مهندس حریم خصوصی داده
Privacy Engineer
مهندس حریم خصوصی (Privacy Engineer) الزام‌های قانونی و تعهدهای یک شرکت دربارهٔ دادهٔ کاربران را به سیستم و کنترل فنی تبدیل می‌کند: نقشهٔ اینکه چه داده‌ای کجا نگه داشته می‌شود، نگهداری و حذف خودکار داده، کنترل دسترسی، بررسی حریم خصوصی (privacy review) ویژگی‌های تازه و به‌کارگیری فناوری‌هایی مثل differential privacy. ISACA این نقش را طراحی، توسعه و پیاده‌سازی راه‌حل‌های فنی هم‌راستا با سیاست‌های حریم خصوصی بر پایهٔ privacy by design تعریف می‌کند. در آگهی‌های ۲۰۲۶ اثر AI روشن است: Anthropic و OpenAI از این مهندسان می‌خواهند دادهٔ کاربران را در آموزش و استنتاج مدل‌ها محافظت کنند و نشت داده از مدل را بسنجند، و Anthropic و Microsoft AI تبدیل EU AI Act به کنترل فنی را جزو وظایف آورده‌اند.
مقدمه و تعریف شغل
Privacy Engineer مهندسی است که حریم خصوصی کاربران را در خودِ سیستم‌ها پیاده می‌کند، نه فقط در سیاست‌نامه‌ها. ISACA این نقش را طراحی، توسعه و پیاده‌سازی راه‌حل‌های فنی هم‌راستا با سیاست‌های حریم خصوصی بر پایهٔ اصول privacy by design تعریف می‌کند و عنوان Data Privacy Engineer را هم برایش به کار می‌برد. در آگهی‌ها این کار با چند عنوان منتشر می‌شود: Privacy Engineer (در Google، DuckDuckGo و Microsoft AI)، Software Engineer, Privacy (در OpenAI، Anthropic و Block)، Security Engineer, Privacy (در Ramp) و Research Engineer, Privacy برای نقش‌های پژوهشی. Block تفاوت این کار با امنیت را چنین توضیح می‌دهد: امنیت از داده و دارایی‌ها در کل محافظت می‌کند، اما privacy روی نوع اطلاعاتی تمرکز دارد که جمع‌آوری، ذخیره و استفاده می‌شود و اینکه این اطلاعات چطور ممکن است انتظار کاربر را زیر پا بگذارد یا اعتمادش را بشکند.
Jason Novak از Google در کنفرانس PEPR ۲۰۲۵ گفت اکنون در دههٔ دوم استخدام privacy engineer ها در صنعت هستیم و فرایند استخدام در همهٔ سطوح حرفه‌ای شده است. Kalinda Raina در یادداشتی در IAPP (ژانویهٔ ۲۰۲۴) با استناد به داده‌های LinkedIn نوشت عنوان‌های شغلی privacy engineer در پنج سال ۴۰٪ رشد کرده‌اند و این جمع، با میانهٔ ماندگاری ۱٫۲ سال در هر شرکت، بسیار پرتقاضاست. تصویر ۲۰۲۶ یکدست نیست: در نظرسنجی State of Privacy 2026 از ISACA (بیش از ۱٬۸۰۰ متخصص privacy) میانهٔ اندازهٔ تیم‌های privacy از ۸ نفر در ۲۰۲۵ به ۵ نفر رسیده و نیمی از پاسخ‌دهندگان انتظار کاهش بودجه دارند؛ با این حال ۴۷٪ گفته‌اند نقش‌های فنی تیمشان کم‌نیروست و «تخصص فنی» با ۵۴٪ بزرگ‌ترین شکاف مهارتی بوده است. AI بزرگ‌ترین تغییر این سال‌هاست: پژوهشی دربارهٔ آگهی‌های شغلی که در PEPR ۲۰۲۶ ارائه شد نشانه‌های رو به افزایشی می‌بیند که تیم‌های privacy بخشی از حاکمیت AI و مدیریت ریسک شده‌اند، و برنامهٔ تحصیلی Carnegie Mellon اکنون Privacy Engineering and AI Governance نام دارد و کارشناسی ارشدی با همین نام ارائه می‌کند. دربارهٔ حقوق: Glassdoor برای عنوان Privacy Engineer در آمریکا بازهٔ ۱۴۶٬۱۵۲ تا ۲۲۵٬۸۱۱ دلار (صدک ۲۵ تا ۷۵ کل دریافتی) را گزارش می‌کند که با بازهٔ آگهی‌ها می‌خواند. اما در فهرست شرکت‌هایی که Glassdoor برای همین عنوان در بریتانیا و کانادا نشان می‌دهد بیشتر نقش‌هایی مثل Privacy Analyst، Privacy Specialist و Data Privacy Consultant دیده می‌شود و ارقامش (مثلاً صدک ۷۵ در بریتانیا: ۶۷٬۸۸۸ پوند) بسیار پایین‌تر از آگهی‌های واقعی مهندسی است. میانگین ZipRecruiter برای آمریکا (۱۴۱٬۹۱۶ دلار) هم از کف بازهٔ حقوق در آگهی‌های Google، Block، Fireworks AI و Ramp کمتر است. به همین دلیل این ارقام در جدول حقوق نیامده‌اند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس حریم خصوصی داده
فهرست و نقشهٔ زندهٔ دادهٔ کاربران
OpenAI از مهندس privacy می‌خواهد فهرست قابل‌اعتمادی از دادهٔ کاربران، مالک هر سیستم، جریان داده‌ها و سیاست‌های مربوط را در محصولات، زیرساخت، تحلیل و پژوهش بسازد. Fireworks AI همین را از دل خود محیط می‌خواهد: از APIهای ابری، metadata انبار داده، IaC و کاتالوگ سرویس‌ها، تا نقشه با تغییر سیستم‌ها به‌روز شود.
نگهداری و حذف داده که قابل اثبات است
سیاستی مثل «این داده بعد از مدتی حذف شود» باید به قاعدهٔ مشخص برای هر انبار داده تبدیل شود. آگهی Fireworks AI اجرای آن در pipeline ها و نسخه‌های پشتیبان و ساختن سازوکاری را می‌خواهد که ثابت کند حذف واقعاً انجام شده است؛ Ramp هم پیاده‌سازی راهبردهای نگهداری و ناشناس‌سازی داده را جزو وظایف آورده است.
pipeline درخواست‌های حقوق داده و دسترسی قانونی
در Fireworks AI، درخواست کاربر از دریافت و تأیید هویت تا ارسال به همهٔ انبارهای داده و پیگیری انجام، یک pipeline خودکار است و ردپای ممیزی هم خودبه‌خود ساخته می‌شود. در OpenAI یک نقش جداگانه در تیم Privacy Engineering ابزار و pipeline درخواست‌های قانونی دسترسی به داده را می‌سازد، با دسترسی حداقلی، مرحله‌های تأیید، ردپای ممیزی و کمینه‌سازی داده.
