مدیر تیم MLOps
MLOps Lead
MLOps Lead تیم یا پلتفرمی را رهبری می‌کند که مدل‌های یادگیری ماشین را از آموزش به پروداکشن می‌برد و آن‌جا سالم نگه می‌دارد: pipeline آموزش، رجیستری مدل، serving، پایش و هزینهٔ محاسبات. در آگهی‌های ۲۰۲۶ این نقش دو شکل دارد: مدیر مهندسی (Engineering Manager یا Associate Director) که تیم ۶ تا ۷ نفره یا بیشتر را می‌سازد و نقشهٔ راه را تعیین می‌کند، و رهبر فنی (Staff یا Lead Engineer) که بدون مدیریت مستقیم، معماری پلتفرم را در دست دارد. عنوان دقیق «MLOps Lead» کم دیده می‌شود و بیشتر آگهی‌ها سطح مهندس‌اند، پس این نقشی برای چند سال بعد از ورود به MLOps است.
مقدمه و تعریف شغل
MLOps، طبق ویکی‌پدیا، رویکردی برای استقرار و نگهداری مدل‌های یادگیری ماشین در پروداکشن به شکل قابل اعتماد و کارآمد است و از سه رشته کمک می‌گیرد: یادگیری ماشین، مهندسی نرم‌افزار (به‌ویژه DevOps) و مهندسی داده. MLOps Lead کسی است که تیم یا پلتفرم این کار را رهبری می‌کند. آگهی‌های ۲۰۲۶ دو مسیر را نشان می‌دهند. مسیر مدیریتی با عنوان‌هایی مثل Engineering Manager - MLOps (Canonical)، Engineering Manager, Machine Learning Infrastructure (Roblox) یا Associate Director, MLOps (PathAI): استخدام و رشد تیم، نقشهٔ راه، بودجهٔ محاسبات و هماهنگی با تیم‌های داده و محصول. مسیر فنی با عنوان‌هایی مثل Staff MLOps Engineer (Apptronik) یا Lead Machine Learning Engineer - ML Infrastructure (Samsara): مالکیت معماری پلتفرم بدون مدیریت مستقیم. در هر دو مسیر کار فنی ادامه دارد؛ Canonical می‌نویسد بازبینی کد و رهبری معماری بخشی از کار مدیر است. مرز با DevOps روشن است: مهندس DevOps زیرساخت و مسیر تحویل عمومی نرم‌افزار را می‌سازد و تیم MLOps روی آن، چرخهٔ عمر خود مدل را اداره می‌کند: آموزش، ثبت، استقرار، پایش و آموزش دوباره.
طبق ویکی‌پدیا، علاقه به عملیاتی کردن سیستم‌های ML از میانهٔ دههٔ ۲۰۱۰ رشد کرد، وقتی پروژه‌ها از آزمایش به پروداکشن رسیدند. مقالهٔ «Hidden Technical Debt in Machine Learning Systems» از D. Sculley و همکارانش (NIPS 2015) نشان داد سیستم‌های ML واقعی هزینهٔ نگهداری سنگینی دارند، به دلایلی مثل وابستگی به داده، حلقه‌های بازخورد پنهان و تغییرات دنیای بیرون. Uber در وبلاگ ۲۰۱۷ خود نوشت پیش از پلتفرم Michelangelo، دانشمندان داده با ابزارهای پراکنده مدل می‌ساختند و تیم‌های مهندسی جدا برای هر مدل سیستم یک‌باره می‌ساختند؛ ساخت Michelangelo از میانهٔ ۲۰۱۵ شروع شد و بعدها feature store را هم در بر گرفت. این همان کاری است که امروز تیم‌های پلتفرم ML انجام می‌دهند. سند MLOps گوگل کلود این مسیر را در سه سطح توضیح می‌دهد: فرایند دستی، خودکار کردن pipeline برای آموزش مداوم، و CI/CD برای خود pipeline ها. بازار امروز عمدتاً سطح مهندس است: Axial Search، یک شرکت کاریابی تخصصی AI، در ۱٬۹۵۹ آگهی MLOps آمریکا از ژانویهٔ ۲۰۲۶ می‌نویسد ۶۹٪ آگهی‌ها برای مهندسان میانی و ارشد است، فقط ۷٪ مدیر می‌خواهند و کمتر از ۲٪ سطح Director یا بالاتر است. در بریتانیا MLOps بیشتر به‌عنوان مهارت در آگهی‌های دیگر می‌آید: طبق ITJobsWatch، پرتکرارترین عنوان‌ها در آگهی‌هایی که MLOps را نام برده‌اند AI Engineer (۲۵٫۷٪) و Data Scientist (۲۲٫۵٪) است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مدیر تیم MLOps
پلتفرم MLOps از داده تا مدل مستقر
Apptronik از Staff MLOps Engineer می‌خواهد سیستم مرجع دیتاست‌ها، آزمایش‌ها، مدل‌ها و مسیر serving را بسازد؛ طوری که هر مدل آموزش‌دیده تا دادهٔ دقیق و کدی که آن را ساخته قابل ردیابی باشد و مسیر «آموزش‌دیده»، «تأییدشده» و «مستقر روی ربات» تعریف شده باشد.
استنتاج بلادرنگ برای تصمیم‌های حساس
تیم ML Platform در Mercury سرویسی می‌سازد که مدل‌های ریسک را با تأخیر کم و دسترس‌پذیری بالا برای موتور تصمیم‌گیری تقلب اجرا می‌کند؛ با رجیستری و نسخه‌بندی، CI/CD همراه بررسی کارایی، سوگیری و سازگاری، و انتشار shadow و مرحله‌ای.
زیرساخت آموزش توزیع‌شده و GPU
Shield AI پلتفرمی بومی Kubernetes برای آموزش توزیع‌شده، شبیه‌سازی و ارزیابی می‌سازد و هدفش این است که مهندسان از ایده تا آموزش توزیع‌شده «در چند ساعت به جای چند روز» برسند و GPU ها با زمان‌بندی کارآمد پربازده بمانند.
استقرار مدل روی دستگاه‌ها
Hudl از مهندس ارشد MLOps می‌خواهد مدل‌ها را از خوشه‌های آموزش به ده‌ها هزار دوربین هوشمند برساند: کامپایل با TensorRT، انتخاب دقت عددی، آزمایش بی‌صدای مدل روی دستگاه و پایش drift و تأخیر در محیط واقعی. Samsara هم استقرار لبه روی بیش از ۲ میلیون دستگاه را جزو پلتفرم خود می‌داند.
نقشهٔ راه، تیم و بودجه
PathAI از Associate Director, MLOps می‌خواهد چشم‌انداز بلندمدت تیم را تعیین کند، تیم ۶ تا ۷ نفره یا بیشتر را رهبری کند، پشته را برای رشد ۵ تا ۱۰ برابری اجرای مدل‌ها آماده کند و ابزارهای داخلی را با گزینه‌های تجاری و متن‌باز مقایسه کند.
