مهندس یادگیری ماشین سیستم‌های توصیه‌گر
Machine Learning Engineer, Recommendation Systems
مهندس یادگیری ماشین سیستم‌های توصیه‌گر سیستمی را می‌سازد و بهتر می‌کند که تصمیم می‌گیرد هر کاربر در فید، صفحهٔ اصلی، جستجو یا ایمیل چه چیزی ببیند: تجربه‌های بخش Discover در Fortnite، رستوران و غذا در Deliveroo، فید و ایمیل‌های digest در Quora یا محصولات پیشنهادی در ایمیل و پیامکی که فروشگاه‌ها با Klaviyo می‌فرستند. کار از بازیابی نامزدها و رتبه‌بندی تا آزمایش A/B و پایش در پروداکشن را در بر می‌گیرد. «Recommendation Systems Developer»، نام قبلی این صفحه، عنوان شغلی کارفرمایان نیست؛ در آگهی‌های ۲۰۲۶ همین کار با عنوان Machine Learning Engineer و نام تیم (Recommendations، Recommendation Systems، Personalization یا Ranking) آگهی می‌شود و بخش زیرساختی آن با عنوان Software Engineer, Recommendations.
مقدمه و تعریف شغل
مهندس یادگیری ماشین سیستم‌های توصیه‌گر کسی است که از میان انبوه آیتم‌های یک محصول (فیلم، محصول، پست، آهنگ یا بازی) چند مورد را برای هر کاربر انتخاب و مرتب می‌کند و مسئول این است که این انتخاب در عمل بهتر شود. معماری رایج، به گفتهٔ دورهٔ Google، سه مرحله دارد: تولید نامزد، که مجموعهٔ بزرگ را به زیرمجموعه‌ای کوچک می‌رساند؛ امتیازدهی، که نامزدها را رتبه‌بندی می‌کند؛ و رتبه‌بندی مجدد. این مهندس مدل‌های هر مرحله را می‌سازد، pipeline داده و ویژگی‌ها را نگه می‌دارد، با ارزیابی آفلاین و A/B test اثر هر تغییر را می‌سنجد و سیستم را در پروداکشن با تأخیر کم سرپا نگه می‌دارد.
یکی از گروه‌های دانشگاهی که پژوهش‌های اولیهٔ این حوزه را انجام دادند، GroupLens در دانشگاه Minnesota بود. این گروه سیستمی برای توصیهٔ مقاله‌های Usenet ساخت و در ۱۹۹۷ سایت MovieLens را راه انداخت که داده‌هایش بسیار در پژوهش‌های این حوزه به کار رفته است. در صنعت، Amazon فیلترینگ مشارکتی آیتم‌به‌آیتم را پیش برد؛ طبق Amazon Science، وقتی مقالهٔ آن در ۲۰۰۳ منتشر شد، این الگوریتم شش سال بود که در سایت کار می‌کرد. در ۲۰۰۹ جایزهٔ یک میلیون دلاری Netflix Prize به تیمی رسید که خطای پیش‌بینی امتیاز را نسبت به الگوریتم خود Netflix ۱۰٫۰۶٪ کمتر کرده بود. در ۲۰۱۶ مقالهٔ YouTube سیستم توصیه را به دو مدل عمیق جدا، یکی برای تولید نامزد و یکی برای رتبه‌بندی، تقسیم کرد. آگهی‌های ۲۰۲۶ یک قدم جلوترند: Nubank تجربه با semantic ID، مدل‌های توالی روی تاریخچهٔ طولانی کاربر و سیستم توصیهٔ گفت‌وگومحور می‌خواهد، Quora تجربه با سیستم توصیهٔ مولد را امتیاز می‌داند و Spotify رویکردهای agentic را برای جستجو بررسی می‌کند. عنوان رایج این کار در آمریکا Machine Learning Engineer است: در ۴۰۰ نتیجهٔ اول جستجوی recommendation در سایت شغلی TikTok در ۲۲ اکتبر ۲۰۲۶، ۱۲۵ عنوان در San Jose و Seattle، از جمله آگهی‌های فارغ‌التحصیلی و کارآموزی، Machine Learning Engineer بودند و هیچ‌کدام Algorithm Engineer نبودند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس یادگیری ماشین سیستم‌های توصیه‌گر
توصیهٔ محتوا در بازی
تیم Discovery در Epic Games سیستم‌هایی می‌سازد که به بازیکنان Fortnite در بخش Discover تجربه‌های ساختهٔ سازندگان را پیشنهاد می‌دهد؛ از تولید نامزد و رتبه‌بندی تا تخصیص نمایش و رتبه‌بندی مجدد بی‌درنگ.
پیشنهاد رستوران و غذا
مهندس ML تیم Recommendations در Deliveroo مدل‌های توصیه، رتبه‌بندی و بازیابی می‌سازد که رستوران، غذا و آیتم مرتبط را به مشتری نشان می‌دهند و ربط را با تنوع، موجود بودن و محدودیت‌های کسب‌وکار متوازن می‌کنند.
رتبه‌بندی فید و ایمیل digest
در Quora مهندس ML مدل رتبه‌بندی مرحلهٔ دوم را در اختیار دارد که پشت فید و ایمیل‌های digest است، از استخراج نامزد و ساخت ویژگی تا آموزش مدل و یکپارچه‌سازی با پروداکشن.
پیشنهاد محصول در ایمیل و پیامک
تیم Recommendations Platform در Klaviyo سرویس‌هایی می‌سازد که برای فروشگاه‌ها در ایمیل، پیامک و سایت محصول پیشنهاد می‌دهند، و پایگاه برداری‌ای که توصیه، جستجوی معنایی و کاربردهای agentic روی آن کار می‌کنند.
جستجوی شخصی‌سازی‌شده
تیم Personalization در Spotify مدل‌هایی می‌سازد که جستجو را مرتبط‌تر و شخصی‌تر کند و سیستم‌های رتبه‌بندی و بازیابی که به شنونده کمک می‌کند موسیقی، ویدیو و کتاب صوتی پیدا کند.
توصیه در محصولات مالی
Nubank که طبق آگهی بیش از ۱۴۰ میلیون مشتری دارد، برای سیستم‌های توصیه‌اش زنجیره‌های بازیابی، رتبه‌بندی و بهینه‌سازی چندهدفه می‌سازد که باید با تأخیر کم و قابلیت اطمینان بالا کار کنند.