آموزش و تحلیل حافظ حریم خصوصی برای AI
Anthropic از این مهندس می‌خواهد معماری‌های حافظ حریم خصوصی برای آموزش و استنتاج سیستم‌های AI طراحی کند، با روش‌هایی مثل differential privacy، federated learning و محاسبهٔ چندجانبهٔ امن، و کنار پژوهشگران روش‌های آموزشی پیاده کند که از دادهٔ کاربر محافظت می‌کنند و کیفیت مدل را هم نگه می‌دارند.
privacy review و threat model برای ویژگی یا مدل تازه
Anthropic و Microsoft AI هر دو هدایت privacy review و threat modeling برای ویژگی‌ها و مدل‌های تازه را از این نقش می‌خواهند. در Google مهندس privacy بررسی فنی و سیاستی انجام می‌دهد تا نگرانی‌های privacy را پیدا کند و به سطح بالاتر ببرد.
ابزار و الگوهای آماده برای مهندسان دیگر
Ramp ساختن primitive های privacy در سطح برنامه را می‌خواهد، Microsoft AI کتابخانه و الگوهایی که هر مهندس بتواند به‌طور پیش‌فرض ویژگی حافظ حریم خصوصی بسازد، و Fireworks AI به تعبیر خودش «یک الگوی مشخص به جای سیاستی برای خواندن».
تخصص‌های مختلف مهندس حریم خصوصی داده
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
زیرساخت حریم خصوصی و حاکمیت داده
Privacy Infrastructure & Data Governance
ساختن سرویس‌ها، APIها و سیستم‌های metadata که کنترل‌های privacy را یکپارچه، مقیاس‌پذیر و قابل‌ممیزی می‌کنند؛ آگهی Software Engineer, Privacy Engineering در OpenAI و آگهی Block نمونهٔ این مسیرند.
یادگیری ماشین حافظ حریم خصوصی
Privacy-Preserving ML / Privacy Research
طراحی الگوریتم‌هایی مثل differential privacy، secure aggregation و federated learning برای مدل‌ها و سنجیدن نشت داده از آن‌ها؛ آگهی Research Engineer, Privacy در OpenAI سابقهٔ انتشار یا پیاده‌سازی پژوهش privacy را امتیاز می‌داند.
مهندسی privacy محصول
Product Privacy Engineering
همراهی تیم‌های محصول از طراحی تا انتشار، privacy review و ساختن ویژگی‌های privacy؛ بیشتر آگهی‌های Privacy Engineer در Google از این نوع‌اند، از تبلیغات تا Android.
عملیات و خودکارسازی privacy
Privacy Operations & Automation
خودکار کردن درخواست‌های حقوق داده، فهرست داده و ROPA، ارزیابی‌ها و پایش کنترل‌ها، از جمله با ایجنت‌های مبتنی بر LLM؛ آگهی Privacy Program Engineer در Fireworks AI برای کسانی با پیشینهٔ GRC یا ممیزی هم باز است.
مهندسی درخواست‌های قانونی دسترسی
Lawful Access & Legal-Process Engineering
ساختن سیستم‌هایی که درخواست‌های قانونی دسترسی به داده را از دریافت تا بازیابی مجاز، بازبینی و ممیزی دقیق و قابل‌تکرار انجام دهند؛ OpenAI در اکتبر ۲۰۲۶ برای همین کار در سان‌فرانسیسکو و لندن آگهی داده است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
به تعبیر آگهی Block، امنیت از داده و دارایی‌ها در کل محافظت می‌کند و privacy روی نوع اطلاعات جمع‌آوری‌شده و استفادهٔ آن تمرکز دارد. ابزارها همپوشانی دارند (کنترل دسترسی، رمزنگاری، audit logging) و این دو نقش اغلب در یک سازمان‌اند؛ Ramp عنوان Security Engineer, Privacy را به کار می‌برد و نقش‌های Privacy Engineer در Google گاهی زیر تیم Security قرار دارند.
وکیل حریم خصوصی قانون را تفسیر می‌کند و مشاورهٔ حقوقی می‌دهد؛ Privacy Engineer همان الزام را به طراحی و کنترل فنی تبدیل می‌کند. این دو کنار هم کار می‌کنند: آگهی Ramp دنبال کردن تغییر استانداردهای قانونی «همراه با Privacy Counsel» را جزو وظایف مهندس آورده و شرکت‌هایی مثل Anthropic برای هر دو نقش آگهی جداگانه دارند.
این نقش‌ها بیشتر روی فرایند، ارزیابی و انطباق تمرکز دارند و معمولاً کد نمی‌نویسند. مرزشان با مهندسی در حال جابه‌جایی است: Fireworks AI نقش Privacy Program Engineer را «نقش privacy با عمق فنی واقعی» می‌داند که اسکریپت، کوئری و اتوماسیون می‌نویسد. در فهرست شرکت‌هایی که Glassdoor زیر عنوان Privacy Engineer در بریتانیا و کانادا نشان می‌دهد هم بیشتر نقش‌هایی مثل Privacy Analyst و Privacy Specialist دیده می‌شود؛ به همین دلیل ارقام Glassdoor برای این دو کشور پایین‌تر از آگهی‌های مهندسی است.
مهندس داده pipeline و انبار داده را می‌سازد تا داده در دسترس باشد؛ Privacy Engineer روی همان سیستم‌ها کنترل می‌گذارد تا داده فقط برای هدف مجاز، به مدت مجاز و توسط افراد مجاز استفاده شود. در OpenAI این دو به هم نزدیک‌اند: تیم Privacy Engineering مسئول معماری حاکمیت دادهٔ کاربران، از lineage تا نگهداری، حذف و کاربرد مجاز است.
تأثیر در صنایع مختلف
مهندس حریم خصوصی داده در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
آزمایشگاه‌های AI
Anthropic، OpenAI و Microsoft AI برای حفاظت از دادهٔ کاربر در آموزش و استنتاج مدل‌ها و سنجیدن نشت داده از مدل مهندس privacy استخدام می‌کنند؛ Anthropic این نقش را «یکی از نخستین مهندسان اختصاصی privacy» خود می‌نامد
زیرساخت AI
Fireworks AI از مهندس privacy می‌خواهد ادعاهای «عدم نگهداری داده» و جداسازی مشتریان را با آنچه پلتفرم واقعاً انجام می‌دهد بسنجد و بررسی‌هایی بسازد که این ادعاها را با تغییر پلتفرم درست نگه دارد
تبلیغات آنلاین
Google برای حوزهٔ Ads Privacy مهندس privacy می‌خواهد و شناخت حوزهٔ تبلیغات یا تجارت آنلاین و مسائلی مثل مدیریت cookie را امتیاز می‌داند
سیستم‌عامل موبایل
مهندس privacy در تیم Platforms Security and Privacy گوگل در زوریخ روی زیرساخت، ابزار و ویژگی‌های Android کار می‌کند؛ سیستم‌عاملی که به نوشتهٔ آگهی روی بیش از ۳ میلیارد دستگاه اجرا می‌شود
فین‌تک و پرداخت
Block تیمی برای ساختن ابزار و راهنمایی تیم‌های مهندسی در کار مسئولانه با داده دارد و Ramp نخستین مهندس privacy خود را برای ساختن برنامهٔ حریم خصوصی استخدام می‌کند
سلامت
Microsoft AI برای تجربه‌های سلامت مثل Copilot Health مهندسی می‌خواهد که الزام‌های GDPR بریتانیا و اروپا، HIPAA و EU AI Act را به کنترل فنی تبدیل کند؛ آگهی می‌نویسد اطلاعات سلامت از حساس‌ترین داده‌هایی است که افراد به اشتراک می‌گذارند
محصولات حریم خصوصی برای مصرف‌کننده
در DuckDuckGo مهندس privacy روی مسدود کردن ردیاب‌ها، محافظت ایمیل و crawler موسوم به Tracker Radar برای کشف تهدیدهای تازهٔ privacy کار می‌کند و سیستم‌هایی برای بهبود جست‌وجو و ویژگی‌های AI بدون به خطر انداختن حریم خصوصی طراحی می‌کند
آمار رسمی و بخش عمومی
اداره سرشماری آمریکا برای داده‌های سرشماری ۲۰۲۰ از چارچوب حفاظتی مبتنی بر differential privacy استفاده کرد؛ Palantir هم برای نقش privacy خود آشنایی با حاکمیت AI و امنیت ملی را امتیاز می‌داند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
Privacy Engineering یعنی پر کردن فرم‌های انطباق
آگهی‌ها کار ساختن را توصیف می‌کنند: OpenAI ساختن سرویس‌ها، APIها و سیستم‌های metadata برای اجرای سیاست‌های داده را می‌خواهد و Block ساختن محصولات و زیرساخت داخلی برای محافظت از حریم خصوصی مشتریان را. حتی Fireworks AI در نقش عملیاتی‌اش صریحاً می‌نویسد این «صف تیکت با یک عنوان» نیست.