استانداردها و حاکمیت مدل
Oura از مهندس ارشد MLOps می‌خواهد شیوه‌های حاکمیت مدل، از جمله بازتولیدپذیری، lineage، کنترل دسترسی و استانداردهای عملیاتی، را برای چند تیم علم داده تعریف کند و ابزارهایی مثل MLflow را استاندارد کند.
تخصص‌های مختلف مدیر تیم MLOps
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
رهبر پلتفرم و زیرساخت ML
ML Platform / Infrastructure Lead
مالکیت کل پلتفرم برای چند تیم محصول: آموزش، آزمایش، استنتاج batch و آنلاین و ابزار توسعه‌دهنده. Samsara این نقش را «لنگر فنی» زیرساخت ML برای سازمان Safety AI می‌نامد.
serving و استنتاج
Model Serving & Inference
تمرکز بر اجرای سریع و پایدار مدل‌ها: سرویس بلادرنگ با تأخیر کم (Mercury)، مدرن‌سازی پشتهٔ استنتاج برای رشد چندبرابری (PathAI) و الگوهای انتشار مثل canary و champion/challenger.
MLOps روی لبه و دستگاه
Edge / On-device MLOps
رساندن مدل به ناوگانی از دستگاه‌ها با سخت‌افزار و شبکهٔ محدود: کامپایل و کوانتیزه کردن، به‌روزرسانی مقاوم و پایش در محیط واقعی. Hudl برای دوربین‌ها، Samsara برای دستگاه‌های خودرو و تجهیزات و Apptronik برای ربات این نقش را می‌خواهند.
پلتفرم آموزش و محاسبات GPU
Training & GPU Compute Platform
زمان‌بندی و بهره‌وری GPU، آموزش توزیع‌شده و ذخیره‌سازی برای دیتاست‌های بزرگ. Shield AI تجربه با زمان‌بندهایی مثل KAI و Slurm را امتیاز می‌داند و PathAI مدیریت دیتاست‌هایی در مقیاس پتابایت را می‌خواهد.
حاکمیت و ارزیابی مدل
ML Governance & Evaluation
بازتولیدپذیری، lineage، کنترل دسترسی (Oura)، بررسی سوگیری و سازگاری در CI (Mercury) و harness های ارزیابی که هر مدل باید پیش از انتشار از آن بگذرد (Apptronik). در صنایع تحت نظارت این بخش اهمیت بیشتری دارد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مهندس ارشد MLOps بخشی از پلتفرم را می‌سازد و نگه می‌دارد. Lead مسئول جهت کل پلتفرم و آدم‌هاست. مرز در عمل نرم است: Apptronik برای Staff MLOps «رهبری فنی دستی، نه مدیریت» می‌خواهد، در حالی که PathAI برای Associate Director ۴+ سال مدیریت تیم. پیش از درخواست، شرح وظایف را بخوانید تا بدانید نقش مدیریتی است یا فنی.
مهندس DevOps زیرساخت و مسیر تحویل عمومی نرم‌افزار را می‌سازد: CI/CD، Terraform، Kubernetes و پایش. تیم MLOps روی همین پایه چرخهٔ عمر مدل را اداره می‌کند: رجیستری، آموزش مداوم، استقرار مرحله‌ای مدل و پایش drift. سند MLOps گوگل همین را می‌گوید: در ML، CI علاوه بر کد، داده و مدل را هم تست می‌کند و آموزش مداوم (CT) ویژگی مخصوص سیستم‌های ML است. ابزارهای زیرساخت مشترک‌اند و تجربهٔ DevOps مسیر رایج ورود به MLOps است.
این نقش‌ها خود مدل را می‌سازند. Mercury تقسیم کار را صریح می‌نویسد: همکاران علم داده مدل‌ها را می‌نویسند و آموزش می‌دهند و تیم پلتفرم ML سیستمی می‌سازد که آن‌ها بدون بار عملیاتی مدل را ثبت، مستقر و پایش کنند. با این حال Lead باید ML را بفهمد؛ Samsara از Lead زیرساخت ML فهم ارزیابی، طراحی دیتاست و drift را می‌خواهد تا بتواند رویکرد مدل‌سازی را بازبینی کند.
LLMOps همین منطق را برای برنامه‌های مبتنی بر مدل‌های زبانی بزرگ اجرا می‌کند، اما مسائلش فرق دارد. آگهی LLMops Engineer در Coursera نسخه‌بندی prompt و pipeline، ارزیابی خودکار برای خروجی‌های غیرقطعی، پایش مصرف توکن و هزینهٔ هر درخواست، pipeline های RAG و guardrail ها را می‌خواهد. MLOps کلاسیک بیشتر با آموزش مدل، رجیستری و serving مدل‌های خودِ شرکت سروکار دارد. Tripadvisor تجربهٔ LLMOps را برای مهندس MLOps امتیاز می‌داند.
تأثیر در صنایع مختلف
مدیر تیم MLOps در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
سلامت و پاتولوژی دیجیتال
PathAI پشتهٔ ML خود را برای آموزش و استنتاج در مقیاس بزرگ گسترش می‌دهد؛ تیم MLOps باید pipeline های محاسبات و ذخیره‌سازی برای میلیون‌ها اسلاید را بسازد و استنتاج را برای رشد ۵ تا ۱۰ برابری آماده کند
فین‌تک و تشخیص تقلب
در Mercury مدل‌ها به‌طور فزاینده تصمیم‌های بلادرنگ دربارهٔ تقلب و جرائم مالی را هدایت می‌کنند و تیم ML Platform مسیر از مدل آموزش‌دیده تا استقرار قابل اعتماد را می‌سازد
بازی و تبلیغات آنلاین
Roblox زیرساخت ML تبلیغات را در مقیاس صدها میلیارد تعامل و برای صدها میلیون کاربر می‌سازد و مدیر مهندسی آن مسئول آموزش، pipeline داده، feature و استنتاج است
اینترنت اشیا و عملیات فیزیکی
پلتفرم ML در Samsara از آموزش تا استقرار مدل روی بیش از ۲ میلیون دستگاه را پوشش می‌دهد و Lead آن با تیم‌های firmware و امنیت کار می‌کند
رباتیک
Apptronik مسیر مدل از دادهٔ teleoperation تا اجرای سیاست آموزش‌دیده روی ربات Apollo را با ارزیابی و gating پیش از انتشار مدیریت می‌کند
دفاع و هوافضا
Shield AI پلتفرم AI Factory را هم برای توسعهٔ داخلی خودمختاری و هم برای استقرار در محیط مشتری، از جمله محیط‌های air-gapped، می‌سازد
فناوری ورزشی و پوشیدنی‌ها
Hudl مدل‌ها را به ده‌ها هزار دوربین هوشمند Focus می‌رساند و Oura پلتفرم MLOps مشترک برای چند تیم علم داده در حوزه‌های مختلف کسب‌وکار می‌سازد
نرم‌افزار متن‌باز
Canonical، ناشر Ubuntu، تیمی دارد که سبد MLOps شرکت را بر پایهٔ ابزارهای متن‌باز مثل Kubeflow، MLflow و Feast توسعه می‌دهد و مدیرش در کنفرانس‌ها آن را معرفی می‌کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
MLOps Lead یعنی مدیری که دیگر کد نمی‌زند
Canonical می‌نویسد بازبینی کد و رهبری معماری بخشی از کار مدیر مهندسی است و از او تسلط به Kubeflow، MLflow و Feast را انتظار دارد. PathAI از Associate Director «تخصص فنی عمیق» با Kubernetes، ابر و Terraform می‌خواهد. Samsara هم برای Lead خود می‌نویسد باید همتای معتبری برای ارشدترین مهندسان تیم باشد.