تخصص‌های مختلف مهندس یادگیری ماشین سیستم‌های توصیه‌گر
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
بازیابی و تولید نامزد
Retrieval & Candidate Generation
مرحلهٔ اول زنجیره: رساندن کاتالوگ بزرگ به مجموعهٔ کوچکی از نامزدها با embedding، مدل‌های two-tower و جستجوی تقریبی نزدیک‌ترین همسایه. Epic بازیابی مبتنی بر embedding و Nubank زنجیره‌های بازیابی در مقیاس را نام برده‌اند.
رتبه‌بندی و رتبه‌بندی مجدد
Ranking & Re-ranking
مدل‌هایی که نامزدها را امتیاز می‌دهند و ترتیب نهایی را با هدف‌هایی مثل تنوع و انصاف تنظیم می‌کنند؛ مثل مدل رتبه‌بندی مرحلهٔ دوم فید Quora یا مرحلهٔ رتبه‌بندی مجدد بی‌درنگ در بخش Discover بازی Fortnite در Epic Games.
پلتفرم و زیرساخت توصیه
Recommendation Platform & Infrastructure
سرویس‌های backend، pipeline های داده، پایگاه برداری و ابزار آزمایش که مدل‌ها روی آن اجرا می‌شوند. عنوان رایج Software Engineer است، مثل Software Engineer II - Recommendations در Klaviyo یا Software Engineer Graduate (Recommendation Infrastructure) در TikTok.
توصیهٔ مولد و مبتنی بر LLM
Generative & LLM-based Recommendation
شاخهٔ تازه‌ای که semantic ID، مدل‌های بزرگ توصیه و سیستم‌های گفت‌وگومحور را به کار می‌برد. Nubank و Quora تجربه با آن را خواسته‌اند و TikTok آگهی فارغ‌التحصیلی با عنوان Generative & Large Recommendation Model دارد.
شخصی‌سازی و استنباط علّی
Personalization & Causal Inference
سنجش اثر واقعی توصیه بر رفتار کاربر و رشد کسب‌وکار. DoorDash برای تیم Personalization تخصص در استنباط علّی و سیستم‌های توصیه را با هم می‌خواهد و آشنایی با الگوریتم‌های explore/exploit را امتیاز می‌داند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
این نقش در واقع همان مهندس یادگیری ماشین است که در یک حوزه تخصص پیدا کرده؛ آگهی‌ها عنوان Machine Learning Engineer را با نام تیم می‌آورند (Recommendations در Lyft و Deliveroo، Personalization در Spotify و DoorDash، Ranking در Quora). تفاوت در عمق دامنه است: بازیابی و رتبه‌بندی چندمرحله‌ای، بازخورد ضمنی و آزمایش‌هایی که سوگیری خاص خود را دارند، چون به گفتهٔ آگهی Epic خروجی سیستم داده‌ای را که از آن یاد می‌گیرد شکل می‌دهد. مهندس ML عمومی ممکن است روی ریسک اعتباری، تقلب یا بینایی ماشین کار کند.
در برخی شرکت‌های اینترنتی همین کار توصیه و رتبه‌بندی Algorithm Engineer نام دارد. در سایت شغلی TikTok عنوان Algorithm Engineer برای کارهای توصیه در سنگاپور دیده می‌شود و همین کار در San Jose و Seattle با عنوان Machine Learning Engineer آگهی می‌شود. عنوان Algorithm Engineer در شرکت‌های سخت‌افزار و حسگر معنای دیگری دارد (پردازش سیگنال و کد روی دستگاه)؛ برای جزئیات صفحهٔ مهندس الگوریتم را ببینید.
مرز این دو باریک است: Spotify جستجو را در تیم Personalization گذاشته، Reddit عنوان Feed Relevance را برای فید به کار می‌برد و Coupang تیم‌های Search & Discovery دارد. تفاوت در ورودی است: در جستجو کاربر پرسش صریح می‌نویسد و سیستم باید آن را بفهمد؛ در توصیه پرسشی در کار نیست و سیستم باید از رفتار و زمینهٔ کاربر حدس بزند چه چیزی برایش مرتبط است. ابزارها، یعنی بازیابی برداری و مدل رتبه‌بندی، تا حد زیادی مشترک‌اند.
در تیم‌های بزرگ هر دو نقش کنار هم کار می‌کنند: Spotify در کنار مهندس ML آگهی Applied Research Scientist برای Personalization دارد و Nubank از مهندس Staff می‌خواهد مدل پژوهشگران کاربردی را به سیستم پروداکشن قابل اعتماد و پایش‌شده برساند. دانشمند بیشتر روی تحلیل، طراحی آزمایش و ایدهٔ مدل تمرکز دارد و مهندس روی ساختن و نگه‌داشتن سیستمی که مدل را با تأخیر کم سرویس می‌دهد. در تیم‌های کوچک‌تر، مثل Deliveroo، مهندس ML خودش مسئله را صورت‌بندی، مدل را آموزش و آزمایش را اجرا می‌کند.
تأثیر در صنایع مختلف
مهندس یادگیری ماشین سیستم‌های توصیه‌گر در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
بازی
توصیهٔ تجربه‌های ساختهٔ سازندگان در بخش Discover بازی Fortnite در Epic Games، با کاتالوگی که هر روز تغییر می‌کند
تحویل غذا و خواربار
پیشنهاد رستوران و غذا در Deliveroo و شخصی‌سازی خرید خواربار و خرده‌فروشی در DoorDash
موسیقی و صوت
جستجو و کشف شخصی‌سازی‌شدهٔ موسیقی، ویدیو و کتاب صوتی در Spotify
شبکه‌های اجتماعی و پرسش‌وپاسخ
رتبه‌بندی فید، اعلان‌ها و ایمیل digest در Quora و تیم Feed Relevance در Reddit
ویدیوی کوتاه و تجارت اجتماعی
بیش از ۱۰۰ عنوان Machine Learning Engineer، از جمله فارغ‌التحصیلی و کارآموزی، برای توصیهٔ ویدیو، فروشگاه و LIVE در San Jose و Seattle در سایت شغلی TikTok
تجارت الکترونیک و بازاریابی
فیلترینگ مشارکتی آیتم‌به‌آیتم در Amazon و پیشنهاد محصول در ایمیل و پیامک فروشگاه‌ها با Klaviyo
خدمات مالی
بازیابی، رتبه‌بندی و بهینه‌سازی چندهدفه برای مشتریان Nubank
ابزارهای AI مولد
فیدهای گزینش‌شده و سازگار کردن مدل‌های تولید تصویر با سلیقهٔ هر کاربر در Krea
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
مدل عمیق‌تر همیشه از روش ساده بهتر است
طبق Amazon Science، تیم Prime Video در ۲۰۱۴ یک مدل autoencoder ساخت و در آزمایش اول هم فیلترینگ آیتم‌به‌آیتم و هم یک فهرست سادهٔ پرطرفدارترین‌های دو هفتهٔ اخیر از آن بهتر بودند. مدل فقط وقتی دو برابر بهتر از روش آیتم‌به‌آیتم شد که تیم داده را بر اساس زمان مرتب کرد و مدل را روی پیش‌بینی دو هفتهٔ بعد ارزیابی کرد. مبنای ساده و ارزیابی درست را جدی بگیرید.