Privacy همان امنیت است
Block این دو را جدا می‌کند: امنیت به حفاظت کلی از داده و دارایی‌ها می‌پردازد و privacy به اینکه چه اطلاعاتی جمع، ذخیره و استفاده می‌شود و آیا این کار انتظار کاربر را زیر پا می‌گذارد. داده‌ای که کاملاً امن نگه داشته شده هنوز ممکن است برای هدفی استفاده شود که کاربر انتظارش را نداشته است.
برای این شغل حتماً دکترای رمزنگاری لازم است
آگهی‌های Privacy Engineer در Google «مدرک کارشناسی یا تجربهٔ عملی معادل» می‌خواهند و Palantir دانش‌آموختهٔ تازه را می‌پذیرد. نقش‌های پژوهشی فرق دارند: OpenAI برای Research Engineer, Privacy سابقهٔ انتشار یا پیاده‌سازی پژوهش privacy را امتیاز می‌داند. در نظرسنجی ISACA هم ۵۵٪ گفته‌اند دست‌کم نیمی از نیروهای privacy شان کار را در حوزه‌ای کاملاً دیگر شروع کرده‌اند.
Differential privacy فقط در مقاله‌هاست
اداره سرشماری آمریکا برای داده‌های سرشماری ۲۰۲۰ از آن استفاده کرد و Apple می‌نویسد استقرار local differential privacy آن به صدها میلیون کاربر رسیده است، برای کارهایی مثل یافتن emoji های پرکاربرد. آگهی‌های Google هم differential privacy را در حداقل شرایط، به‌عنوان نمونهٔ فناوری‌های privacy، آورده‌اند.
AI این نقش را بی‌اهمیت می‌کند
در آگهی‌های ۲۰۲۶ عکس این دیده می‌شود: آزمایشگاه‌های AI مثل Anthropic و OpenAI برای این نقش آگهی می‌دهند و کار تازه‌ای مثل سنجیدن memorization و ردیابی داده در آموزش مدل به آن اضافه شده است. AI در عین حال ابزار کار هم شده: Fireworks AI ایجنت‌های مبتنی بر LLM را بخشی از لایهٔ خودکارسازی privacy می‌داند و در نظرسنجی ISACA سهم کسانی که هیچ برنامه‌ای برای استفاده از AI در کارهای privacy ندارند از ۳۶٪ در ۲۰۲۴ به ۲۶٪ رسیده است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور / ورودی (۰–۲ سال)
بیشتر روز به کدنویسی روی ابزارها و سرویس‌های تیم privacy و یاد گرفتن سیستم‌های دادهٔ شرکت می‌گذرد. privacy review ها را کنار همکاران ارشد انجام می‌دهید و کم‌کم یاد می‌گیرید ریسک را در یک طراحی ببینید.
- ◆رفع یک باگ در سرویس حذف داده و نوشتن آزمون برای آن
- ◆اجرای اسکن PII روی یک جدول تازه و به‌روز کردن نقشهٔ داده
- ◆شرکت در یک privacy review و نوشتن پیش‌نویس یافته‌ها
- ◆پاسخ به سؤال یک مهندس محصول دربارهٔ مدت مجاز نگهداری لاگ
- ◆مطالعهٔ یک مستند طراحی قدیمی تیم برای فهم معماری
میانی (۲–۵ سال)
مالک چند privacy review و یک بخش از زیرساخت هستید. بخشی از وقت با تیم حقوقی می‌گذرد تا یک الزام را به طراحی فنی تبدیل کنید و بخشی صرف رسیدگی به رخدادهای کوچک privacy می‌شود.
- ◆بررسی طراحی یک ویژگی تازه و پیشنهاد کمینه‌سازی دادهٔ جمع‌آوری‌شده
- ◆جلسه با وکیل privacy برای ترجمهٔ یک الزام قانونی به کنترل فنی
- ◆پیاده‌سازی de-identification برای داده‌ای که به تیم تحلیل می‌رود
- ◆بررسی یک رخداد privacy: تعیین دامنه، علت ریشه‌ای و برنامهٔ رفع
- ◆به‌روز کردن مستند طراحی برای یکدست کردن تصمیم‌های privacy
ارشد / Staff (۵+ سال)
استراتژی فنی privacy برای یک محصول یا کل شرکت را تعریف می‌کنید، برنامه‌های چندتیمی را هدایت می‌کنید و در شرکت‌های AI روی تصمیم‌هایی دربارهٔ دادهٔ آموزشی و آموزش مدل نظر می‌دهید.
