توسعهدهنده سیستمهای توصیهگر
Recommendation Systems Developer
توسعهدهنده Recommendation Systems متخصصی است که موتورهای پیشنهاد محتوا و محصول را طراحی، آموزش و در مقیاس میلیاردها رویداد در روز مستقر میکند — همان موتوری که در Netflix چه فیلمی، در TikTok چه ویدیویی، در Spotify چه آهنگی و در Amazon چه محصولی به شما نشان داده میشود. این نقش در تقاطع Machine Learning، Information Retrieval، Distributed Systems و Behavioral Science قرار دارد و در ۲۰۲۶ یکی از پرتقاضاترین تخصصهای ML است؛ متخصصان ارشد در big tech به ۳۰۰هزار+ دلار base + equity میرسند چون هر ۱٪ بهبود CTR میلیونها دلار درآمد اضافه میسازد.
مقدمه و تعریف شغل
توسعهدهنده Recommendation Systems متخصصی است که موتورهای پیشنهاد محتوا، محصول یا تبلیغات را طراحی، آموزش و در مقیاس میلیاردها رویداد در روز مستقر میکند. این نقش در تقاطع چهار حوزه قرار دارد: Machine Learning (مدلسازی)، Information Retrieval (retrieval و ranking)، Distributed Systems (serving و feature store) و Behavioral Science (درک رفتار کاربر). برخلاف data scientist که اغلب gone-time insight تولید میکند، RecSys engineer سیستمی میسازد که ۲۴/۷ زنده است و هر کلیک کاربر آن را بهروز میکند.
اولین موج recommendation در دهه ۱۹۹۰ با Amazon و item-based collaborative filtering شروع شد. در ۲۰۰۶ مسابقه Netflix Prize با جایزه یک میلیون دلاری، matrix factorization را به استاندارد صنعت تبدیل کرد. موج دوم با ظهور deep learning در ۲۰۱۵-۲۰۱۷ آمد: YouTube مقاله Deep Neural Networks برای recommendation منتشر کرد، و معماری two-tower به استاندارد retrieval تبدیل شد. در ۲۰۱۹-۲۰۲۲ موج graph neural networks و sequence models (BERT4Rec, SASRec) و سپس DLRM متا (با تریلیونها پارامتر) صنعت را تغییر داد. حالا در ۲۰۲۶ ما در موج چهارم هستیم: generative retrieval، LLM-augmented ranking و multimodal recommendation. همزمان TikTok با For You Page نشان داد که یک سیستم recommendation عالی میتواند کل صنعت رسانه را reshape کند — و این تقاضای انفجاری برای متخصصان این حوزه ایجاد کرد.
چه چیزی میسازید؟
مثالهای واقعی از خروجی کار یک توسعهدهنده سیستمهای توصیهگر
Homepage Feed شخصیسازیشده
همان feedی که در Netflix میبینید — هر کاربر row های متفاوت و ترتیب متفاوت میبیند. شما candidate generator و ranker میسازید و personalization به سطح فرد میرسد.
For You / Discovery موتور
همان موتور پشت For You Page در TikTok که با چند ویدیو دیدهشده، علاقه شما را میفهمد. ترکیب two-tower retrieval، multi-objective ranking و contextual bandits.
Search Ranking
وقتی در Amazon «دوربین» مینویسید، سیستم میلیونها محصول را به ۵۰ candidate کاهش و سپس بر اساس CTR/conversion رتبهبندی میکند. شما learning-to-rank model را طراحی میکنید.
Related Items / Similar Products
row «همچنین ممکن است خوشتان بیاید» در Spotify یا «خریداران این محصول این را هم خریدند» در Amazon. ساختهشده با co-occurrence model یا item embeddings.
Ad Ranking و CTR Prediction
در Meta یا Google تبلیغات، بر اساس probability کلیک و bid، تبلیغ مناسب نشان داده میشود. شما deep CTR model مثل DCN-V2 یا DLRM میسازید.
Cold-Start و Onboarding
Pinterest و Spotify در ۳ دقیقه اول از کاربر جدید سلیقهاش را میفهمند. شما content-based و meta-learning strategies را طراحی میکنید.
تخصصهای مختلف توسعهدهنده سیستمهای توصیهگر
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
مهندس Retrieval و Embedding
Retrieval / Embedding Engineer
تمرکز روی candidate generation در مقیاس billion-scale با two-tower، ANN و embedding training. نقشهای کلیدی در Pinterest، Spotify و Meta.
مهندس Ranking
Ranking / Learning-to-Rank Engineer
تخصص در deep ranking models، multi-task learning و CTR prediction — قلب درآمدی Meta Ads، Google و TikTok.