MLOps همان DevOps با چند ابزار ML است
ابزارهای زیرساخت مشترک‌اند، اما مسائل فرق دارند. سند MLOps گوگل می‌نویسد در ML، CI فقط تست کد نیست و داده، schema و مدل را هم می‌سنجد، و آموزش مداوم (CT) «ویژگی تازه‌ای است که مخصوص سیستم‌های ML است». مقالهٔ Sculley و همکاران خطرهای خاص ML مثل وابستگی به داده و حلقه‌های بازخورد پنهان را برمی‌شمارد. آگهی‌های Mercury و Oura هم رجیستری مدل، پایش drift، بررسی سوگیری و حاکمیت مدل را می‌خواهند.
برای پیدا کردن این شغل باید عنوان «MLOps Lead» را جستجو کرد
این عنوان دقیق کم دیده می‌شود. آگهی‌های سطح Lead با عنوان‌هایی مثل Engineering Manager, Machine Learning Infrastructure، Engineering Manager - MLOps، Associate Director, MLOps، Staff MLOps Engineer یا Lead ML Engineer - ML Infrastructure منتشر می‌شوند. طبق Axial Search فقط ۷٪ آگهی‌های MLOps آمریکا سطح مدیر است، پس جستجو با «ML Platform» و «ML Infrastructure» هم لازم است.
MLOps Lead باید دکترا داشته باشد
PathAI لیسانس یا فوق‌لیسانس در علوم کامپیوتر یا رشتهٔ مرتبط، یا تجربهٔ معادل، می‌خواهد و Roblox هم «تجربهٔ معادل» را می‌پذیرد. آنچه آگهی‌ها پررنگ می‌کنند سال‌ها کار با سیستم‌های ML در پروداکشن است. ساختن مدل معمولاً کار تیم علم داده است، اما فهم ارزیابی و drift لازم است.
تنها راه رشد در MLOps رفتن به مدیریت است
Apptronik، Samsara و Shield AI نقش‌های Staff و Senior Staff را با مالکیت معماری و بدون مدیریت مستقیم تعریف کرده‌اند. Axial Search در تحلیل بازه‌های حقوقی آگهی‌های آمریکا می‌نویسد میانهٔ سقف بازهٔ حقوق در سطح Principal (۲۹۰ هزار دلار) از سطوح Manager و Director بالاتر است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
ورود به MLOps (۰–۲ سال در این حوزه)
بیشتر وقت صرف یاد گرفتن پلتفرم موجود و کار روی بخش‌های مشخص می‌شود؛ معمولاً پس از چند سال کار در DevOps، backend یا مهندسی داده. نقش Lead در این مرحله هدف دور است، نه شغل بعدی.
- ◆اضافه کردن یک مرحلهٔ اعتبارسنجی داده به pipeline آموزش و فرستادن آن برای review
- ◆رفع مشکل یک job آموزش که در Kubernetes به خاطر کمبود حافظه شکست خورده
- ◆کمک به یک دانشمند داده برای ثبت مدل در رجیستری و استقرار آن در staging
- ◆پایش pipeline ها برای دقت، drift و SLA، همان چیزی که Tripadvisor از ML Ops Engineer II می‌خواهد
میانی تا ارشد (۲–۵+ سال)
مالک بخشی از پلتفرم هستید، با چند تیم داده کار می‌کنید و در on-call سیستم‌های ML شرکت دارید. منتورینگ و تعیین استاندارد کم‌کم بخشی از کار می‌شود.
- ◆طراحی استقرار canary برای نسخهٔ تازهٔ یک مدل ریسک و تعریف شرط rollback
- ◆بررسی هشدار drift و تصمیم اینکه آیا retraining لازم است
- ◆جلسه با یک تیم علم داده برای onboard کردن مورد استفادهٔ تازه روی پلتفرم
- ◆بهبود ماژول‌های Terraform و CI/CD که همهٔ تیم‌ها برای استقرار مدل استفاده می‌کنند
- ◆نوشتن مستندات و runbook برای یک سرویس استنتاج
Lead یا مدیر (معمولاً ۸+ سال)
تصمیم‌هایتان روی چند تیم اثر دارد. بخشی از روز صرف آدم‌ها و برنامه‌ریزی می‌شود و بخشی صرف بازبینی طراحی و کد. Canonical جلسه‌های یک‌به‌یک، سنجش سلامت تیم و بازبینی کد را جزو روز مدیر می‌داند.