اگر معیار آفلاین بالا رفت، کار تمام است
آگهی Deliveroo ارزیابی سخت‌گیرانه را شامل معیارهای آفلاین، طراحی آزمایش و تفسیر نتیجهٔ آنلاین می‌داند و Epic تحلیل A/B test را «با آگاهی از سوگیری‌های ذاتی سیستم‌های توصیه» می‌خواهد. مدل فقط روی آیتم‌هایی آموزش می‌بیند که سیستم قبلی نشان داده است؛ پس نتیجهٔ آفلاین فقط یک نشانه است و تصمیم نهایی با آزمایش آنلاین گرفته می‌شود.
این کار فقط در Netflix، YouTube و Amazon هست
آگهی‌های بررسی‌شده از شرکت‌های بسیار متفاوت بودند: تحویل غذا (Deliveroo، DoorDash)، بازی (Epic)، بانکداری دیجیتال (Nubank)، ابزار بازاریابی (Klaviyo)، حمل‌ونقل (Lyft) و یک استارتاپ ابزار تصویر (Krea) که سیستم توصیه‌اش را از صفر می‌سازد. شرکت ویتنامی CMC Global هم برای یک پلتفرم تجارت الکترونیک عمده‌فروشی آگهی AI Recommendation Developer (Go) داده است.
بدون دکترا راهی به این شغل نیست
بستگی به شرکت دارد. TikTok برای فارغ‌التحصیلان تیم Recommendation کارشناسی یا کارشناسی ارشد می‌خواهد و Quora کارشناسی، ارشد یا دکترا را می‌پذیرد. Deliveroo دکترا را «به همان اندازه» قابل قبول می‌داند ولی شرط نکرده است. در مقابل، Lyft و DoorDash کارشناسی ارشد یا دکترا را شرط کرده‌اند.
LLMها سیستم‌های توصیه را کنار می‌گذارند
در آگهی‌های ۲۰۲۶ LLM به این تیم‌ها اضافه شده، نه جای آن‌ها را گرفته است: Nubank سیستم توصیهٔ گفت‌وگومحور و semantic ID را کنار مدل‌های توالی می‌خواهد، Quora تجربه با توصیهٔ مولد را امتیاز می‌داند و Epic مدل‌های درک محتوا، از جمله AI مولد، را به‌عنوان ویژگی رتبه‌بندی به کار می‌برد. پایهٔ کار، یعنی بازیابی، رتبه‌بندی و آزمایش، همچنان در همهٔ این آگهی‌ها هست.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
در آگهی‌های بررسی‌شده بیشتر ورودها از برنامه‌های فارغ‌التحصیلی بود، مثل Machine Learning Engineer Graduate در تیم Recommendation شرکت TikTok. کار روزانه معمولاً روی بخشی از یک مدل یا pipeline موجود است که ارشدها تعریف کرده‌اند: اضافه کردن ویژگی، اجرای آزمایش آفلاین و گزارش نتیجه.
- ◆اضافه کردن یک ویژگی تازه به مدل رتبه‌بندی و مقایسهٔ نتیجهٔ آفلاین با نسخهٔ فعلی
- ◆نوشتن پرس‌وجوی SQL یا کار Spark برای ساختن دادهٔ آموزشی
- ◆بررسی نتیجهٔ یک A/B test در حال اجرا همراه با یک مهندس ارشد
- ◆رفع ایرادهای code review و نوشتن تست برای pipeline
میانی (۲–۵ سال)
مالک یک مدل یا یک بخش از زنجیره هستید. آگهی Quora از مهندس ML می‌خواهد مدل رتبه‌بندی را از pipeline داده و استخراج نامزد تا آموزش و یکپارچه‌سازی با پروداکشن در اختیار بگیرد، و Klaviyo از Software Engineer II می‌خواهد آزمایش را خودش تعریف و تفسیر کند و در on-call سیستمش شرکت کند.
- ◆طراحی آزمایش برای نسخهٔ تازهٔ مدل و تعریف معیار موفقیت با مدیر محصول
- ◆آموزش دوبارهٔ مدل با ویژگی‌های تازه و بررسی هم‌خوانی ویژگی‌ها بین آموزش و سرویس
- ◆پایش داشبورد کیفیت و تأخیر و پیدا کردن علت افت یک معیار
- ◆شیفت on-call و پیگیری پس از حادثه
ارشد (۵+ سال)
تمرکز روی معماری و تصمیم‌های بزرگ‌تر است: Epic از مهندس ارشد می‌خواهد بین سرویس‌دهی batch، نزدیک به بی‌درنگ و streaming انتخاب کند و چارچوب ارزیابی کیفیت توصیه را در اختیار داشته باشد. Lyft منتورینگ مهندسان جوان‌تر و Nubank بازبینی طراحی و بالا بردن استاندارد آزمایش و پایش را جزو کار آورده‌اند.