- ◆تعریف نقشهٔ راه چندفصلی برای یکپارچه کردن نگهداری و حذف داده در کل شرکت
- ◆بررسی threat model یک مدل تازه با تیم پژوهش و تعیین آزمون‌های نشت داده
- ◆هم‌سو کردن مدیران محصول، حقوقی و زیرساخت دربارهٔ یک تصمیم پرهزینه
- ◆بازبینی طراحی‌های مهندسان دیگر و منتورینگ
- ◆ارزیابی یک فناوری privacy تازه از پژوهش دانشگاهی برای استفاده در production
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈بررسی حریم خصوصی (privacy review) طراحی‌ها، ویژگی‌ها و مدل‌های تازه و threat modeling برای یافتن ریسک‌ها پیش از انتشار
- ◈ساختن زیرساخت حاکمیت دادهٔ کاربران: کشف و طبقه‌بندی داده، lineage، کنترل دسترسی و audit logging
- ◈پیاده‌سازی و راستی‌آزمایی سیاست‌های نگهداری و حذف داده در پایگاه‌های داده، pipeline ها و نسخه‌های پشتیبان
- ◈خودکارسازی درخواست‌های حقوق صاحبان داده (DSR) و درخواست‌های قانونی دسترسی به داده، با ردپای ممیزی کامل
- ◈به‌کارگیری فناوری‌های افزایش حریم خصوصی مثل differential privacy، de-identification و federated learning در محصول و تحلیل داده
- ◈طراحی روش‌های آموزش و استنتاج حافظ حریم خصوصی برای مدل‌های AI و سنجیدن نشت داده از مدل
- ◈ساختن کتابخانه‌ها و الگوهای آماده تا مهندسان دیگر به‌طور پیش‌فرض ویژگی‌های حافظ حریم خصوصی بسازند
- ◈ترجمهٔ الزام‌های GDPR، CCPA، HIPAA و EU AI Act به طراحی فنی و کنترل‌های خودکار، همراه با تیم حقوقی
- ◈هم‌سو کردن تیم‌های مهندسی، پژوهش، حقوقی و محصول بدون اتکا به اختیار رسمی
- ◈رسیدگی به رخدادهای حریم خصوصی: تعیین دامنه، یافتن علت ریشه‌ای و مدیریت رفع
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس حریم خصوصی داده موفق به آن‌ها نیاز دارد
مهارت‌های فنی
Python، Go، Java یا زبانی مشابه و ساختن و نگهداری سرویس‌های واقعی؛ در حداقل شرایط Anthropic، Microsoft AI و Block
کوئری زدن برای یافتن جای واقعی داده؛ Fireworks AI می‌خواهد بدون کمک کوئری بزنید، API صدا بزنید و schema را بخوانید
سنجیدن یک طراحی و یافتن ریسک پیش از انتشار؛ در حداقل شرایط Anthropic و Microsoft AI
هستهٔ کار تیم Privacy Engineering در OpenAI و جزو حداقل شرایط Anthropic
مدل‌های RBAC و ABAC، رمزنگاری و ثبت ممیزی؛ Microsoft AI این‌ها را «مبانی privacy و امنیت» می‌نامد
Google آن را نمونهٔ فناوری‌های privacy در حداقل شرایط آورده و DuckDuckGo آن را در کنار tracker blocker مثال زده است
Fireworks AI مشاوره دادن دربارهٔ این روش‌ها و رمزنگاری در سطح فیلد را جزو وظایف آورده است
در شرایط ترجیحی Anthropic، Microsoft AI و Google؛ بیشتر در نقش‌های ارشد و AI
membership inference، model inversion و memorization؛ آگهی Research Engineer در OpenAI سنجیدن مقاومت مدل در برابر این‌ها را می‌خواهد
IAM، لاگ‌ها و رفتار نگهداری داده در AWS، GCP یا Azure؛ در شرایط Fireworks AI و ترجیحی Microsoft AI
اسکریپت، workflow و ایجنت‌های LLM برای حذف کار دستی privacy؛ Fireworks AI شواهدش را در شرایط آورده است
مهارت‌های نرم
در بیشتر آگهی‌های بررسی‌شده؛ Anthropic آن را جزو حداقل شرایط آورده است
OpenAI اثرگذاری بر مدیران ارشد و تیم‌های مهندسی «بدون اتکا به اختیار رسمی» را می‌خواهد
Google انتشار مستندات طراحی برای یکدست کردن تصمیم‌های privacy را جزو وظایف آورده و OpenAI مستندسازی دقیق را
DuckDuckGo توضیح روشن تصمیم‌ها برای ذی‌نفعان غیرفنی را می‌خواهد و Google توضیح ریسک فنی برای مدیران فنی و غیرفنی را
Google تجربه در موازنهٔ ریسک در موقعیت‌های مبهم با ذی‌نفعان متعدد را امتیاز می‌داند
دانش حوزه‌ای
اصولی که Anthropic و Microsoft AI در حداقل شرایط آورده‌اند و مادهٔ ۲۵ GDPR الزام می‌کند
پرتکرارترین قانون‌های نام‌برده در آگهی‌های بررسی‌شده؛ از جمله در Anthropic، Google، Microsoft AI و Fireworks AI
Anthropic و Microsoft AI آن را در کنار GDPR نام برده‌اند؛ EDPB هم دربارهٔ دادهٔ شخصی در مدل‌های AI نظر داده است
در نقش‌های سلامت (Microsoft AI) و در فهرست Anthropic
ISO 27701، ISO 42001، SOC 2 و NIST در آگهی Fireworks AI؛ NIST Privacy Framework در نظرسنجی ISACA
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس حریم خصوصی داده
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایهٔ مهندسی نرم‌افزار و داده
Privacy Engineer پیش از هر چیز مهندس نرم‌افزار است. آگهی Anthropic تسلط به Python یا Go و تجربهٔ ساختن و نگهداری سیستم‌های production را جزو حداقل شرایط گذاشته، Block دست‌کم ۵ سال تجربهٔ مهندسی نرم‌افزار می‌خواهد و حتی نقش عملیاتی‌تر Fireworks AI تسلط کاری به SQL و یک زبان اسکریپت‌نویسی را لازم می‌داند. شناخت سیستم‌های داده (پایگاه داده، pipeline و انبار داده) پایهٔ کار است، چون بخش بزرگی از این شغل ردیابی داده در همین سیستم‌هاست.
مبانی حریم خصوصی و قانون داده
سه اصل کلیدی را یاد بگیرید: privacy by design، کمینه‌سازی داده (data minimization) و محدودیت هدف (purpose limitation)؛ همان سه اصلی که آگهی Anthropic در حداقل شرایط آورده است. GDPR و CCPA در آگهی‌های Anthropic، Google و Fireworks AI نام برده شده‌اند، Microsoft AI هم GDPR را آورده، و مادهٔ ۲۵ GDPR «حفاظت از داده در طراحی و به‌طور پیش‌فرض» را الزام می‌کند. در نظرسنجی ۲۰۲۶ ISACA، GDPR (۵۱٪) و NIST Privacy Framework (۴۵٪) رایج‌ترین چارچوب‌های مدیریت حریم خصوصی بوده‌اند. گواهینامهٔ CIPT از IAPP، که Microsoft AI آن را در شرایط ترجیحی آورده، با همین مرحله جور است.
فناوری‌های افزایش حریم خصوصی (PETs)
آگهی‌های Privacy Engineer در Google «۲ سال تجربهٔ به‌کارگیری فناوری‌های حریم خصوصی (مثل differential privacy)» را حداقل شرط می‌دانند و Anthropic و Microsoft AI تجربه با differential privacy، رمزنگاری همومورفیک، secure enclave، محاسبهٔ چندجانبهٔ امن (MPC) و federated learning را امتیاز به شمار می‌آورند. از مبانی شروع کنید: pseudonymization و de-identification، بعد differential privacy. NIST در مارس ۲۰۲۵ راهنمای SP 800-226 را منتشر کرد که توضیح می‌دهد تضمین differential privacy را چطور بسنجید و در پیاده‌سازی به چه دام‌هایی می‌افتید.
منابع پیشنهادی
زیرساخت حریم خصوصی در production
بخش بزرگ کار روزمره همین‌جاست. تیم Privacy Engineering در OpenAI روی فهرست و نقشهٔ داده، طبقه‌بندی و lineage، نگهداری و حذف، کنترل دسترسی و قابلیت ممیزی کار می‌کند. Fireworks AI می‌خواهد فهرست داده و ROPA از خود محیط (APIهای ابری، metadata انبار داده و IaC) ساخته شود، نه از مصاحبه با تیم‌ها، و برای حذف داده سازوکاری می‌خواهد که ثابت کند حذف واقعاً انجام شده است. بررسی حریم خصوصی و threat modeling، مثلاً با چارچوب LINDDUN، را هم در همین مرحله تمرین کنید.