- ◆جلسهٔ یک‌به‌یک با اعضای تیم و برنامهٔ رشد هر نفر
- ◆تقسیم نیروی تیم بین پشتیبانی از سرویس‌های موجود و یک پروژهٔ بزرگ (مثل مدرن‌سازی استنتاج)
- ◆مرور گزارش هزینهٔ محاسبات و GPU بی‌استفادهٔ هر تیم با SRE
- ◆بازبینی طراحی یک جزء تازه و مقایسهٔ ساخت داخلی با یک ابزار تجاری یا متن‌باز
- ◆هماهنگی با رهبران علم داده و محصول دربارهٔ اولویت‌های فصل بعد
- ◆مصاحبه با یک کاندیدای مهندس MLOps
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی و اداره pipeline های آموزش، رجیستری مدل، ارزیابی و مسیر ارتقای مدل تا پروداکشن
- ◈ساخت و مدرن‌سازی serving و استنتاج batch و بلادرنگ، با استقرار تدریجی (shadow، canary) و امکان rollback
- ◈پایش سلامت مدل‌ها و زیرساخت: تأخیر، خطا، drift، بهره‌وری GPU و هزینهٔ هر تیم؛ تعریف SLO و رسیدگی به incident
- ◈تعریف استانداردهای حاکمیت مدل: بازتولیدپذیری، lineage، کنترل دسترسی و ردپای حسابرسی
- ◈همکاری با رهبران یادگیری ماشین، علم داده، محصول و زیرساخت برای پیدا کردن گلوگاه‌ها و جا انداختن پلتفرم
- ◈بازبینی کد و طراحی و حفظ ارتباط فنی با کار روزمرهٔ تیم
- ◈تعیین و اجرای نقشهٔ راه بلندمدت پلتفرم MLOps و توازن بین تحویل‌های کوتاه‌مدت و بازطراحی معماری
- ◈رهبری، استخدام و منتورینگ مهندسان تیم و تخصیص نیرو بین پشتیبانی از سرویس‌های موجود و پروژه‌های تازه
- ◈مدیریت بودجهٔ محاسبات و هزینهٔ ابر و ارزیابی «ساخت یا خرید» برای ابزارهای پلتفرم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مدیر تیم MLOps موفق به آن‌ها نیاز دارد
مهارت‌های فنی
اجرای بارهای کاری ML روی Kubernetes؛ تقریباً در همهٔ آگهی‌های سطح Lead (PathAI، Samsara، Shield AI، Apptronik) آمده است
AWS، GCP یا Azure؛ PathAI هر سه را می‌پذیرد و Oura تجربهٔ اجرای بار پروداکشن روی AWS را می‌خواهد
Python در سطح پروداکشن و طراحی سرویس؛ Apptronik یک زبان سیستمی (Go، Rust یا C++) و Shield AI زبان Golang را هم می‌خواهد
Terraform و Helm (PathAI، Shield AI) و CI/CD برای مدل و pipeline
Airflow، Kubeflow یا معادل داخلی (PathAI)؛ Argo Workflows و Dagster در آگهی‌های دیگر
رهگیری آزمایش، رجیستری، نسخه‌بندی و مسیر ارتقای مدل؛ MLflow در آگهی‌های Canonical، Oura، Apptronik و Tripadvisor آمده است
استنتاج batch و بلادرنگ، shadow، canary و champion/challenger (Mercury)
تأخیر، خطا، drift و هزینه؛ Prometheus، Grafana و OpenTelemetry
Ray و Spark (Samsara)، آموزش توزیع‌شده و زمان‌بندی GPU (Shield AI)
مدیریت دیتاست‌های پتابایتی و فریم‌ورک‌هایی مثل Spark، Databricks یا EMR (PathAI)
PathAI تجربهٔ استفاده از دستیارهایی مثل Copilot، Cursor و Claude در توسعهٔ پلتفرم را می‌خواهد
مهارت‌های نرم و مدیریتی
استخدام، منتورینگ و جلسه‌های یک‌به‌یک؛ PathAI سابقهٔ رشد دادن تیم مهندسی را می‌خواهد
توازن بین تحویل کوتاه‌مدت و بازطراحی بلندمدت؛ ITJobsWatch مهارت Roadmaps را در ۱۷٫۴٪ آگهی‌های MLOps بریتانیا ثبت کرده است
کار با رهبران ML، علم داده، محصول و زیرساخت برای پیدا کردن گلوگاه‌ها و جا انداختن پلتفرم
تعیین استانداردهایی که دیگران داوطلبانه می‌پذیرند (Apptronik)؛ برای مسیر فنی حیاتی است
Samsara می‌خواهد بدانید کِی خط پلتفرم را نگه دارید و کِی به خاطر سرعت پژوهش انعطاف نشان دهید، و این را برای هر دو طرف روشن توضیح دهید
دانش حوزه‌ای
روش ارزیابی، طراحی دیتاست و drift؛ Samsara این را فراتر از pipeline از Lead می‌خواهد و PathAI آشنایی با PyTorch یا scikit-learn را امتیاز می‌داند
مدیریت بودجهٔ تیم و هزینهٔ ابر و نسبت دادن هزینه به هر تیم (PathAI)
بازتولیدپذیری، lineage و کنترل دسترسی (Oura) و بهترین شیوه‌های امنیت و انطباق در سیستم‌های ML (PathAI)
مقایسهٔ ابزار داخلی با گزینه‌های تجاری و متن‌باز در ارزیابی «ساخت یا خرید» (PathAI)
Tripadvisor تجربهٔ LLMOps با مدل‌های متن‌باز را امتیاز می‌داند؛ ارزیابی، هزینهٔ توکن و RAG
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مدیر تیم MLOps
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایهٔ مهندسی نرم‌افزار و زیرساخت
MLOps پیش از هر چیز کار مهندسی است. PathAI «مهارت قوی مهندسی نرم‌افزار در سیستم‌های پیچیده و چندزبانه» می‌خواهد و Apptronik علاوه بر Python یک زبان سیستمی مثل Go، Rust یا C++. Kubernetes، یکی از ابرهای AWS، GCP یا Azure و زیرساخت به‌صورت کد (Terraform و Helm) تقریباً در همهٔ آگهی‌های سطح Lead آمده است.
چرخهٔ عمر مدل و اصول MLOps
باید بدانید مدل از کجا می‌آید و چرا سیستم ML با نرم‌افزار معمولی فرق دارد. مقالهٔ Sculley و همکاران (NIPS 2015) نشان می‌دهد هزینهٔ نگهداری سیستم‌های ML در عمل سنگین است؛ سند MLOps گوگل کلود سه سطح بلوغ را توضیح می‌دهد: فرایند دستی، خودکار کردن pipeline برای آموزش مداوم (continuous training) و CI/CD برای خود pipeline. Samsara از Lead خود حتی فهم ارزیابی مدل، طراحی دیتاست و drift را می‌خواهد.
اجزای پلتفرم: رجیستری، pipeline و feature store
Canonical از مدیر تیم MLOps خود می‌خواهد به اجزای Kubeflow، MLflow و Feast مسلط باشد. Apptronik رجیستری مدل، نسخه‌بندی دیتاست (DVC، LakeFS یا Delta)، رهگیری آزمایش (MLflow یا W&B) و مسیر ارتقای مدل از «آموزش‌دیده» تا «مستقر روی ربات» را جزو کار می‌داند. PathAI ارکستراسیون با Airflow یا Kubeflow را می‌خواهد.
Serving، پایش، قابلیت اطمینان و هزینه
مدل در پروداکشن باید سریع، پایدار و قابل اندازه‌گیری باشد. Mercury سرویس استنتاج بلادرنگ با تأخیر کم، استقرار shadow و canary و پایش drift به‌عنوان محرک retraining را می‌خواهد. Shield AI بهره‌وری بالای GPU با زمان‌بندی روی Kubernetes را هدف گذاشته و PathAI با تیم SRE معیارهای هزینه و محاسبات بی‌استفاده را می‌سنجد.
