نارس ساخته بود.
کار او از ابتدا روی کاربرد یادگیری ماشین در زیست‌پزشکی بوده است. شرکت‌هایی مثل Lila Sciences و Latent Labs امروز ML Scientistهایی می‌خواهند که همین دو زبان را بلد باشند: مدل‌سازی احتمالاتی و زیست‌شناسی.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Applied Scientist, Amazon Ads
تحلیل نیازمندی‌ها
3+ years of building models for business application experience
تجربهٔ ساخت مدل برای کاربرد تجاری، نه فقط پروژهٔ کلاسی یا پژوهش دانشگاهی. در مصاحبه باید بتوانید توضیح دهید مدلتان روی چه تصمیم یا چه معیار کسب‌وکاری اثر گذاشت.
ضروریPhD, or Master's degree and 4+ years of CS, CE, ML or related field experience
دو راه ورود دارد: دکترا، یا ارشد به‌علاوهٔ چهار سال تجربه. کارشناسی به‌تنهایی در این آگهی کافی نیست، حتی با تجربهٔ زیاد.
ضروریExperience programming in Java, C++, Python or related language
زبان مهم نیست، توانایی نوشتن کد واقعی مهم است. راهنمای مصاحبهٔ آمازون می‌گوید در جلسهٔ کدنویسی باید کد درست و قابل اجرا بنویسید، نه شبه‌کد.
ضروریExperience in any of the following areas: algorithms and data structures, parsing, numerical optimization, data mining, parallel and distributed computing, high-performance computing
«any» یعنی یکی کافی است. این فهرست نشان می‌دهد مسئلهٔ تیم بیش از هر چیز مقیاس و سرعت است: تصمیم دربارهٔ میلیون‌ها درخواست در ثانیه، در چند میلی‌ثانیه.
مهمExperience using Unix/Linux
کار روزمره روی سرور و کلاستر است؛ راحتی با خط فرمان لینوکس انتظار پایه است.
مفیدExperience in professional software development
در بخش «ترجیحی» آمده، اما چون مدل‌ها را خودتان همراه مهندسان به پروداکشن می‌برید، عادت‌های مهندسی مثل تست، code review و version control در عمل خیلی کمک می‌کند.
مفیدتحلیل مسئولیت‌ها
Conduct hands-on data analysis and build large-scale ML models and pipelines for supply optimization.
دانشمند خودش دست به داده می‌زند؛ تحلیل را به کس دیگری نمی‌سپارد. «supply optimization» اینجا یعنی تصمیم دربارهٔ اینکه کدام درخواست‌های تبلیغ ارزش پردازش دارند.
Take your models end to end, from proof of concept through experimentation, optimization, and deployment into production, working closely with software engineers to productionize them and with product managers and fellow scientists along the way.
خلاصهٔ تعریف آمازون از Applied Scientist: مالکیت مدل از ایده تا پروداکشن. مهندسان در استقرار کمک می‌کنند، اما مسئولیت اینکه مدل در محصول درست کار کند با شماست.
Design and run A/B experiments and causal analysis to validate hypotheses, draw insights from petabyte-scale data, and measure real business impact.
معیار موفقیت اثر تجاری اندازه‌گیری‌شده است، نه دقت مدل روی دادهٔ آزمون. طراحی آزمایش و استنباط علّی بخشی از کار روزمره است.
Research and apply advanced ML, including generative AI and large language models, to demand prediction and traffic filtering.
دنبال کردن پژوهش‌های تازه جزو کار است، اما با هدف یک مسئلهٔ مشخص. خود آگهی می‌گوید LLMها ابزاری‌اند که وقتی کمک می‌کنند سراغشان می‌روید.
Drive end-to-end optimization projects that tackle ambiguous problems at massive scale, developing scalable, efficient processes for model development, validation, and deployment that optimize traffic monetization while maintaining customer experience.
دو هدف هم‌زمان دارید: درآمد بیشتر از ترافیک و حفظ تجربهٔ مشتری. تعادل میان این دو و ساختن فرایندی تکرارپذیر برای ساخت و سنجش مدل‌ها، بخشی از قضاوت دانشمند است.
نتیجه‌گیری کلی
این آگهی، که در اکتبر ۲۰۲۶ باز بود، تعریف آمازون از Applied Scientist را در عمل نشان می‌دهد: مالکیت علمی یک مسئلهٔ مشخص، از صورت‌بندی و آزمایش تا پروداکشن، با اثر تجاری سنجیده‌شده. شرط ورود بالاست (دکترا، یا ارشد با ۴ سال تجربه، و ۳ سال ساخت مدل برای کاربرد تجاری)، اما مقاله یا سابقهٔ پژوهشی شرط نشده است. جملهٔ «Generative AI and LLMs are tools you reach for when they help, not the point of the work» هم یادآوری می‌کند که آمار، بهینه‌سازی و ML در مقیاس هنوز هستهٔ کارند. بازهٔ حقوق پایهٔ اعلام‌شده در سان‌فرانسیسکو ۱۷۱٬۶۰۰ تا ۲۲۲٬۲۰۰ دلار در سال است، به‌علاوهٔ پاداش ورود و سهام (RSU).