حریم خصوصی در سیستم‌های AI و مقررات AI
تازه‌ترین لایهٔ این کار است. OpenAI از Research Engineer حریم خصوصی می‌خواهد مقاومت مدل را در برابر membership inference، model inversion و نشت از راه memorization بسنجد؛ پژوهش Carlini و همکاران در ۲۰۲۱ نشان داد می‌توان صدها توالی متنی را عیناً از دادهٔ آموزشی GPT-2 بیرون کشید، از جمله نام، شماره تلفن و ایمیل. Fireworks AI از نیرویش می‌خواهد مسیر دادهٔ مشتری را در آموزش، fine-tuning، استنتاج و لاگ‌ها ردیابی کند. در سمت قانون، EDPB در نظر ۲۸/۲۰۲۴ نوشته مدل‌هایی که با دادهٔ شخصی آموزش دیده‌اند در همهٔ موارد «ناشناس» به حساب نمی‌آیند، و طبق کمیسیون اروپا تعهدهای مدل‌های general-purpose AI از ۲ اوت ۲۰۲۵ اجرایی شده است.
منابع پیشنهادی
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
Differential Privacy و تحلیل خصوصی
کتابخانه‌های متن‌باز differential privacy گوگل به زبان‌های C++، Go و Java، به‌علاوهٔ ابزار حساب‌داری privacy budget؛ برای ساختن آمار تجمیعی بدون افشای دادهٔ تک‌تک کاربران
کتابخانهٔ متن‌باز differential privacy با مستندات آموزشی خوب؛ مناسب برای یادگیری مفاهیمی مثل privacy budget در عمل
فریم‌ورک Python برای pipeline های differential privacy که دادهٔ کاربران را به شکل حافظ حریم خصوصی تجمیع می‌کند؛ حاصل همکاری Google و OpenMined
حریم خصوصی در یادگیری ماشین
آموزش مدل‌های PyTorch با differential privacy (DP-SGD)؛ آگهی Research Engineer در OpenAI تسلط به PyTorch یا JAX را می‌خواهد
فریم‌ورک متن‌باز federated learning؛ مدل روی دادهٔ پراکنده آموزش می‌بیند بی‌آنکه داده یک‌جا جمع شود
کشف، طبقه‌بندی و حاکمیت داده
پیدا کردن و ناشناس‌سازی اطلاعات شخصی (PII) در متن، تصویر و دادهٔ ساخت‌یافته؛ پایهٔ خوبی برای پروژه‌های طبقه‌بندی داده
پلتفرم متن‌باز privacy engineering برای انجام درخواست‌های حریم خصوصی در محیط اجرا و اعمال الزام‌های قانونی در خود کد
پلتفرم متن‌باز metadata و lineage؛ آگهی Fireworks AI آشنایی با ابزارهای lineage و catalog مثل DataHub را امتیاز می‌داند
رمزنگاری، threat modeling و پلتفرم‌ها
چارچوب شناخته‌شدهٔ privacy threat modeling که در KU Leuven توسعه یافته؛ برای ساختار دادن به privacy review
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ورودی / Privacy Engineer تازه‌کار
۰ تا ۲ سال
نقش‌های کاملاً ورودی کم‌اند. Palantir برای نقش Privacy & Civil Liberties Engineer دانش‌آموختگان تازه (پاییز ۲۰۲۶ یا بهار ۲۰۲۷) با پیش‌زمینهٔ مهندسی را می‌پذیرد تا محصولاتی برای حاکمیت داده، حریم خصوصی و امنیت بسازند. راه رایج‌تر، چند سال کار به‌عنوان مهندس نرم‌افزار، داده یا امنیت و حرکت تدریجی به سمت کار privacy است.
Privacy Engineer میانی (مثل Privacy Engineer III در Google)
۲ تا ۵ سال
بررسی حریم خصوصی طراحی‌های تازه، طراحی راه‌حل‌های حافظ حریم خصوصی کنار تیم‌های مهندسی و رسیدگی به رخدادهای privacy. حداقل شرایط آگهی‌های Privacy Engineer در Google دو سال تجربه در ارزیابی طراحی‌ها و دو سال تجربهٔ به‌کارگیری فناوری‌های حریم خصوصی است.
Senior Privacy Engineer
۵+ سال
مالکیت بخش‌های بزرگ زیرساخت privacy، تعریف استراتژی فنی حریم خصوصی برای یک محصول و منتورینگ. Block برای نقش Privacy Engineering دست‌کم ۵ سال تجربهٔ مهندسی نرم‌افزار می‌خواهد و DuckDuckGo از مهندس ارشد انتظار دارد مالک بخش‌های اصلی فناوری privacy شرکت باشد و در فرایند بررسی و ممیزی privacy شرکت کند.
Staff / Principal یا مهندس بنیان‌گذار privacy
سطح Staff به بالا
راه‌اندازی کارکرد privacy engineering در یک سازمان. Anthropic برای «یکی از نخستین مهندسان اختصاصی حریم خصوصی» خود ۱۲+ سال تجربهٔ مهندسی نرم‌افزار و ۳+ سال رهبری فنی پروژه‌های بزرگ را در شرایط ترجیحی آورده است. در شرکت‌های کوچک‌تر این نقش زودتر در دسترس است: Ramp برای «founding Privacy engineer» خود ۴ سال تجربهٔ نرم‌افزار و ۲ سال تمرکز روی platform، privacy یا security می‌خواهد.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
ترجمهٔ مداوم بین قانون و مهندسی
عمومیبیشتر آگهی‌ها تبدیل الزام قانونی به طراحی فنی را می‌خواهند و OpenAI از «الزام‌های مبهم سیاستی، حقوقی، امنیتی و محصولی» حرف می‌زند. باید هم زبان وکیل را بفهمید و هم بدانید یک جملهٔ قانون در پایگاه داده و pipeline چه معنایی پیدا می‌کند.
مانع نبودن
عمومیBlock می‌نویسد تیم privacy باید «منبع و تسهیل‌گر استفادهٔ مسئولانه از داده باشد، نه دروازه‌بان» و Google از مهندس privacy می‌خواهد نیازهای privacy را پیش از آنکه مانع کار شوند پیش‌بینی کند. اگر فقط «نه» بگویید، تیم‌ها دورتان می‌زنند؛ کار اصلی ساختن راهی است که انجام درست کار را آسان‌تر کند.
موازنهٔ کارایی و حریم خصوصی
تحقیقاتیOpenAI از «موازنهٔ کارایی با تضمین‌های اثبات‌پذیر» و بررسی موازنهٔ privacy و عملکرد مدل‌های بزرگ حرف می‌زند. NIST در SP 800-226 فهرستی از «خطرهای privacy» آورده که هنگام تبدیل ریاضیات differential privacy به نرم‌افزار واقعی پیش می‌آید.
دادهٔ AI ردیابی‌اش سخت است
عمومیدادهٔ مشتری در یک شرکت AI از آموزش و fine-tuning تا استنتاج و لاگ‌ها جابه‌جا می‌شود؛ همان مسیری که Fireworks AI ردیابی‌اش را می‌خواهد. EDPB می‌گوید مدلی که با دادهٔ شخصی آموزش دیده تنها وقتی ناشناس است که احتمال استخراج آن داده، مستقیم یا از راه پرسش از مدل، ناچیز باشد. Fireworks AI راستی‌آزمایی ادعاهای عدم نگهداری داده در برابر رفتار واقعی پلتفرم را هم جزو وظایف آورده است.