- ◆بازبینی طراحی یک زنجیرهٔ چندمرحله‌ای تازه
- ◆تصمیم دربارهٔ توازن ربط، تنوع و نمایش منصفانه با تیم محصول
- ◆توضیح نتیجهٔ آزمایش‌ها و trade-off ها برای ذی‌نفعان غیرفنی
- ◆منتورینگ و بازبینی کد مهندسان جوان‌تر
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، ساخت و بهبود مدل‌های بازیابی، رتبه‌بندی و رتبه‌بندی مجدد که آیتم مرتبط را به هر کاربر نشان می‌دهند
- ◈ساخت و بهینه‌سازی زنجیرهٔ چندمرحله‌ای تولید نامزد، امتیازدهی و رتبه‌بندی مجدد با توازن بین ربط، تنوع و نمایش منصفانهٔ محتوا
- ◈ساخت و نگه‌داری pipeline های دادهٔ بزرگ که رویدادهای خام و دادهٔ کاتالوگ را به ویژگی و ورودی مدل تبدیل می‌کنند
- ◈تعریف ارزیابی آفلاین، طراحی و اجرای A/B test و تفسیر نتیجهٔ آنلاین پیش از انتشار مدل تازه
- ◈انتخاب معماری سرویس‌دهی (batch، نزدیک به بی‌درنگ یا streaming) و پایش کیفیت، تأخیر و دسترس‌پذیری در پروداکشن
- ◈مشارکت در on-call و رسیدگی به حادثه برای سیستم‌هایی که در اختیار دارید
- ◈همکاری با مدیر محصول، تحلیلگر، دانشمند داده و مهندسان نرم‌افزار برای تبدیل یک مسئلهٔ مبهم محصول به یک رویکرد ML مشخص
- ◈بازبینی طراحی و کد، منتورینگ مهندسان جوان‌تر و بالا بردن استاندارد آزمایش و پایش در تیم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس یادگیری ماشین سیستم‌های توصیه‌گر موفق به آن‌ها نیاز دارد
مهارت‌های فنی
تقریباً در همهٔ آگهی‌های بررسی‌شده آمده است؛ Nubank Scala و Lyft Golang را هم کنار آن پذیرفته‌اند
ساخت و آموزش مدل‌های عمیق توصیه؛ Epic، Krea و TikTok PyTorch را نام برده‌اند
تولید نامزد، امتیازدهی و رتبه‌بندی مجدد؛ هستهٔ آگهی Epic و دورهٔ Google
بازیابی مبتنی بر embedding؛ Epic و Nubank صریحاً خواسته‌اند
مدل‌سازی تاریخچهٔ رفتار کاربر؛ در آگهی‌های Epic، Nubank و Quora
ساختن ویژگی و دادهٔ آموزشی از رویدادهای خام؛ Epic، Nubank و Klaviyo
سرویس‌های بازیابی و رتبه‌بندی آنلاین؛ Klaviyo، Nubank و Spotify
نمایه و جستجوی سریع روی embedding ها؛ Klaviyo روی پایگاه برداری خودش کار می‌کند
ارزیابی، آمار و آزمایش
با آگاهی از سوگیری‌های خاص سیستم‌های توصیه؛ شرط Epic و Klaviyo
Recall@K، NDCG و تقسیم داده بر اساس زمان؛ Deliveroo تعریف ارزیابی آفلاین را جزو کار آورده
آزمون فرض و رگرسیون (Lyft) و مبانی ریاضی الگوریتم‌ها (Quora)
سنجش اثر واقعی توصیه؛ DoorDash آن را کنار سیستم‌های توصیه شرط کرده است
یادگیری از داده‌ای که خود سیستم ساخته؛ در شرایط ترجیحی Epic و DoorDash
توازن ربط با تنوع، موجودی و هدف‌های کسب‌وکار؛ Nubank و Deliveroo
مهارت‌های نرم و محصولی
تبدیل یک مسئلهٔ محصول به رویکرد ML مشخص؛ Deliveroo و Nubank صریحاً خواسته‌اند
توضیح تصمیم‌های فنی برای مهندسان و ذی‌نفعان غیرفنی؛ Nubank، Klaviyo و DoorDash
کار با مدیر محصول، طراح، تحلیلگر و پژوهشگر؛ تقریباً در همهٔ آگهی‌ها
از طراحی تا انتشار، پایش و on-call؛ Klaviyo و Nubank
دانستن اینکه توصیهٔ خوب برای این محصول یعنی چه؛ Krea تعریف «شخصی‌سازی خوب» را جزو کار آورده
DoorDash تسلط بر Claude Code، Codex یا Cursor را شرط کرده و Klaviyo به‌کارگیری AI در روند توسعه را جزو کار آورده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس یادگیری ماشین سیستم‌های توصیه‌گر
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه: Python، آمار و یادگیری ماشین
تقریباً همهٔ آگهی‌های بررسی‌شده Python را نام برده‌اند. Lyft درک مفاهیم آماری مثل آزمون فرض و معیارهای ارزیابی مدل را شرط کرده و Quora درک خوب از مبانی ریاضی الگوریتم‌های یادگیری ماشین را. در این فاز Python علمی، SQL، احتمال و آمار، جبر خطی و مدل‌های پایهٔ یادگیری ماشین را یاد بگیرید.
مبانی سیستم‌های توصیه: فیلترینگ مشارکتی و ارزیابی آفلاین
فیلترینگ مشارکتی کاربرمحور و آیتم‌محور، تجزیهٔ ماتریس، بازخورد ضمنی (کلیک، خرید، تماشا) و معیارهای ارزیابی آفلاین را یاد بگیرید. همیشه یک مبنای ساده مثل پرفروش‌ترین‌ها را هم بسازید: طبق Amazon Science، مدل عمیقی که تیم Prime Video اول ساخت حتی از فهرست ساده‌ترین فیلم‌های پرطرفدار هم بدتر عمل کرد. دورهٔ Coursera دانشگاه Minnesota را Joseph Konstan و Michael Ekstrand درس می‌دهند و صفحهٔ دوره گزینهٔ ثبت‌نام رایگان دارد.
یادگیری عمیق برای توصیه: embedding، two-tower و مدل‌های توالی
آگهی Epic Games مدل‌های بازیابی و رتبه‌بندی با معماری two-tower، مدل‌های توالی مبتنی بر transformer و بازیابی مبتنی بر embedding را نام برده است. Nubank مدل توالی روی تاریخچهٔ طولانی کاربر را می‌خواهد و Quora مدل‌سازی توالی رفتار کاربر را امتیاز می‌داند. مقالهٔ YouTube در ۲۰۱۶ هم سیستم را به دو مرحلهٔ مدل تولید نامزد و مدل رتبه‌بندی تقسیم کرده بود.
زنجیرهٔ چندمرحله‌ای، جستجوی برداری، دادهٔ بزرگ و آزمایش A/B
دورهٔ Google معماری رایج را سه مرحله می‌داند: تولید نامزد، امتیازدهی و رتبه‌بندی مجدد. برای بازیابی سریع جستجوی تقریبی نزدیک‌ترین همسایه (ANN) را یاد بگیرید و برای داده Spark را، که Epic، Nubank و Klaviyo نام برده‌اند. Epic طراحی و تحلیل A/B test «با آگاهی از سوگیری‌های ذاتی سیستم‌های توصیه» و Klaviyo هم‌خوانی ویژگی‌ها بین آموزش آفلاین و سرویس آنلاین را می‌خواهد.