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا گروه شغلی جداگانه‌ای برای دانشمند یادگیری ماشین ندارد. نزدیک‌ترین گروه رسمی، که O*NET هم در جستجوی «machine learning scientist» اول نشانش می‌دهد، Data Scientists است: BLS پیش‌بینی می‌کند اشتغال این گروه از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند، بسیار سریع‌تر از میانگین همهٔ مشاغل، و سالانه به‌طور میانگین حدود ۲۴٬۸۰۰ فرصت شغلی در آن پدید آید. برای گروه پژوهش‌محورتر Computer and Information Research Scientists این رقم ۲۲٪ در همین دوره است.
منبع: BLS Occupational Outlook Handbook (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ شرکت‌کننده در نظرسنجی «متخصصان AI و یادگیری ماشین» را در رتبهٔ سوم فهرست سریع‌ترین شغل‌های در حال رشد از ۲۰۲۵ تا ۲۰۳۰ (از نظر درصد) قرار داده‌اند.
BLS آمریکا رشد ۳۵٪ اشتغال Data Scientists را از ۲۰۲۵ تا ۲۰۳۵ پیش‌بینی می‌کند و می‌نویسد این متخصصان لازم خواهند بود تا به کسب‌وکارها کمک کنند از AI برای بهبود فرایندها، تصمیم‌گیری و طراحی محصولات تازه استفاده کنند.
BLS برای گروه Computer and Information Research Scientists رشد ۲۲٪ را از ۲۰۲۵ تا ۲۰۳۵ پیش‌بینی می‌کند و می‌نویسد تخصص این پژوهشگران برای ساختن فناوری‌های تازهٔ مرتبط با هوش مصنوعی لازم خواهد بود.
اول، عنوان‌ها یکدست نیستند: یک آگهی ML Scientist ممکن است در عمل مهندسی ML باشد و دیگری پژوهش؛ پیش از درخواست، متن آگهی را بخوانید نه عنوان را. دوم، شرط تحصیلی و تجربه بالاست و بیشتر آگهی‌ها ارشد یا دکترا و سابقهٔ ساخت مدل در کار واقعی می‌خواهند، پس مسیر ورود معمولاً طولانی‌تر از Data Scientist است که BLS می‌گوید معمولاً با کارشناسی شروع می‌شود. سوم، مهارت‌های لازم در حال جابه‌جایی‌اند: آگهی‌های Figma و Roblox حالا پس‌آموزش مدل‌های زبانی با یادگیری تقویتی می‌خواهند، در حالی که تیم‌هایی مثل Lyft و DoorDash هنوز روی آمار، بهینه‌سازی و استنباط علّی تکیه دارند. کسی که پایهٔ آماری محکم دارد، در هر دو گروه جای کار دارد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۹ منبع بررسی شده است.
- Applied Scientist, Amazon Ads — Amazon (job posting)
- Applied Scientist II, Sponsored Products Bidding — Amazon (job posting)
- Staff Machine Learning Scientist, Applied Causal Inference — DoorDash (job posting)
- ML Scientist, Foundation Models for Life Sciences — Lila Sciences (job posting)
- Jobs at Lila Sciences — Greenhouse job board
- Staff Applied Scientist, Experimentation and Causal Inference — DoorDash (job posting)
- Principal/Senior Machine Learning Scientist - Search and Discovery — Roblox (job posting)
- Senior Applied AI/ML Scientist - Search Ranking — Faire (job posting)
- Applied Scientist - Pricing, Dynamic Pricing & Offer Selection — Lyft (job posting)
- AI Applied Scientist — Figma (job posting)
- Machine Learning Scientist/Engineer — Wayve (job posting)
- Machine Learning Scientist — Latent Labs (job posting)
- Applied Scientist Interview Prep — Amazon.jobs
- Amazon Applied Science Careers — Amazon.jobs
- Amazon.jobs job search: applied scientist, USA
- levels.fyi — Amazon Applied Scientist salary
- Glassdoor — Machine Learning Scientist salary, United States
- Glassdoor — Applied Scientist salary, United States
- Glassdoor — Machine Learning Scientist salary, Canada
- Glassdoor — Machine Learning Scientist salary, United Kingdom
- Glassdoor — Machine Learning Scientist Gehalt, Deutschland
- Glassdoor — Machine Learning Scientist salary, India
- BLS Occupational Outlook Handbook — Data Scientists
- BLS Occupational Outlook Handbook — Computer and Information Research Scientists
- O*NET OnLine — occupations matching “machine learning scientist”
- O*NET OnLine — 15-2051.00 Data Scientists
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Alex Smola — personal homepage and biography
- John M. Jumper — Wikipedia
- Daphne Koller — Wikipedia
- Sculley et al. — Hidden Technical Debt in Machine Learning Systems (NeurIPS 2015)
- Rules of Machine Learning — Google for Developers
- Trustworthy Online Controlled Experiments — Experiment Guide (Kohavi, Tang, Xu)
- Stanford CS 329S — Machine Learning Systems Design
- py-why/EconML — GitHub
- py-why/dowhy — GitHub
- Mathematics for Machine Learning — companion site
- An Introduction to Statistical Learning
- Dive into Deep Learning (d2l.ai)