تیم کوچک و بودجهٔ محدود
عمومیدر نظرسنجی ۲۰۲۶ ISACA میانهٔ اندازهٔ تیم privacy از ۸ به ۵ نفر رسیده، ۴۳٪ بودجه را ناکافی می‌دانند و نیمی انتظار کاهش آن را دارند. در چنین تیم‌هایی ممکن است تنها مهندس privacy یک بخش یا حتی کل شرکت باشید (Ramp دنبال «founding Privacy engineer» است) و باید کار را با ابزار و اتوماسیون مقیاس دهید.
مقررات و فناوری که مدام عوض می‌شوند
عمومیدر همان نظرسنجی ۷۱٪ تحول سریع فناوری را بزرگ‌ترین عامل فشار کار دانسته‌اند و ۶۵٪ گفته‌اند کارشان از پنج سال پیش پرفشارتر شده است. برنامهٔ زمانی EU AI Act هم ثابت نماند: پس از توافق AI Omnibus، تعهدهای سیستم‌های پرریسک در حوزه‌های حساس به ۲ دسامبر ۲۰۲۷ منتقل شد.
حقوق و بازار کار جهانی
حقوق جهانی مهندس حریم خصوصی داده
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, 'Privacy Engineer' total pay (99 salaries), estimate updated Apr 2025: 25th–75th pct; average
- Google posting, Privacy Engineer, Ads Privacy (Mountain View), open Oct 2026 (no date shown): posted US base range for a 'Mid' role requiring 2 yrs; median = midpoint
- Block posting, Software Engineer, Privacy Engineering (Bay Area, remote), first posted Sep 23, 2026: Zone A base range, 5+ yrs required; median = midpoint
- Microsoft AI posting, Privacy Engineer, Health (London), open Oct 2026 (no date shown): posted UK base range for a senior IC (IC5) role; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: اصول و قانون
privacy by design، کمینه‌سازی داده و محدودیت هدف را بخوانید؛ مادهٔ ۲۵ GDPR و ساختار NIST Privacy Framework را مرور کنید.
ماه ۲: Differential privacy
مقدمهٔ غیرفنی Desfontaines و چند فصل اول Programming Differential Privacy را با کد بخوانید و پروژهٔ «گزارش آماری با differential privacy» را شروع کنید.
ماه ۴: نگهداری، حذف و DSR
pipeline درخواست دسترسی و حذف را با آزمون اثبات حذف بسازید. کد چارچوب‌های متن‌باز را هم ببینید.
ماه ۵: privacy در AI
مقالهٔ Carlini دربارهٔ استخراج دادهٔ آموزشی را بخوانید و پروژهٔ DP-SGD با Opacus را انجام دهید.
ماه ۶: گواهینامه و درخواست کار
در صورت تمایل برای CIPT آماده شوید و برای عنوان‌های مختلف همین کار درخواست بدهید: Privacy Engineer، Software Engineer, Privacy و Security Engineer, Privacy. در رزومه از زبان آگهی‌ها استفاده کنید: privacy review، data minimization، retention و deletion.
پروژه‌های پیشنهادی برای رزومه
گزارش آماری با differential privacy
متوسطیک دیتاست عمومی را بردارید و چند آمار تجمیعی (شمارش، میانگین، هیستوگرام) را یک بار عادی و یک بار با OpenDP یا کتابخانهٔ DP گوگل محاسبه کنید. برای چند مقدار epsilon خطای نتیجه را بسنجید، privacy budget را مستند کنید و در یک README توضیح دهید چه تضمینی داده‌اید و چه چیزی را تضمین نکرده‌اید.
pipeline خودکار درخواست حقوق داده (DSR)
پیشرفتهبرای یک اپلیکیشن نمونه با چند پایگاه دادهٔ جدا، سیستمی بسازید که درخواست «دسترسی» و «حذف» کاربر را بگیرد، هویت را بسنجد، درخواست را به همهٔ پایگاه‌ها بفرستد، نتیجه را جمع کند و ردپای ممیزی بسازد. در پایان یک آزمون خودکار بنویسید که ثابت کند داده واقعاً حذف شده است؛ همان چیزی که آگهی Fireworks AI می‌خواهد.
نقشهٔ خودکار داده‌های شخصی
متوسطبا Presidio ستون‌ها و فیلدهای حاوی PII را در یک data lake یا پایگاه دادهٔ نمونه پیدا کنید، نتیجه را در DataHub یا OpenMetadata به‌عنوان برچسب ثبت کنید و گزارشی بسازید که نشان دهد هر نوع دادهٔ شخصی کجا ذخیره شده و چه کسی به آن دسترسی دارد. نقشه باید با تغییر schema خودش به‌روز شود.
آموزش مدل با DP-SGD و آزمون membership inference
پیشرفتهیک مدل طبقه‌بندی کوچک را یک بار عادی و یک بار با Opacus آموزش دهید. سپس یک حملهٔ ساده membership inference اجرا کنید و نشان دهید در هر حالت مهاجم چقدر می‌تواند بفهمد یک نمونه در دادهٔ آموزشی بوده است. دقت مدل و موفقیت حمله را کنار هم گزارش کنید.
privacy review برای یک ویژگی مبتنی بر LLM
متوسطیک ویژگی فرضی مثل «چت‌بات پشتیبانی که گفتگوها را ذخیره می‌کند» را انتخاب کنید. با LINDDUN تهدیدهای حریم خصوصی را فهرست کنید، ریسک نشت اطلاعات حساس (LLM02 در فهرست OWASP) را بررسی کنید، و یک طراحی پیشنهادی با کمینه‌سازی داده، مدت نگهداری لاگ، حذف PII پیش از ذخیره و کنترل دسترسی بنویسید؛ به زبانی که هم مهندس و هم وکیل بفهمد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق معرفی‌نامه‌اش در کنفرانس PEPR ۲۰۱۹، دکترای علوم کامپیوتر با تمرکز بر رمزنگاری از Carnegie Mellon University و کارشناسی مهندسی برق و علوم کامپیوتر از UC Berkeley دارد.
بیش از یک دهه در Google کار کرد و Global Lead of Privacy Technology بود؛ روی پروژه‌هایی مثل ناشناس‌سازی لاگ‌ها، امنیت زیرساخت، زیرساخت حریم خصوصی و privacy engineering. در زمان این معرفی‌نامه Chief Privacy Officer شرکت Humu بود و در طراحی محصول، زیرساخت‌های privacy-enhancing، امنیت برنامه و پژوهش در جنبه‌های نظری و عملی privacy فعالیت می‌کرد. در همان کنفرانس در پنلی دربارهٔ مسیرهای شغلی privacy engineering شرکت کرد.
مسیر او نشان می‌دهد کار روی مسائل ملموسی مثل ناشناس کردن لاگ‌ها، به‌علاوهٔ پایهٔ محکم در رمزنگاری و زیرساخت، می‌تواند به رهبری کل کارکرد privacy در یک شرکت برسد.
کارشناسی ارشد منطق ریاضی و علوم نظری کامپیوتر از École normale supérieure. هم‌زمان با کار در Google، زیر نظر David Basin در ETH Zürich پژوهش کرد و در ۲۰۲۰ دکترا گرفت.