مهندس زیرساخت RecSys
RecSys Infrastructure Engineer
ساخت feature store، training platform و serving stack. تیمهای Michelangelo در Uber و Spark در Meta نمونهاند.
مهندس Ranking تبلیغات
Ads Ranking Engineer
تخصصیترین و پرحقوقترین زیرشاخه — یک متخصص ranking در Meta Ads یا Google Ads مستقیم به درآمد شرکت گره خورده است.
متخصص Generative Recommendation
LLM-RecSys / Generative Recommendation
موج جدید: استفاده از LLM برای reasoning روی user history، semantic IDs (TIGER) و conversational recommendation. تیمهای Google DeepMind و OpenAI روی این کار میکنند.
تفاوت با شغلهای مشابه
کجا این شغل تمام میشود و شغل دیگری شروع میشود؟
ML Engineer عمومی روی هر نوع مدلی کار میکند: classification، NLP، vision. RecSys Engineer متخصص پایپلاین retrieval+ranking، embeddingهای در مقیاس billion-scale و چالشهای منحصر به سرویسهای شخصیسازی است. عمق دامنهمحور بالاتر، اما scope مدلسازی محدودتر است.
Search Engineer روی matching کوئری-سند با information retrieval کلاسیک (BM25، ELSER) تمرکز دارد و query intent محور است. RecSys Engineer بدون کوئری صریح کار میکند — باید از behavior و context کاربر intent را استنباط کند. در ۲۰۲۶ این دو با ظهور neural retrieval در حال همگرایی هستند.
Data Scientist معمولاً تحلیل A/B test، segmentation و insight generation انجام میدهد. RecSys Engineer سیستمی میسازد که این تحلیلها روی آن انجام میشود. اولی consumer داده است، دومی producer سیستم. در تیم بالغ این دو نقش close partner هستند.
Applied Scientist (در Amazon و Microsoft) معمولاً PhD دارد و روی research-y سمت RecSys (مثلاً RL-based ranking یا fairness) کار میکند. RecSys Engineer engineering-heavier است: scaling، latency، reliability. هر دو روی recommendation کار میکنند، اما با هدف متفاوت.
تأثیر در صنایع مختلف
توسعهدهنده سیستمهای توصیهگر در همه صنایع مشغول به کار است — نه فقط شرکتهای فناوری
استریمینگ ویدیو
Netflix اعلام کرده ۸۰٪ watch time از recommendation میآید، نه از search؛ این مستقیم نرخ retention را تعیین میکند
موسیقی و پادکست
Discover Weekly و Daily Mix در Spotify توسط RecSys engineerها ساخته شدند و جهت یادگیری ماشین موسیقی را تغییر دادند
تجارت الکترونیک
۳۵٪ درآمد Amazon از product recommendation میآید؛ هر ۱٪ بهبود conversion یعنی صدها میلیون دلار
شبکههای اجتماعی
TikTok با For You Page (یک recommendation engine pure) از zero به ۱.۵ میلیارد کاربر در ۵ سال رسید
تبلیغات دیجیتال
موتورهای CTR prediction در Meta و Google ranking تبلیغات را در میلیثانیهها انجام میدهند و درآمد ۳۰۰ میلیارد دلاری میسازند
خبر و رسانه
موتورهای personalization در ByteDance Toutiao و Yahoo News تعیین میکنند صدها میلیون نفر چه خبری میخوانند
آموزش و EdTech
Duolingo و Coursera با recommendation تمرین بعدی و دوره بعدی نرخ تکمیل دوره را ۲۰٪+ بالا بردهاند
بازی و گیمینگ
موتورهای matchmaking و item recommendation در Steam و Epic Games، retention و in-app purchase را شکل میدهند
تصورات غلط رایج
قبل از تصمیمگیری، این باورهای اشتباه را بشناسید
Recommendation فقط یعنی collaborative filtering
CF تنها یک ابزار از جعبهابزار است. سیستمهای مدرن از deep learning، GNN، sequence model و در ۲۰۲۶ LLM هم استفاده میکنند — و چالش اصلی serving در مقیاس و A/B testing است نه فقط الگوریتم.
اگر مدل offline accuracy بالا داشت، online هم خوب است
این بزرگترین تله این حوزه است. سیستمی که در NDCG@10 برتر است ممکن است در A/B test online شکست بخورد — چون دادههای آموزشی biased به سیستم فعلی هستند. درک causal inference ضروری است.