پروداکشن و مرزهای تازه: توصیهٔ مولد و LLM
در پروداکشن باید تأخیر کم، پایش، on-call و رسیدگی به حادثه را هم بلد باشید (Nubank و Klaviyo). موج تازهٔ آگهی‌ها semantic ID و سیستم توصیهٔ گفت‌وگومحور (Nubank)، سیستم توصیهٔ مولد (Quora) و رویکردهای agentic در جستجو (Spotify) را می‌خواهد. Epic هم تجربه با explore/exploit، شروع سرد محتوا و ارزیابی counterfactual را امتیاز می‌داند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
مدل‌سازی و کتابخانه‌های توصیه
کتابخانهٔ TensorFlow برای ساخت مدل‌های بازیابی و رتبه‌بندی؛ Lyft و DoorDash تجربه با TensorFlow را هم پذیرفته‌اند
بازیابی و جستجوی برداری
دادهٔ بزرگ و ویژگی‌ها
پردازش دادهٔ بزرگ؛ Epic آن را ترجیح داده، Nubank امتیاز می‌داند و Klaviyo برای pipeline ویژگی‌ها به کار می‌برد
پردازش جریانی داده؛ Klaviyo آن را کنار Spark و Beam برای pipeline های batch و streaming آورده است
آزمایش، استقرار و کار روزانه
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
مهندس ML تازه‌کار / فارغ‌التحصیل (توصیه)
۰ تا ۲ سال
پیاده‌سازی و آزمایش بخشی از یک مدل توصیهٔ موجود زیر نظر مهندسان ارشد. راه ورود اصلی در آگهی‌های بررسی‌شده برنامه‌های فارغ‌التحصیلی بود؛ TikTok برای Machine Learning Engineer Graduate در تیم Recommendation کارشناسی یا کارشناسی ارشد، کدنویسی با C++ یا Python و آشنایی با دست‌کم یک چارچوب یادگیری عمیق می‌خواهد.
مهندس ML یا مهندس نرم‌افزار، Recommendations
۲ تا ۵ سال
مالکیت یک مدل یا یک بخش از زنجیرهٔ توصیه. Klaviyo برای Software Engineer II در تیم Recommendations دست‌کم ۲ سال تجربهٔ backend و سیستم‌های توزیع‌شده می‌خواهد و Quora برای مالکیت مدل رتبه‌بندی مرحلهٔ دوم فید دست‌کم ۳ سال کار روی مدل‌های توصیه یا رتبه‌بندی.
Senior Machine Learning Engineer, Recommendations
۵+ سال
طراحی زنجیرهٔ چندمرحله‌ای بازیابی، رتبه‌بندی و رتبه‌بندی مجدد، تحلیل آزمایش‌ها و تصمیم دربارهٔ معماری سرویس‌دهی. Epic Games و Lyft برای این سطح ۵ سال یا بیشتر تجربه می‌خواهند؛ Lyft دکترا با ۳ سال تجربه را هم معادل می‌داند و منتورینگ مهندسان جوان‌تر را جزو کار آورده است.
Staff / Principal ML Engineer (Recommendation Systems)
۸+ سال
تعیین جهت فنی سیستم‌های توصیه برای چند تیم. Nubank از Staff Engineer می‌خواهد تصمیم‌های معماری بگیرد که مهندسان دیگر سال‌ها روی آن بسازند و نیازهای تیم‌های مختلف را به زیرساخت مشترک تبدیل کند؛ DoorDash برای Staff ML Engineer در تیم Personalization دست‌کم ۸ سال تجربه می‌خواهد.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
حلقهٔ بازخورد و سوگیری داده
عمومیمدل فقط بازخورد آیتم‌هایی را می‌بیند که قبلاً نشان داده شده‌اند. آگهی Epic صریحاً می‌گوید خروجی خود سیستم داده‌ای را که از آن یاد می‌گیرد شکل می‌دهد و آگاهی از سوگیری‌های ذاتی سیستم‌های توصیه را در تحلیل آزمایش می‌خواهد. اگر این را نادیده بگیرید، مدل همان چیزهایی را که قبلاً محبوب بوده‌اند بیشتر نشان می‌دهد.
شروع سرد و کاتالوگ متغیر
عمومیکاربر تازه یا آیتم تازه سابقه‌ای ندارد. در Epic هر روز تجربه‌های تازه منتشر می‌شود و سیگنال کیفیت کم است؛ برای همین آگهی تجربه با شروع سرد محتوا و مدل‌های درک محتوا را امتیاز می‌داند.
توازن ربط با هدف‌های دیگر
عمومیدقیقترین فهرست همیشه بهترین فهرست نیست. Deliveroo از مهندس می‌خواهد ربط را با تنوع، موجود بودن، محدودیت‌های کسب‌وکار و تغییر نیت کاربر متوازن کند، Epic نمایش منصفانهٔ محتوای سازندگان را و Nubank بهینه‌سازی چندهدفه را. تعریف هدف درست اغلب سخت‌تر از ساختن مدل است.
تأخیر، مقیاس و on-call
شرکت بزرگتوصیه باید در لحظه برسد. Nubank سیستم‌هایی می‌خواهد که برای میلیون‌ها مشتری با تأخیر کم و قابلیت اطمینان بالا کار کنند و تجربهٔ on-call و رفع مشکل زیر بار را شرط کرده است؛ Klaviyo هم شرکت در on-call را جزو کار آورده است.
تفاوت آموزش آفلاین و سرویس آنلاین
عمومیاگر ویژگی‌ها در زمان آموزش و در زمان سرویس یکسان محاسبه نشوند، مدلی که آفلاین خوب بود در پروداکشن بد کار می‌کند. Klaviyo تعریف قرارداد ویژگی‌ها را جزو کار و تضمین هم‌خوانی آفلاین و آنلاین را جزو تجربه‌های مطلوب آورده است.
ورود سخت برای تازه‌کارها
عمومیبیشتر آگهی‌های غیرفارغ‌التحصیلی سابقه می‌خواهند: Quora دست‌کم ۳ سال، Epic و Lyft ۵ سال و DoorDash ۸ سال. کمترین سابقهٔ اعلام‌شده در آگهی‌های بررسی‌شده ۲ سال برای Software Engineer II در Klaviyo بود. برای تازه‌کارها راه اصلی برنامه‌های فارغ‌التحصیلی، مثل برنامه‌های TikTok، یا ورود از نقش مهندسی نرم‌افزار و یادگیری ماشین عمومی است.