در Google تیم مشاورهٔ anonymization را رهبری کرد و بعد staff scientist شرکت Tumult Labs بود؛ به گفتهٔ خودش در هر دو نقش روی ساده‌کردن به‌کارگیری differential privacy در کاربردهای واقعی کار کرد. بعد مشاورهٔ مستقل Hiding Nemo را بنیان گذاشت و با مشتریانی مثل کمیسیون اروپا، Vinted و TikTok کار کرده است.
مسیر Desfontaines نشان می‌دهد که پژوهش و کار صنعتی در privacy engineering می‌توانند هم‌زمان پیش بروند؛ تخصص عمیق در یک تکنیک مشخص مثل differential privacy هم در شرکت‌های بزرگ و هم به‌صورت مستقل خریدار دارد.
وکیل دارای مجوز و متخصص حقوق فناوری اطلاعات: حریم خصوصی، حفاظت از داده، اشتراک امن اطلاعات و اخلاق داده. مدرک JD و کارشناسی ارشد Forensic Sciences دارد و دانش‌آموختهٔ Syracuse University و The George Washington University است.
بنیان‌گذار و مدیرعامل Elchemy بود و در ICSI و مرکز CAIDA دانشگاه UC San Diego به‌عنوان Technology-Law Specialist کار کرد. سپس Program Manager بخش امنیت سایبری HSARPA در ادارهٔ علم و فناوری وزارت امنیت داخلی آمریکا (DHS S&T) شد و برنامهٔ IMPACT برای اشتراک داده‌های ریسک سایبری را مدیریت کرد.
مسیر Kenneally نشان می‌دهد که می‌شود از حقوق وارد privacy engineering شد: ترکیب تخصص حقوقی با درک فنی داده نقش‌هایی می‌سازد که هیچ‌کدام از این دو تخصص به‌تنهایی پوشش نمی‌دهد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Staff+ Software Engineer, Privacy
تحلیل نیازمندی‌ها
Experience applying privacy engineering principles in production systems, including privacy by design, data minimization, and purpose limitation
دانستن تعریف این سه اصل کافی نیست؛ باید نشان دهید آن‌ها را در یک سیستم واقعی پیاده کرده‌اید: مثلاً فیلدی را که لازم نبود جمع نکردید، یا داده‌ای را که برای یک هدف جمع شده بود از استفادهٔ دیگر جدا کردید.
ضروریProficiency in Python, Go, or similar languages, with experience building and operating production systems at scale
این نقش مهندسی نرم‌افزار است. «operating» یعنی فقط ساختن نیست؛ نگهداری، پایش و رفع مشکل سیستم در حال کار هم بخشی از کار است.
ضروریExperience designing and implementing privacy infrastructure for systems with a large user base
در مقیاس بزرگ، کنترل‌های دستی کار نمی‌کنند. باید تجربهٔ ساختن سرویس یا سکویی را داشته باشید که privacy را برای تیم‌های زیادی خودکار اعمال کند.
ضروریExperience with data governance, classification, or data lifecycle management systems
منظور سیستم‌هایی است که می‌دانند چه داده‌ای کجاست، چه برچسبی دارد و چه زمانی باید حذف شود. پروژه‌هایی مثل نقشهٔ خودکار داده و pipeline حذف دقیقاً همین را نشان می‌دهند.
ضروریUnderstanding of privacy regulations such as GDPR and CCPA, and the ability to translate legal requirements into technical designs
لازم نیست وکیل باشید، اما باید بتوانید از یک بند قانون به یک تصمیم طراحی برسید و آن را برای تیم حقوقی و مهندسی توضیح دهید.
ضروریExperience conducting privacy reviews, threat modeling, or risk assessments
کار روزمرهٔ این شغل. چارچوبی مثل LINDDUN کمک می‌کند review ها ساختار داشته باشند؛ نمونهٔ مستند review در پورتفولیو برای این خط مستقیم قابل استفاده است.
ضروریWritten and verbal communication skills sufficient to build alignment across engineering, research, legal, and product teams
در یک شرکت AI پژوهشگران هم به فهرست ذی‌نفعان اضافه می‌شوند. باید بتوانید با چهار گروه با زبان و اولویت‌های متفاوت به یک تصمیم مشترک برسید.
ضروریHands-on experience with privacy-enhancing technologies (e.g., differential privacy, homomorphic encryption, secure enclaves, secure multi-party computation)
در شرایط ترجیحی آمده است. برای این سطح، تجربهٔ عملی با دست‌کم یکی از این فناوری‌ها و فهم اینکه کجا به‌کار می‌آید و کجا هزینه‌اش زیاد است انتظار می‌رود.
مهمExperience building privacy infrastructure or controls for machine learning or AI systems
خطی که این آگهی را از آگهی‌های قدیمی‌تر privacy جدا می‌کند. یعنی کنترل privacy برای دادهٔ آموزشی، pipeline آموزش و سیستم‌های استنتاج؛ جایی که داده‌ها و ریسک‌ها با محصولات معمولی فرق دارند.
مهم12+ years of experience in a software engineering role, including building and operating large-scale infrastructure
این خط در شرایط ترجیحی است، اما سطح نقش (Staff+) را نشان می‌دهد. برای تازه‌کار این آگهی هدف بلندمدت است، نه نقطهٔ ورود.
مفیدتحلیل مسئولیت‌ها
Design and implement privacy-preserving architectures for AI training and inference systems operating at very large scale, using techniques e.g. differential privacy, federated learning, and secure multi-party computation
مهم‌ترین تغییری که AI در این شغل ایجاد کرده: privacy دیگر فقط دربارهٔ پایگاه دادهٔ کاربران نیست، دربارهٔ اینکه مدل چه چیزی از داده یاد می‌گیرد و در استنتاج چه چیزی را لو می‌دهد هم هست.
Partner with researchers to implement privacy-preserving training methods that protect user data while maintaining model quality
روش‌هایی مثل DP-SGD معمولاً هزینهٔ کیفیت دارند. کار مهندس پیدا کردن نقطه‌ای است که هم حفاظت معنادار باشد و هم مدل قابل‌استفاده بماند.
Build foundational privacy infrastructure, including automated data discovery, classification, access controls, audit logging, and lifecycle management
پایه‌ای که همهٔ کارهای دیگر روی آن بنا می‌شود. بدون دانستن اینکه چه داده‌ای کجاست، هیچ سیاست حذف یا دسترسی را نمی‌شود اجرا کرد.
Translate regulatory requirements (e.g., GDPR, CCPA, HIPAA, the EU AI Act) into technical implementations and automated compliance controls
EU AI Act در کنار قوانین حریم خصوصی آمده است. «automated» یعنی انطباق باید مداوم و قابل اندازه‌گیری باشد، نه یک بررسی سالانه.
Architect data governance systems for tracking data lineage, purpose limitation, and retention across distributed AI systems
باید بتوان گفت یک داده از کجا آمده، برای چه هدفی مجاز است و تا کی باید بماند؛ حتی وقتی در چندین سیستم توزیع‌شدهٔ آموزش و استنتاج پخش شده است.
Lead privacy reviews and threat modeling for new models and features, identifying risks and designing scalable mitigations
در یک شرکت AI، «مدل تازه» هم مثل «ویژگی تازه» review می‌شود. کلمهٔ scalable مهم است: راه‌حلی که فقط برای یک مورد کار کند کافی نیست.