رهبری فنی و مدیریت تیم
این مرحله تفاوت Lead با مهندس ارشد است. PathAI سابقهٔ رشد دادن تیم، مدیریت بودجه و هزینهٔ ابر و جا انداختن پلتفرم در چند واحد سازمان را می‌خواهد؛ Roblox دست‌کم ۲ سال مدیریت مهندسان زیرساخت ML. اگر مسیر فنی را ترجیح می‌دهید، Apptronik و Samsara نشان می‌دهند می‌شود بدون مدیریت مستقیم، با نفوذ فنی و منتورینگ رهبر پلتفرم بود.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
رهگیری آزمایش، رجیستری و نسخه‌بندی
رهگیری آزمایش و رجیستری مدل؛ در آگهی‌های Canonical، Oura، Apptronik و Tripadvisor آمده است. Oura آن را «بخش کلیدی stack» می‌نامد
ارکستراسیون pipeline و محاسبات توزیع‌شده
pipeline های ML روی Kubernetes؛ در آگهی‌های PathAI، Canonical و Tripadvisor آمده است
زمان‌بندی و ارکستراسیون workflow؛ PathAI آن را کنار Kubeflow می‌خواهد و Mercury جزو امتیازها آورده است
پردازش توزیع‌شده برای آموزش و استنتاج؛ Samsara تجربهٔ عملی Ray و Kubernetes را برای Lead خود الزامی می‌داند و Shield AI آن را امتیاز می‌داند
Serving و استنتاج
نرم‌افزار متن‌باز serving از NVIDIA که مدل‌های فریم‌ورک‌های مختلف (TensorRT، PyTorch، ONNX و غیره) را روی GPU و CPU اجرا می‌کند
اجرای مدل در قالب ONNX؛ Apptronik بسته‌بندی مدل با ONNX، TensorRT و torch.compile را برای اجرا روی ربات می‌خواهد
زیرساخت، پایش و پلتفرم‌های مدیریت‌شده
پایهٔ تقریباً همهٔ آگهی‌های سطح Lead؛ PathAI «تخصص فنی عمیق با بارهای کاری ML روی Kubernetes» می‌خواهد
metrics و داشبورد؛ Shield AI تجربه با Prometheus، Grafana و OpenTelemetry را امتیاز می‌داند
چارچوب متن‌باز برای ارزیابی، تست و پایش داده و سیستم‌های AI؛ از جمله تست کیفیت داده و data drift
پلتفرم ML مدیریت‌شدهٔ AWS؛ Tripadvisor آن را در فهرست فناوری‌های مطلوب آورده است. PathAI از Lead خود ارزیابی «ساخت یا خرید» می‌خواهد، پس شناخت گزینه‌های مدیریت‌شده لازم است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس MLOps
۲+ سال تجربهٔ MLOps
ساخت و نگهداری زیرساخت استقرار مدل برای نیازهای batch و بلادرنگ، پایش pipeline ها و پشتیبانی از دانشمندان داده. آگهی ML Ops Engineer II در Tripadvisor (لندن) نمونهٔ این سطح است و «۲+ سال تجربهٔ MLOps» می‌خواهد
مهندس ارشد MLOps
۵+ سال
مالکیت بخشی از پلتفرم و استانداردهای آن برای چند تیم داده. Oura و Mercury هر دو ۵+ سال تجربه می‌خواهند؛ بازهٔ پایهٔ اعلام‌شده در Mercury برای آمریکا ۱۶۶٬۶۰۰ تا ۲۰۸٬۳۰۰ دلار و در Oura بسته به منطقه از ۱۴۷٬۹۰۰ تا ۲۰۳٬۰۰۰ دلار است
Staff / Lead MLOps Engineer (مسیر فنی)
۸+ سال (Apptronik) تا ۱۰+ سال (Samsara)
رهبر فنی پلتفرم بدون مدیریت مستقیم: تعیین معماری، قراردادهای بین تیم‌ها و منتورینگ. Apptronik صریحاً می‌نویسد نقش Staff MLOps «رهبری فنی دستی است، نه مدیریتی» و Samsara می‌نویسد «شما خودِ رهبر فنی هستید». بازهٔ پایهٔ اعلام‌شده: Samsara ۲۰۰٬۲۰۰ تا ۳۵۷٬۵۰۰ دلار و Shield AI ۲۸۰ تا ۴۲۰ هزار دلار
Engineering Manager / Associate Director, MLOps
۸ تا ۱۰+ سال، با ۲ تا ۴+ سال مدیریت
رهبری تیم پلتفرم ML، استخدام و رشد افراد، نقشهٔ راه و بودجه. PathAI برای رهبری تیم ۶ تا ۷ نفره یا بیشتر ۸ تا ۱۰+ سال تجربه با ۴+ سال مدیریت می‌خواهد (پایهٔ ۱۸۱٬۵۰۰ تا ۲۷۸٬۳۰۰ دلار در بوستون) و Roblox ۵+ سال تجربهٔ سیستم‌های ML با ۲+ سال مدیریت (پایهٔ ۲۹۵٬۲۵۰ تا ۳۴۵٬۰۴۰ دلار)
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
تنش بین سرعت پژوهش و پایداری پلتفرم
عمومیدانشمندان داده آزادی و سرعت می‌خواهند و پلتفرم استاندارد و قابلیت اطمینان. Samsara مدیریت همین تنش را صریحاً در شرح نقش آورده و PathAI از Lead می‌خواهد بین تحویل‌های کوتاه‌مدت و بازطراحی بلندمدت توازن برقرار کند.
پلتفرمی که تیم‌ها از آن استفاده نکنند
شرکت بزرگPathAI «جا انداختن پلتفرم MLOps در واحدهای مختلف سازمان» را جزو شرایط می‌آورد و Apptronik از استانداردهایی می‌گوید که مهندسان «داوطلبانه» بپذیرند. اگر پلتفرم مسیر دانشمند داده را ساده‌تر نکند، تیم‌ها دورش می‌زنند.
هزینهٔ محاسبات و GPU
عمومیPathAI مدیریت بودجهٔ تیم و هزینهٔ ابر و سنجش محاسبات بی‌استفاده را از Lead می‌خواهد و Shield AI بهره‌وری بالای GPU را هدف نقش گذاشته است. هزینه بخشی از کار فنی است و باید برای هر تیم قابل اندازه‌گیری باشد.
ساخت یا خرید، در بازاری که مدام عوض می‌شود
عمومیابزارهای MLOps زیادند و تغییر می‌کنند؛ برای مثال Tecton، شرکتی که دادهٔ بلادرنگ را برای مدل‌ها فراهم می‌کرد، طبق وبلاگ Databricks در اوت ۲۰۲۵ به این شرکت پیوست. PathAI به همین دلیل ممیزی دوره‌ای «Stack Refresh» و مقایسهٔ ابزارهای داخلی با گزینه‌های تجاری و متن‌باز را جزو کار می‌داند.
قابلیت اطمینان و on-call
عمومیوقتی مدل در مسیر حیاتی کسب‌وکار است، خرابی آن خرابی محصول است. Samsara مالکیت قابلیت اطمینان، شیوه‌های on-call و رسیدگی به incident را به Lead می‌سپارد و Mercury دسترس‌پذیری بالا و تأخیر کم را الزام اول سرویس استنتاج می‌داند.