حقوق و بازار کار جهانی
حقوق جهانی مهندس یادگیری ماشین سیستم‌های توصیه‌گر
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- TikTok posting, (General Hire) Machine Learning Engineer Graduate (TikTok Recommendation) - 2027 Start (San Jose, new grads), seen Oct 2026: base range; median = midpoint
- Quora posting, Senior Machine Learning Engineer, Ranking (Toronto/Vancouver, 3+ years), posted Oct 8, 2026: Canada base range; median = midpoint
- Epic Games posting, Senior Machine Learning Engineer, Discovery Recommendations (5+ years), posted Oct 21, 2026: California base pay range; median = midpoint
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (1,067 salaries): 25th–75th pct; median
- Lyft posting, Senior Machine Learning Engineer, Recommendations (Toronto, 5+ years), posted Jun 23, 2026: Toronto base range; median = midpoint
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (146 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (114 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (69 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (30 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (21 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (30 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (36 salaries): 25th–75th pct; median
- levels.fyi, updated Oct 22, 2026, proxy 'Machine Learning Engineer' title (all ML specialties), total comp (176 salaries): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: معماری سیستم توصیه و یک مبنای ساده
دورهٔ Google را تمام کنید و روی MovieLens یک فهرست پرطرفدارترین‌ها با ارزیابی بر اساس زمان بسازید.
ماه ۲: فیلترینگ مشارکتی و ارزیابی
فیلترینگ آیتم‌به‌آیتم و ALS را با کتابخانهٔ implicit پیاده کنید و Recall@K و NDCG را با مبنای ماه اول مقایسه کنید.
ماه ۳: two-tower و بازیابی برداری
یک مدل two-tower در PyTorch بسازید و embedding آیتم‌ها را در FAISS نمایه کنید.
ماه ۴: رتبه‌بندی و زنجیرهٔ چندمرحله‌ای
روی نامزدهای بازیابی‌شده یک مدل رتبه‌بندی بگذارید و یک مرحلهٔ رتبه‌بندی مجدد برای تنوع اضافه کنید.
ماه ۵: آزمایش و پروداکشن
اصول A/B test را بخوانید، مدل را پشت یک API بگذارید و تأخیر را اندازه بگیرید.
ماه ۶: پورتفولیو و درخواست
دو پروژه با README شامل نتایج، خطاها و محدودیت‌ها منتشر کنید و برای عنوان‌های Machine Learning Engineer با Recommendations، Personalization یا Ranking، و Software Engineer, Recommendations درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
مبناهای ساده در برابر فیلترینگ مشارکتی روی MovieLens
مبتدیروی MovieLens یک فهرست پرطرفدارترین‌ها، یک مدل آیتم‌به‌آیتم و یک مدل ALS بسازید و داده را بر اساس زمان به آموزش و آزمون تقسیم کنید. Recall@K و NDCG را برای هر سه گزارش کنید. ایدهٔ پروژه از تجربهٔ Prime Video می‌آید که Amazon Science روایت کرده است: مدل پیچیده فقط وقتی برنده شد که ارزیابی بر اساس زمان انجام شد.
بازیابی two-tower با FAISS و یک مدل رتبه‌بندی
متوسطیک مدل two-tower در PyTorch آموزش دهید که کاربر و آیتم را به embedding تبدیل کند، embedding آیتم‌ها را در FAISS نمایه کنید و روی نامزدهای بازیابی‌شده یک مدل رتبه‌بندی جدا بگذارید. نشان دهید هر مرحله چقدر Recall و NDCG را تغییر می‌دهد.
مدل توالی مبتنی بر transformer برای پیش‌بینی آیتم بعدی
متوسطتاریخچهٔ تعامل هر کاربر را به ترتیب زمان مرتب کنید و یک مدل transformer آموزش دهید که آیتم بعدی را پیش‌بینی کند. نتیجه را با مدل بدون ترتیب زمانی مقایسه کنید. Epic، Nubank و Quora مدل‌سازی توالی رفتار کاربر را در آگهی‌هایشان آورده‌اند.
زنجیرهٔ کامل توصیه روی دادهٔ H&M با رتبه‌بندی مجدد و API
پیشرفتهروی دادهٔ مسابقهٔ H&M Personalized Fashion Recommendations در Kaggle تولید نامزد، رتبه‌بندی و یک مرحلهٔ رتبه‌بندی مجدد برای تنوع بسازید. نتیجه را پشت یک API بگذارید و تأخیر هر مرحله را اندازه بگیرید. توازن ربط با تنوع و محدودیت‌های کسب‌وکار همان چیزی است که آگهی Deliveroo از این نقش می‌خواهد.
شبیه‌ساز explore/exploit و ارزیابی counterfactual
پیشرفتهیک محیط ساده بسازید که در آن سیستم به کاربران آیتم نشان می‌دهد و فقط بازخورد آیتم‌های نشان‌داده‌شده را می‌بیند. یک سیاست bandit را با سیاست حریصانه مقایسه کنید و با داده‌های ثبت‌شده، عملکرد سیاست تازه را بدون اجرای آن تخمین بزنید. Epic این مهارت‌ها را امتیاز می‌داند و DoorDash آشنایی با الگوریتم‌های explore/exploit/MAB را.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
به گفتهٔ خودش در سایت شخصی‌اش، دکترای علوم کامپیوتر و مدرک مهندسی مخابرات دارد و بیشتر با کارهایش در یادگیری ماشین و به‌خصوص سیستم‌های توصیه شناخته می‌شود. در Telefonica Research کار کرده، مدیر پژوهش و مهندسی Netflix، VP Engineering در Quora، هم‌بنیان‌گذار و CTO استارتاپ سلامت Curai و رهبر پروژه‌های AI مولد در LinkedIn بوده و اکنون در Google مسئول محصول Core ML/AI است.
طبق سایت خودش، تیم Algorithms را در Netflix راه انداخت و رهبری کرد؛ تیمی که الگوریتم‌های توصیه، شخصی‌سازی و جستجوی Netflix را در اختیار داشت. با J. Basilico فصل «Recommender systems in industry: A Netflix case study» را در Recommender Systems Handbook نوشت.
مسیر Amatriain از پژوهش به مدیریت تیم توصیه و بعد به محصول AI رفته است. به نظر می‌رسد تجربهٔ ساختن سیستم توصیه در یک محصول واقعی، مهارتی است که به حوزه‌های تازه‌ای مثل سلامت و AI مولد هم منتقل می‌شود.