دقت بالا یعنی recommendation خوب
diversity، serendipity، fairness و long-term engagement هم اهمیت دارند. سیستمی که فقط محبوبترین آیتمها را نشان میدهد دقت بالا دارد ولی کاربر را خسته میکند و filter bubble میسازد.
این کار فقط در big tech ممکن است
هر شرکتی با کاتالوگ آیتم و کاربر به RecSys نیاز دارد — از Shopify store ها تا پلتفرمهای آموزش آنلاین. ابزارهای متنباز مثل TFRS و FAISS این کار را برای تیمهای کوچک هم ممکن کردهاند.
LLMها جایگزین recommendation system خواهند شد
LLMها برای retrieval در مقیاس میلیاردی به دلیل cost و latency مناسب نیستند. آنها بهعنوان feature generator، reranker و reasoning layer روی RecSys کلاسیک عمل میکنند — augment، نه replace.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت روی feature engineering، اجرای A/B test های تعریفشده و یادگیری stack تیم میگذرد. مسئلهها توسط ارشد تعریف شدهاند و شما implement میکنید.
- ◆صبح: standup ۱۵ دقیقهای، چک متریکهای experiment دیشب
- ◆بلاک اول: اضافه کردن یک feature جدید (مثلاً time-of-day) به ranking pipeline
- ◆بعد از ناهار: نوشتن SQL برای استخراج سگمنت کاربر و train روی dataset جدید
- ◆عصر: نوشتن notebook تحلیل lift، code review از همتایان
- ◆پایان روز: بهروزرسانی experiment tracker و مستندسازی تغییرات
میانی (۲–۵ سال)
تعادل بین کدنویسی و طراحی. مالک یک surface (مثلاً homepage row) یا یک مرحله از pipeline. ارتباط مستقیم با PM و data scientist.
- ◆صبح: بررسی dashboard latency و CTR، triage هر anomaly
- ◆جلسه ۳۰ دقیقه با data scientist: طراحی experiment بعدی برای multi-task model
- ◆بلاک کدنویسی: training یک two-tower جدید با feature های real-time و push به MLflow
- ◆بعد از ناهار: review کار جونیور، طراحی architecture یک ranker جدید روی whiteboard
- ◆عصر: نوشتن experiment proposal و alignment با PM روی KPI و guardrails
ارشد (۵+ سال)
تمرکز روی architecture و impact. مالک KPI درآمدی یک surface و تصمیمگیر فنی برای تیم. کمتر کد production مینویسد اما RFC و prototype زیاد مینویسد.
- ◆صبح: بررسی پیشرفت چند initiative موازی و triage blocker ها
- ◆جلسه architecture review: بررسی پیشنهاد generative retrieval برای quarter بعدی
- ◆بلاک کدنویسی هدفمند: prototype یک LLM-augmented ranker روی sample data
- ◆بعد از ناهار: جلسه با Director برای alignment رواد روی roadmap personalization
- ◆عصر: منتورینگ ۱:۱ با میانی، نوشتن post-mortem یک regression در CTR
مسئولیتها و وظایف
مسئولیتهای اصلی
وظایف روزانه و مهارتهای مورد نیاز در این شغل
- ◈طراحی و پیادهسازی pipeline دو مرحلهای retrieval + ranking برای feed یا search اصلی محصول
- ◈آموزش و fine-tune مدلهای two-tower و sequence با میلیاردها رویداد click در PyTorch یا TensorFlow
- ◈ساخت ANN index با FAISS/ScaNN/Milvus و serving آن با latency زیر ۵۰ میلیثانیه
- ◈طراحی feature های real-time و offline در feature store با sync کامل بین train و serve
- ◈اجرای A/B test و تحلیل آماری برای اثبات lift در CTR، watch time یا GMV قبل از rollout
- ◈مانیتورینگ embedding drift، popularity bias و degradation در production و alert فوری
- ◈همکاری با Product و Data Science برای تعریف objective function و trade-off های diversity/relevance
- ◈هدایت تصمیمهای فنی تیم، code review، منتورینگ جونیورها و انتشار learning در post-mortem
مهارتهای مورد نیاز
مهارتهای فنی، نرم و حوزهای که یک توسعهدهنده سیستمهای توصیهگر موفق به آنها نیاز دارد
مهارتهای فنی
نوشتن کد تمیز با NumPy، pandas، polars و pyspark برای پردازش میلیاردها رویداد
آموزش مدلهای deep learning شامل embedding tables بزرگ، two-tower و sequence model
تسلط بر ALS، BPR، WARP و درک مفهوم implicit feedback که هنوز baseline قوی در صنعت است
Learning-to-Rank (LambdaMART)، deep ranking (DCN-V2، DIN، DLRM) و multi-task learning