نقش‌های مدیریتی کم و نیازمند سال‌ها تجربه
عمومیطبق Axial Search فقط ۷٪ آگهی‌های MLOps آمریکا سطح مدیر است و کمتر از ۲٪ سطح Director یا بالاتر. PathAI ۸ تا ۱۰+ سال با ۴+ سال مدیریت و Roblox ۲+ سال مدیریت مهندسان زیرساخت ML می‌خواهد. این نقش را باید مقصد چندساله دید.
حقوق و بازار کار جهانی
حقوق جهانی مدیر تیم MLOps
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, 'MLOps Engineer', estimate updated Apr 2025, base pay (69 salaries): 25th–75th pct; median
- PathAI posting, Associate Director, MLOps Lead (Boston), posted Sep 24, 2026: base range for 8–10+ years incl. 4+ managing; median = midpoint
- Glassdoor Canada, 'MLOps Engineer', estimate updated Oct 2026, base pay (23 salaries): 25th–75th pct; median
- Mercury posting, Senior Machine Learning Operations Engineer (remote Canada), posted Sep 9, 2026: base range for 5+ years; median = midpoint
- ITJobsWatch, 6 months to 22 Oct 2026, UK permanent job ads citing MLOps, any title (232 salaries): 25th–75th pct; median
- Glassdoor Germany, 'MLOps Engineer', estimate updated Apr 2025, base pay (17 salaries): 25th–75th pct; median
- Glassdoor India, 'MLOps Engineer', estimate updated Nov 2023, base pay (77 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: چرخهٔ عمر مدل
سند MLOps گوگل و مقالهٔ Hidden Technical Debt را بخوانید و بفهمید سیستم ML کجا با نرم‌افزار معمولی فرق دارد.
ماه ۲: یک دورهٔ کامل MLOps
یکی از دو دورهٔ رایگان را تا آخر ببرید و پروژه‌اش را بسازید.
ماه ۳: رجیستری و pipeline
پروژهٔ اول پورتفولیو: آموزش تا ثبت مدل با MLflow و DVC و retraining خودکار.
ماه ۵: پایش و drift
داشبورد پایش و هشدار drift بسازید و retraining را به آن وصل کنید.
ماه ۶: درخواست کار
رزومه را با زبان آگهی‌ها بنویسید: رجیستری مدل، استقرار مرحله‌ای، drift و Kubernetes. نقش‌هایی مثل MLOps Engineer یا ML Platform Engineer را هدف بگیرید، نه Lead؛ تجربهٔ DevOps شما اینجا امتیاز است.
پروژه‌های پیشنهادی برای رزومه
pipeline کامل آموزش تا استقرار با رجیستری مدل
متوسطیک مدل ساده (مثلاً طبقه‌بندی روی دیتاست عمومی) را بردارید و همه‌چیز جز خود مدل را خودکار کنید: نسخه‌بندی داده با DVC، رهگیری آزمایش و ثبت مدل در MLflow، و pipeline ای که با دادهٔ تازه مدل را دوباره آموزش می‌دهد و فقط اگر از نسخهٔ فعلی بهتر بود آن را ارتقا می‌دهد. این همان «سطح ۱» در سند MLOps گوگل کلود است. در README بنویسید هر مرحله چه خطایی را می‌گیرد.
سرویس استنتاج با استقرار shadow و canary
پیشرفتهمدل پروژهٔ قبل را روی Kubernetes (kind یا minikube) با KServe یا Ray Serve مستقر کنید. نسخهٔ جدید را اول در حالت shadow اجرا کنید (پیش‌بینی می‌کند اما پاسخش استفاده نمی‌شود)، بعد بخشی از ترافیک را با canary به آن بدهید و rollback را تمرین کنید. Mercury همین الگوها را از مهندس ارشد MLOps می‌خواهد.
پایش drift و retraining خودکار
پیشرفتهبرای سرویس بالا داشبوردی بسازید که تأخیر، خطا و توزیع ورودی‌ها و پیش‌بینی‌ها را نشان دهد. با Evidently drift را بسنجید و وقتی از آستانه گذشت، pipeline آموزش را خودکار راه بیندازید. یک گزارش کوتاه بنویسید که آستانه را چطور انتخاب کردید و هشدار کاذب را چطور کم کردید.
بسته‌بندی مدل برای سخت‌افزار محدود
پیشرفتهیک مدل PyTorch را به ONNX تبدیل کنید، با ONNX Runtime روی CPU اجرا کنید و دقت و تأخیر را پیش و پس از کاهش دقت عددی (مثلاً FP16) مقایسه کنید. یک مرحلهٔ اعتبارسنجی بگذارید که اگر دقت بیش از حد افت کرد، انتشار متوقف شود. Hudl و Apptronik همین مسیر را برای دوربین‌ها و ربات‌ها اداره می‌کنند.
سند نقشهٔ راه پلتفرم و تحلیل ساخت یا خرید
پیشرفتهاین پروژهٔ مخصوص سطح Lead است. برای یک شرکت فرضی (یا پروژه‌های قبلی خودتان) یک سند ۴ تا ۶ صفحه‌ای بنویسید: وضعیت فعلی بر اساس سطوح بلوغ MLOps گوگل، سه اولویت برای شش ماه آینده، مقایسهٔ یک ابزار متن‌باز با یک سرویس مدیریت‌شده برای یکی از اجزا (مثلاً رجیستری یا serving) و اینکه هزینهٔ محاسبات را چطور به هر تیم نسبت می‌دهید. PathAI همین کارها را با نام «Build vs. Buy» و «Stack Refresh» از Lead خود می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
به گفتهٔ خودش در سایت شخصی‌اش، در روستایی کشاورزی در ویتنام بزرگ شد، از Stanford فارغ‌التحصیل شد و در همان‌جا درس ML Systems را تدریس کرد. پیش‌تر روی ابزارهای ML در NVIDIA (از توسعه‌دهندگان اصلی NeMo)، Snorkel AI و Netflix کار کرده و یک شرکت زیرساخت AI را بنیان گذاشته و فروخته است.
به نوشتهٔ سایتش، درس‌گفتارهای او پایهٔ کتاب Designing Machine Learning Systems شد که به بیش از ۱۰ زبان ترجمه شده است، و کتاب AI Engineering (۲۰۲۵) او پرخواننده‌ترین کتاب پلتفرم O'Reilly در ۲۰۲۵ بوده است.
مسیر او نشان می‌دهد تجربهٔ ساختن ابزار برای بردن ML به پروداکشن، وقتی نوشته و آموزش داده شود، اثرش از یک تیم فراتر می‌رود. برای کسی که می‌خواهد Lead شود، توضیح روشن تصمیم‌های فنی همان مهارتی است که در سند طراحی و نقشهٔ راه لازم دارد.