پژوهشگر Amazon و یکی از سه نویسندهٔ مقالهٔ ۲۰۰۳ «Amazon.com Recommendations: Item-to-Item Collaborative Filtering» همراه با Greg Linden و Jeremy York. طبق Amazon Science، اکنون رهبر Weblab در Amazon است، سیستمی که A/B test را در مقیاس بزرگ اجرا می‌کند.
طبق Amazon Science، در ۲۰۱۷ هیئت تحریریهٔ IEEE Internet Computing این مقاله را مقاله‌ای از تاریخ مجله دانست که بهتر از همه در «آزمون زمان» دوام آورده است. به گفتهٔ Smith، دنیا آن زمان روی فیلترینگ مشارکتی کاربرمحور تمرکز داشت و تیم او روش را وارونه کرد و به رویکردی رسید که مقیاس‌پذیری و کیفیت بهتری داشت. سال‌ها بعد او و همکارانش ایرادی بنیادی در معیار شباهت آیتم‌ها را پیدا و اصلاح کردند که به گفتهٔ خودش کیفیت توصیه را بسیار بهتر کرد.
داستان Smith نشان می‌دهد که حتی یک الگوریتم موفق و سال‌ها در حال استفاده، باز هم جای بهتر شدن دارد، و اینکه کار روی توصیه و کار روی آزمایش A/B در عمل به هم نزدیک‌اند.
دانشمند کامپیوتر آمریکایی و استاد دانشگاه Minnesota. طبق ویکی‌پدیا، کارشناسی علوم کامپیوتر را در ۱۹۸۷ از Harvard و دکترا را در ۱۹۹۳ از UC Berkeley گرفت، از ۱۹۹۲ در دانشگاه Minnesota است و از ۱۹۹۵ عضو گروه پژوهشی GroupLens است.
طبق ویکی‌پدیا، GroupLens پژوهش‌های اولیه‌ای روی فیلترینگ مشارکتی انجام داد و سیستمی برای توصیهٔ مقاله‌های Usenet ساخت. Konstan، John Riedl و همکارانشان MovieLens را ساختند که داده‌هایش بسیار در پژوهش سیستم‌های توصیه به کار رفته است، و مقالهٔ ۲۰۰۴ او و همکارانش دربارهٔ ارزیابی سیستم‌های فیلترینگ مشارکتی در ACM Transactions on Information Systems منتشر شد. کارهای بعدی‌اش سیستم توصیه را از دید تجربهٔ کاربر، و نه فقط الگوریتم، بررسی کرده است.
داده‌ها و روش‌های ارزیابی‌ای که یک گروه دانشگاهی ساخت، هنوز نقطهٔ شروع بسیاری از کسانی است که این حوزه را یاد می‌گیرند. برای تازه‌واردها ارزیابی درست به همان اندازهٔ الگوریتم اهمیت دارد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Machine Learning Engineer - Recommendations
تحلیل نیازمندی‌ها
You have substantial hands-on experience applying machine learning to real-world problems and a track record of bringing models from development into production; a PhD with relevant applied research experience is equally welcome.
نقش ارشد است و سابقهٔ بردن مدل به پروداکشن را می‌خواهد، نه فقط ساختن مدل در notebook. تعداد سال مشخص نشده، اما «substantial» یعنی چند پروژهٔ واقعی. دکترا با تجربهٔ پژوهش کاربردی جایگزین قابل قبول است، نه شرط.
ضروریYou have experience with recommendation systems, ranking, retrieval, personalisation, or closely related ML problems.
تجربهٔ مستقیم با توصیه لازم نیست؛ رتبه‌بندی جستجو، بازیابی یا شخصی‌سازی هم پذیرفته می‌شود. اگر روی جستجو یا تبلیغات کار کرده‌اید، همین را در رزومه برجسته کنید.
ضروریYou can independently turn an ambiguous customer or product problem into a well-scoped ML approach, make sound trade-offs and drive it to a measurable outcome.
کسی را می‌خواهند که مسئلهٔ مبهم محصول را خودش صورت‌بندی کند و تا نتیجهٔ قابل اندازه‌گیری پیش ببرد. در مصاحبه مثالی آماده داشته باشید که نشان دهد هدف را چطور تعریف کردید و چه چیزهایی را کنار گذاشتید.
ضروریYou are proficient in Python and experienced with modern ML frameworks and large-scale data processing.
Python و یک چارچوب یادگیری عمیق، به‌علاوهٔ کار با دادهٔ بزرگ. چارچوب خاصی نام برده نشده؛ PyTorch یا TensorFlow و Spark یا ابزار مشابه کافی است.
ضروریYou understand how to evaluate ML systems rigorously, including offline metrics, experiment design and interpreting online results.
ارزیابی در این نقش سه بخش دارد: معیار آفلاین، طراحی آزمایش و تفسیر نتیجهٔ آنلاین. انتظار داشته باشید بپرسند وقتی نتیجهٔ آفلاین و آنلاین با هم نمی‌خوانند چه می‌کنید.
ضروریYou communicate complex technical ideas clearly and work effectively with cross-functional partners.
با مهندسان نرم‌افزار، مدیر محصول و تحلیلگر کار می‌کنید و باید ایده‌های فنی را برای آن‌ها روشن توضیح دهید.
مهمتحلیل مسئولیت‌ها
Design, develop and improve recommendation, ranking and retrieval models that surface relevant restaurants, dishes, items and content to customers.
هستهٔ کار مدل‌های سه مرحلهٔ اصلی است: بازیابی، رتبه‌بندی و توصیه. آیتم‌ها متنوع‌اند، از رستوران تا یک غذای مشخص و محتوا.
Own applied ML problems end to end: frame the problem, analyze data, develop models, define offline evaluation, run experiments and monitor production performance.
شما فقط مدل نمی‌سازید: مسئله را تعریف می‌کنید، داده را تحلیل می‌کنید، ارزیابی را طراحی می‌کنید، آزمایش را اجرا می‌کنید و بعد از انتشار هم مدل را پایش می‌کنید.
Develop methods that balance relevance with product and customer needs, such as diversity, availability, business constraints and changing user intent.
مرتبط‌ترین فهرست کافی نیست؛ رستوران بسته یا غذای تمام‌شده، تکرار بیش از حد و هدف‌های کسب‌وکار هم باید در نظر گرفته شوند، و نیت کاربر هم ثابت نیست.
Collaborate closely with Software Engineers, ML Engineers, Product Managers and Analysts to turn scientific insights into reliable customer-facing products.