Design privacy-preserving analytics and measurement systems that surface useful insights without exposing individual user data
تیم‌ها می‌خواهند بدانند محصول چطور استفاده می‌شود. اینجاست که differential privacy و تجمیع امن به کار می‌آیند: آمار مفید، بدون دیدن دادهٔ تک‌تک کاربران.
Develop privacy engineering toolkits and frameworks that enable other engineers to build privacy-preserving features by default
یک مهندس privacy نمی‌تواند همهٔ کدها را بنویسد یا بررسی کند. اثر واقعی از ابزاری می‌آید که انجام درست کار را برای بقیه آسان‌ترین راه کند.
نتیجه‌گیری کلی
این آگهی روشن‌ترین تصویر از اثر AI بر این شغل است. هستهٔ کار همان مهارت‌های کلاسیک privacy engineering است: privacy review و threat modeling، حاکمیت و چرخهٔ عمر داده، و ترجمهٔ GDPR و CCPA به طراحی فنی. اما سه لایهٔ تازه به آن اضافه شده: حفاظت از داده در آموزش و استنتاج مدل‌ها، کار مستقیم با پژوهشگران، و تبدیل EU AI Act به کنترل فنی. Anthropic این نقش را «یکی از نخستین مهندسان اختصاصی privacy» خود و پایه‌گذار این کارکرد در شرکت می‌نامد. سطح نقش Staff+ است (۱۲+ سال تجربه در شرایط ترجیحی) و بازهٔ حقوق اعلام‌شده ۴۰۵ تا ۴۸۵ هزار دلار در سال است؛ برای ورود به این حرفه، آگهی‌هایی مثل Privacy Engineer در Google با دو سال تجربه نقطهٔ واقع‌بینانه‌تری هستند.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
به نوشتهٔ Kalinda Raina در IAPP (ژانویهٔ ۲۰۲۴) و بر پایهٔ داده‌های LinkedIn، عنوان‌های شغلی privacy engineer در پنج سال ۴۰٪ رشد کرده‌اند (جهانی).
منبع: IAPP — Kalinda Raina, Celebrating Data Privacy Day with 'optimism,' 'conviction' (Jan 2024), citing LinkedIn data
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در نظرسنجی State of Privacy 2026 از ISACA، ۳۸٪ پاسخ‌دهندگان گفته‌اند قصد دارند ظرف ۱۲ ماه آینده از AI برای کارهای privacy استفاده کنند، و سهم کسانی که هیچ برنامه‌ای برای این کار ندارند از ۳۶٪ در ۲۰۲۴ به ۲۶٪ رسیده است.
طبق برنامهٔ زمانی کمیسیون اروپا، از ۲ دسامبر ۲۰۲۷ سیستم‌های AI پرریسک در حوزه‌های حساس (پیوست III قانون AI) پیش از عرضه باید تعهدهای سخت‌گیرانه‌ای را رعایت کنند، از جمله کیفیت بالای دیتاست‌ها و ثبت لاگ فعالیت برای ردیابی؛ این تاریخ پس از توافق AI Omnibus عقب افتاد.
طبق کمیسیون اروپا، دورهٔ گذار برای سیستم‌های AI پرریسکِ تعبیه‌شده در محصولات تنظیم‌شده (پیوست I قانون AI) تا ۲ اوت ۲۰۲۸ ادامه دارد.
دو روند هم‌زمان دیده می‌شود. از یک سو تقاضا برای مهارت فنی روشن است: در نظرسنجی State of Privacy 2026 از ISACA، ۴۷٪ گفته‌اند نقش‌های فنی تیمشان کم‌نیروست و «تخصص فنی» با ۵۴٪ بزرگ‌ترین شکاف مهارتی است، و آزمایشگاه‌ها و شرکت‌های زیرساخت AI مثل Anthropic، OpenAI و Fireworks AI برای این نقش آگهی می‌دهند. از سوی دیگر تیم‌های privacy کوچک‌تر شده‌اند: میانهٔ اندازهٔ تیم از ۸ به ۵ نفر رسیده و نیمی از پاسخ‌دهندگان انتظار کاهش بودجه دارند. نقش‌های ورودی هم کم‌اند: بیشتر آگهی‌های بررسی‌شده دست‌کم ۲ تا ۵ سال تجربه می‌خواهند و تنها آگهی مخصوص تازه‌کارها مال Palantir بود. خودکارسازی هم شکل کار را عوض می‌کند: Fireworks AI صریحاً کسی را می‌خواهد که ماشین برنامهٔ privacy را «تا حد زیادی خودکار» کند، و ISACA گزارش می‌دهد سهم تیم‌هایی که هیچ برنامه‌ای برای استفاده از AI در کارهای privacy ندارند در حال کم شدن است. نتیجهٔ عملی: کسی که فقط فرایند و انطباق دستی را بلد است آسیب‌پذیرتر است از کسی که کد می‌نویسد، زیرساخت privacy می‌سازد و جریان داده در سیستم‌های AI را می‌فهمد.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۵ منبع بررسی شده است.
- Staff+ Software Engineer, Privacy — Anthropic (job posting)
- Software Engineer, Privacy Engineering — OpenAI (job posting)
- Research Engineer, Privacy — OpenAI (job posting)
- Software Engineer, Privacy Engineering (Lawful Access) — OpenAI (job posting)
- Privacy Engineer, Ads Privacy — Google (job posting)
- Privacy Engineer III, Global Business Strategy and Operations — Google (job posting)
- Privacy Engineer III, Platforms Security and Privacy — Google (job posting)
- Privacy Engineer, Health — Microsoft AI (job posting)
- Privacy Counsel — Anthropic (job posting)
- Senior Privacy Engineer — DuckDuckGo (job posting)
- Software Engineer, Privacy Engineering — Block (job posting)
- Security Engineer, Privacy — Ramp (job posting)
- Privacy Program Engineer — Fireworks AI (job posting)
- Privacy & Civil Liberties Engineer - New Grad — Palantir (job posting)
- Glassdoor — Privacy Engineer salaries, United States
- Glassdoor — Privacy Engineer salaries, United Kingdom
- Glassdoor — Privacy Engineer salaries, Canada
- ZipRecruiter — Privacy Engineer salary (US)
- IAPP — Celebrating Data Privacy Day with 'optimism,' 'conviction' (Kalinda Raina, 2024)
- ISACA — State of Privacy 2026 (press release)
- ISACA Career Journey — Privacy Engineer
- USENIX PEPR '25 — Career Advice for Privacy Engineers (Jason A. Novak)
- USENIX PEPR '26 — Mapping the Privacy Workforce in the AI Era
- Carnegie Mellon — Privacy Engineering and AI Governance Program
- European Commission — AI Act (regulatory framework and timeline)
- EDPB — Opinion 28/2024 on data protection aspects of AI models (PDF)
- Carlini et al. — Extracting Training Data from Large Language Models (USENIX Security '21)
- NIST SP 800-226 — Guidelines for Evaluating Differential Privacy Guarantees
- U.S. Census Bureau — Understanding Differential Privacy
- Apple Machine Learning Research — Learning with Privacy at Scale
- GDPR Art. 25 — Data protection by design and by default
- LINDDUN — privacy threat modeling
- Lea Kissner — USENIX PEPR '19 speaker bio
- Damien Desfontaines — personal site
- Erin Kenneally — USENIX Enigma 2017 speaker bio