طبق وبلاگ مهندسی Uber (سپتامبر ۲۰۱۷)، مدیر مهندسی (engineering manager) تیم Michelangelo، پلتفرم داخلی یادگیری ماشین Uber، بود و معرفی این پلتفرم را همراه Mike Del Balso، مدیر محصول تیم ML Platform، نوشت.
به نوشتهٔ همان مقاله، ساخت Michelangelo از میانهٔ ۲۰۱۵ شروع شد تا کل جریان کار ML را پوشش دهد: مدیریت داده، آموزش، ارزیابی و استقرار مدل، پیش‌بینی و پایش پیش‌بینی‌ها. تا زمان انتشار مقاله، ده‌ها تیم در Uber با آن مدل می‌ساختند و مستقر می‌کردند و پلتفرم یک feature store هم برای اشتراک feature بین تیم‌ها داشت.
این مقاله نشان می‌دهد کار یک مدیر پلتفرم ML از کجا شروع می‌شود: از جایی که هر تیم برای هر مدل سیستمی یک‌باره می‌ساخت. ترتیبی که Uber دنبال کرد، اول آموزش و استقرار، بعد feature، بعد سرعت توسعه‌دهنده، نقشهٔ راه معقولی برای هر تیم پلتفرم تازه است.
به گفتهٔ خودش در صفحهٔ معرفی Made With ML، در طول کارش برنامه‌های ML را در مقیاس‌ها و صنایع مختلف توسعه داده و Made With ML را برای پر کردن شکاف آموزش و به اشتراک گذاشتن بهترین شیوه‌های تحویل ارزش با ML در پروداکشن راه انداخت.
به نوشتهٔ همان صفحه، در چهار سال فعالیت Made With ML به ده‌ها شرکت از فهرست Fortune 500 و استارتاپ‌ها در ساخت پلتفرم ML کمک کرده است. هدف Made With ML آموزش طراحی، توسعه، استقرار و بهبود مداوم برنامه‌های ML در پروداکشن است. او می‌نویسد برای مشکل‌های مقیاس، یکپارچه‌سازی و رساندن به پروداکشن راه‌حل خوبی نداشت و به همین دلیل Made With ML را به Anyscale پیوند داد.
به نظر می‌رسد ارزش کار او از دیدن کل مسیر مدل، از طراحی تا پروداکشن، آمده است، نه از یک ابزار خاص. برای یک Lead هم شناختن مرز دانش خود و رفتن به جایی که مسئله حل می‌شود، از تسلط به یک ابزار مهم‌تر است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Associate Director, MLOps Engineering (در متن آگهی: Associate Director, MLOps Lead)
تحلیل نیازمندی‌ها
You have 8–10+ years in Software/ML Engineering, with 4+ years managing engineering teams and platform strategy; experience building production-grade frameworks for MLOps or ML Infrastructure.
این شرط اصلی است و نشان می‌دهد نقش برای چه مرحله‌ای از کار است: سال‌ها مهندسی، بخشی از آن مدیریت تیم، و سابقهٔ ساختن چارچوب MLOps یا زیرساخت ML در پروداکشن. پروژهٔ شخصی جای این تجربه را نمی‌گیرد.
ضروریYou have a proven track record of growing engineering teams, managing team budgets/cloud costs, and driving MLOps platform adoption across multi-disciplinary organization units.
سه کار مدیریتی که در مصاحبه با مثال واقعی پرسیده می‌شود: تیم را چطور بزرگ کردید، هزینهٔ ابر را چطور کنترل کردید و چطور تیم‌های مختلف را به استفاده از پلتفرم راضی کردید. عددهای واقعی از کار قبلی‌تان آماده داشته باشید.
ضروریYou have a demonstrated level of deep technical expertise with ML workloads on kubernetes, cloud computing platforms (AWS/GCP/Azure), workflow orchestration (Airflow, Kubeflow, or proprietary equivalents) and DevOps principles and infrastructure-as-code (Helm, Terraform).
مدیر این تیم باید خودش فنی باشد. Kubernetes، یکی از سه ابر، Airflow یا Kubeflow و Terraform و Helm همان پشته‌ای است که در بیشتر آگهی‌های MLOps می‌بینید؛ «یا معادل داخلی» یعنی تجربه با ابزار اختصاصی یک شرکت هم پذیرفته است.
ضروریYou have demonstrated experience managing petabyte-scale datasets and high-throughput production inference pipelines.
کار PathAI روی تصاویر پاتولوژی است و داده حجیم است. اگر تجربهٔ داده در این مقیاس ندارید، نشان دادن تجربه با pipeline های استنتاج پرحجم و ذخیره‌سازی توزیع‌شده نزدیک‌ترین جایگزین است.
مهمYou have experience using AI assistants (e.g. CoPilot, Cursor, Claude) across platform development lifecycles.
این شرط تازه در آگهی‌های ۲۰۲۶ دیده می‌شود: از مدیر تیم هم انتظار می‌رود با ابزارهای AI کد بنویسد و بازبینی کند و احتمالاً شیوهٔ استفادهٔ تیم از آن‌ها را شکل دهد.
مهمYou have demonstrated expertise in MLOps principles, including model lifecycle management, feature stores, model monitoring, and CI/CD for ML.
در بخش «ترجیحی» آگهی آمده است. این همان هستهٔ دانش MLOps است: چرخهٔ عمر مدل، feature store، پایش مدل و CI/CD برای ML. کسی که از DevOps می‌آید باید همین بخش را اضافه کند.
مفیدYou have experience with large-scale data processing frameworks (e.g. Spark, Hive, Databricks, Amazon EMR)
امتیاز است، نه شرط. نشان می‌دهد تیم MLOps در PathAI با تیم داده هم‌پوشانی دارد و آماده‌سازی داده برای آموزش بخشی از مسئولیت است.
مفیدتحلیل مسئولیت‌ها
Vision and Roadmap: Develop and execute the long term vision & roadmap for MLOPs team to support ML development and deployment needs across the business units. Successfully manage the tension between short-term tactical deliveries and long-term architectural transformation for future growth.
کار اصلی Lead تصمیم گرفتن دربارهٔ اولویت‌هاست. «تنش» بین کار فوری و بازطراحی بلندمدت را حذف نمی‌کنید؛ آن را مدیریت می‌کنید، مثلاً با کنار گذاشتن بخشی از ظرفیت تیم برای کار معماری.
Team Management: Lead and mentor a team of 6-7+ high-performing engineers. Strategically allocate resources to manage support for existing services while executing key strategic initiatives.
اندازهٔ تیم مشخص است: ۶ تا ۷ نفر یا بیشتر. بخشی از تیم باید سرویس‌های موجود را سرپا نگه دارد و بخشی پروژه‌های تازه را جلو ببرد؛ تقسیم این دو با شماست.