یافتهٔ آزمایش یا پژوهش باید به محصول قابل اعتماد تبدیل شود و این کار تیمی است.
Evaluate and apply state-of-the-art ML methods where they meaningfully improve recommendation quality, robustness or efficiency.
روش تازه را باید بشناسید، اما فقط وقتی به کار ببرید که واقعاً کیفیت، پایداری یا کارایی را بهتر کند؛ دنبال مد روز رفتن هدف نیست.
Contribute to a high bar for applied-science practice through technical reviews, knowledge sharing and thoughtful experimentation.
در سطح ارشد بخشی از کار بازبینی کار دیگران، اشتراک دانش و بالا نگه داشتن استاندارد آزمایش در تیم است.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از این نقش می‌دهد: مهندس ML که کل مسیر یک مسئلهٔ توصیه را، از صورت‌بندی تا پایش پس از انتشار، در دست دارد و باید ربط را با نیازهای واقعی محصول متوازن کند. تأکید آگهی بر ارزیابی درست (آفلاین، آزمایش و نتیجهٔ آنلاین) و پذیرفتن تجربه در رتبه‌بندی، بازیابی یا شخصی‌سازی به جای فقط توصیه، نشان می‌دهد کارفرما بیشتر دنبال روش کار درست است تا یک الگوریتم خاص. Deliveroo اکنون بخشی از DoorDash است و این تیم با دانشمندان و مهندسان DoorDash و Wolt کار می‌کند. حقوق در آگهی اعلام نشده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه شغلی Data Scientists از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند، «بسیار سریع‌تر از میانگین همهٔ مشاغل»، و به‌طور میانگین سالانه حدود ۲۴٬۸۰۰ فرصت شغلی در این گروه پیش‌بینی می‌کند. یکی از دلایلی که BLS می‌آورد این است که شرکت‌ها سیستم‌های مبتنی بر AI را بیشتر وارد کارشان می‌کنند. BLS گروه جداگانه‌ای برای مهندس ML یا سیستم‌های توصیه ندارد؛ این همان گروهی است که صفحهٔ مهندس یادگیری ماشین هم به کار می‌برد.
منبع: BLS Occupational Outlook Handbook — Data Scientists (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده گروه «متخصصان AI و یادگیری ماشین» را سومین شغل پررشد (از نظر درصد) در فاصلهٔ ۲۰۲۵ تا ۲۰۳۰ پیش‌بینی کرده‌اند. به گفتهٔ همین گزارش، سریع‌ترین رشدها بیشتر از پیشرفت‌های فناوری، از جمله AI و رباتیک، می‌آید.
BLS آمریکا رشد ۳۵ درصدی اشتغال Data Scientists را از ۲۰۲۵ تا ۲۰۳۵ و حدود ۲۴٬۸۰۰ فرصت شغلی در سال پیش‌بینی می‌کند و ادغام بیشتر سیستم‌های مبتنی بر AI در کار شرکت‌ها را یکی از دلایل آن می‌داند.
بزرگ‌ترین مانع برای تازه‌واردها سابقه‌خواهی است: Quora دست‌کم ۳ سال، Epic و Lyft ۵ سال و DoorDash ۸ سال تجربه می‌خواهند و راه ورود بدون سابقه بیشتر از برنامه‌های فارغ‌التحصیلی است. ریسک دیگر مقررات است: قانون خدمات دیجیتال اروپا (DSA) پلتفرم‌های آنلاین را موظف می‌کند پارامترهای اصلی سیستم توصیه‌شان را به زبان ساده در شرایط استفاده بنویسند، و پلتفرم‌های بسیار بزرگ باید برای هر سیستم توصیه دست‌کم یک گزینهٔ غیرمبتنی بر پروفایل‌سازی کاربر ارائه دهند. به نظر می‌رسد توضیح‌پذیری و کنترل کاربر بخشی از طراحی سیستم می‌شود. کارفرمایان هم استفاده از ابزارهای AI را در کار روزانه انتظار دارند (DoorDash و Klaviyo)؛ به نظر می‌رسد ارزش مهندس بیشتر در تعریف هدف درست، طراحی ارزیابی و بردن سیستم به پروداکشن است تا در نوشتن کد به‌تنهایی.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۳ منبع بررسی شده است.
- Senior Machine Learning Engineer - Recommendations — Deliveroo (job posting)
- Senior Machine Learning Engineer, Discovery Recommendations — Epic Games (job posting)
- Senior Machine Learning Engineer, Ranking — Quora (job posting)
- Staff Machine Learning Engineer, Recommendation Systems — Nubank (job posting)
- Staff Machine Learning Engineer, Personalization — DoorDash (job posting)
- Software Engineer II - Recommendations — Klaviyo (job posting)
- Senior Machine Learning Engineer, Recommendations (San Francisco) — Lyft (job posting)
- Senior Machine Learning Engineer, Recommendations (Toronto) — Lyft (job posting)
- Senior Machine Learning Engineer, Personalization — Spotify (job posting)
- ML Engineer - Personalization & Recommendation Systems — Krea (job posting)
- (General Hire) Machine Learning Engineer Graduate (TikTok Recommendation) - 2027 Start — TikTok (job posting)
- AI Recommendation Developer (Go) — CMC Global (job posting)
- levels.fyi — Machine Learning Engineer salaries, United States
- levels.fyi — Machine Learning Engineer salaries, Canada
- levels.fyi — Machine Learning Engineer salaries, United Kingdom
- levels.fyi — Machine Learning Engineer salaries, Germany
- levels.fyi — Machine Learning Engineer salaries, Netherlands
- levels.fyi — Machine Learning Engineer salaries, Switzerland
- levels.fyi — Machine Learning Engineer salaries, Australia
- levels.fyi — Machine Learning Engineer salaries, Singapore
- levels.fyi — Machine Learning Engineer salaries, India
- BLS Occupational Outlook Handbook — Data Scientists
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Xavier Amatriain — personal homepage
- The history of Amazon's recommendation algorithm — Amazon Science
- Joseph A. Konstan — Wikipedia
- Recommendation Systems: candidate generation, scoring, re-ranking — Google for Developers
- Deep Neural Networks for YouTube Recommendations — Google Research
- Netflix Prize — Wikipedia
- MovieLens — Wikipedia
- MovieLens datasets — GroupLens
- Recommender Systems Specialization — Coursera (University of Minnesota)
- Regulation (EU) 2022/2065 — Digital Services Act (EUR-Lex)