Cross-Functional Collaboration: Partner with leaders across machine learning, data science, product engineering, and infrastructure to proactively identify pain points, address bottlenecks, and facilitate the deployment of new solutions.
مشتری‌های پلتفرم تیم‌های داخلی‌اند. «پیشگیرانه» یعنی منتظر تیکت نمانید و خودتان دنبال گلوگاه بگردید.
Inference Modernization: Modernize the AI Product inference stack to support 5-10x growth of AI runs across global deployments.
هدف کمّی روشن است: آماده شدن برای رشد ۵ تا ۱۰ برابری اجرای مدل‌ها. این یعنی طراحی برای مقیاس، نه فقط رفع مشکل امروز.
System Observability: Collaborate with Site Reliability Engineering (SRE) to establish comprehensive metrics covering compute under-utilization, network bottlenecks, and granular cost and turn-around-time attribution.
پایش اینجا فقط سلامت سرویس نیست؛ هزینه و زمان هر کار را تا جزئیات به تیم‌ها نسبت می‌دهد. این همان جایی است که Lead بودجه را قابل کنترل می‌کند.
Technology Refresh: Conduct "Build vs. Buy" assessments, leading "Stack Refresh" audits to benchmark our proprietary tools against best-in-class commercial and open-source alternatives to meet our future needs.
Lead باید بازار ابزارها را بشناسد و بی‌طرف مقایسه کند. ابزاری که سال‌ها پیش داخل شرکت ساخته شده لزوماً امروز بهترین گزینه نیست.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از MLOps Lead در مسیر مدیریتی می‌دهد: ۸ تا ۱۰+ سال تجربه با ۴+ سال مدیریت، تیم ۶ تا ۷ نفره یا بیشتر، و ترکیبی از کار فنی عمیق (Kubernetes، ابر، Airflow یا Kubeflow، Terraform) با کار مدیریتی (نقشهٔ راه، بودجه، جا انداختن پلتفرم، ساخت یا خرید). بازهٔ پایهٔ اعلام‌شده برای بوستون ۱۸۱٬۵۰۰ تا ۲۷۸٬۳۰۰ دلار است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
طبق ITJobsWatch، در شش ماه منتهی به ۲۲ اکتبر ۲۰۲۶، ۴۰۹ آگهی استخدام دائم در بریتانیا مهارت MLOps را نام برده‌اند؛ این عدد در همین بازه در ۲۰۲۵، ۲۱۱ و در ۲۰۲۴، ۹۷ بود. سهم این آگهی‌ها از کل آگهی‌های دائم بریتانیا اما از ۰٫۴۳٪ به ۰٫۳۴٪ رسیده، چون کل آگهی‌ها هم بیشتر شده است.
منبع: ITJobsWatch (UK), 6 months to 22 Oct 2026
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق تحلیل Axial Search روی ۱٬۹۵۹ آگهی MLOps آمریکا از ژانویهٔ ۲۰۲۶، ۶۹٪ آگهی‌ها برای مهندسان میانی و ارشد، ۷٪ برای مدیران و کمتر از ۲٪ برای سطح Director یا بالاتر است و بیشتر آگهی‌ها حدود ۵ سال تجربه می‌خواهند (۶ سال در سطح Principal و Manager).
به پیش‌بینی کارفرمایانی که WEF در گزارش Future of Jobs 2025 نظرسنجی کرده، «AI and Machine Learning Specialists» (رتبهٔ ۳) و «Devops Engineer» (رتبهٔ ۱۴) از ۲۰۲۵ تا ۲۰۳۰ جزو ۱۵ شغل با سریع‌ترین رشد خالص‌اند. WEF گروه جداگانه‌ای برای MLOps ندارد؛ MLOps بین این دو گروه قرار می‌گیرد.
تقاضا هست، اما آرام و عمدتاً در سطح مهندس. Axial Search می‌نویسد استخدام MLOps در آمریکا در ۲۰۲۶ حدود ۷۰ آگهی در هفته بوده، «بدون جهش و بدون افت»، و فقط ۷٪ آگهی‌ها سطح مدیر است. در بریتانیا تعداد آگهی‌های دارای مهارت MLOps بیشتر شده، اما سهمشان از کل بازار کم شده و بیشتر در آگهی‌های AI Engineer و Data Scientist می‌آید تا عنوانی مستقل. یعنی مهارت MLOps در نقش‌های دیگر جذب می‌شود و تعداد پست‌های Lead محدود می‌ماند. از سوی دیگر شرح کار گسترده‌تر می‌شود: LLMOps، استقرار روی دستگاه و هزینهٔ GPU به آگهی‌ها اضافه شده‌اند و PathAI از Lead خود ارزیابی مداوم ابزارهای تجاری و متن‌باز را می‌خواهد. کسی که فقط یک ابزار را بلد است در خطر است؛ کسی که چرخهٔ عمر مدل، زیرساخت و هزینه را با هم می‌فهمد و می‌تواند تیم را هم ببرد، جای کمتری برای رقابت دارد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۲۸ منبع بررسی شده است.
- Associate Director, MLOps Engineering — PathAI (job posting)
- Associate Director, MLOps Engineering — PathAI (careers page)
- Engineering Manager - MLOps & Analytics — Canonical (job posting)
- Engineering Manager, Machine Learning Infrastructure, Ads — Roblox (job posting)
- Lead Machine Learning Engineer - ML Infrastructure — Samsara (job posting)
- Senior Staff Engineer, ML Ops — Shield AI (job posting)
- Staff MLOps Engineer — Apptronik (job posting)
- Senior MLOps Engineer — Oura (job posting)
- Senior Machine Learning Operations Engineer — Mercury (job posting)
- Senior Machine Learning Operations Engineer — Mercury (archived copy)
- ML Ops Engineer II (Experiences) — Tripadvisor (job posting)
- Senior MLOps Engineer - Edge — Hudl (job posting)
- LLMops Engineer — Coursera (job posting)
- Glassdoor — MLOps Engineer salaries, United States
- Glassdoor — MLOps Engineer salaries, Canada
- Glassdoor — MLOps Engineer Gehalt, Deutschland
- Glassdoor — MLOps Engineer salaries, India
- ITJobsWatch — MLOps (UK)
- Axial Search — How Hot Is the MLOps Job Market in 2026?
- Axial Search — How Much Do MLOps Engineers Make? 2026 Benchmarks
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- MLOps — Wikipedia
- Google Cloud — MLOps: Continuous delivery and automation pipelines in machine learning
- Sculley et al. — Hidden Technical Debt in Machine Learning Systems (NIPS 2015)
- Uber Blog — Meet Michelangelo: Uber's Machine Learning Platform (2017)
- Chip Huyen — personal site
- Made With ML — Our Mission (Goku Mohandas)
- Databricks Blog — Tecton is Joining Databricks (2025)