FAISS، ScaNN، HNSW — درک trade-off بین recall، latency و memory برای retrieval در مقیاس
Spark، Trino، BigQuery و Snowflake برای پردازش حجمهای پتابایتی click log
Docker، Triton، Kubernetes، model registry و online inference با p99 latency کنترلشده
مهارتهای آماری و تحقیقاتی
طراحی experiment، power analysis، variance reduction (CUPED) و درک sample ratio mismatch
درک selection bias در سیستمهای recommendation و تکنیکهای unbiased learning to rank
NDCG، MAP، Recall@K، MRR و درک تفاوت offline vs online metric
زیربنای matrix factorization و embedding learning — درک عمیق ضروری است
آشنایی با contextual bandits، policy gradient و کاربردهای RL در recommendation
مهارتهای نرم و دامنه
توانایی ترجمه «کاربر سرگردان است» به objective function فنی و trade-off های روشن
ارائه نتایج experiment به مدیران غیرفنی بهصورت روایت قابل تصمیمگیری
آگاهی از filter bubble، popularity bias و آسیبهای اجتماعی recommendation در مقیاس
کار مستقیم با PM، DS، Engineering و حقوقی روی privacy و compliance
RecSys، KDD، WSDM، SIGIR — توان مطالعه و بازتولید مقالات به مهارت روزانه تبدیل شده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به توسعهدهنده سیستمهای توصیهگر
این مسیر گام به گام شما را از صفر تا حرفهای هدایت میکند.
پایههای ریاضی، Python و Machine Learning
ساخت زیربنای ریاضی و برنامهنویسی — جبر خطی، احتمال، Python علمی و الگوریتمهای ML کلاسیک که قلب هر سیستم توصیهگر هستند
Collaborative Filtering و Matrix Factorization
تسلط بر الگوریتمهای کلاسیک recommendation: user-based و item-based CF، SVD، ALS و implicit feedback models که هنوز در صنعت رواج دارند
Deep Learning برای Recommendation
گذر از روشهای کلاسیک به neural recommendation: embeddings، Two-Tower، Neural CF، sequence models و معماریهایی که در YouTube و TikTok استفاده میشوند
Retrieval، Ranking و Vector Search در مقیاس
ساخت پایپلاین دو مرحلهای candidate generation → ranking — همان معماری که Meta، Netflix و Pinterest استفاده میکنند — همراه با ANN و feature stores
Production، LLMs و تخصصیسازی
گذر از مدل به محصول — real-time inference، streaming features، fairness، و موج جدید LLM-augmented و generative recommendation
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دستهبندیشده بر اساس اولویت
فریمورکهای RecSys
فریمورک رسمی Google برای ساخت سیستمهای recommendation با two-tower و ranking
Vector Search و ANN
Feature Store و Data
stateful stream processing برای real-time feature computation (استفاده در Alibaba، Pinterest)
Serving و Experimentation
سرور inference با throughput بالا و پشتیبانی PyTorch، TensorFlow، ONNX و TensorRT
پلتفرم A/B testing و feature flagging — حیاتی برای ارزیابی online هر مدل recommendation
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارتهایی نیاز دارید و چه درآمدی انتظار داشته باشید
RecSys Engineer جونیور
۰ تا ۲ سال
~$110K
میانگین سالانه (آمریکا)
پیادهسازی feature های جدید در ranking model موجود، اجرای A/B test، پاکسازی داده و کار با baseline های CF
RecSys Engineer میانی
۲ تا ۵ سال
~$165K
میانگین سالانه (آمریکا)
طراحی end-to-end pipeline برای یک surface (مثلاً homepage feed)، آموزش two-tower model، صاحب metric و roadmap یک ranking layer
RecSys Engineer ارشد
۵ تا ۸ سال
~$235K
میانگین سالانه (آمریکا)
معماری سیستم retrieval+ranking در مقیاس میلیاردی، رهبری چند RecSys engineer، صاحب OKR درآمدی و ابداع approach های جدید
Staff / Principal RecSys Engineer
۸+ سال
~$380K
میانگین سالانه (آمریکا)
تعریف چشمانداز چند ساله سیستم توصیهگر شرکت، co-author مقاله در RecSys/KDD، تأثیر مستقیم روی KPI درآمدی شرکت
چالشها و جنبههای منفی
واقعیتهایی که کمتر در آگهیهای شغلی میبینید — قبل از ورود بدانید
Feedback Loop و Selection Bias
عمومیمدل شما تنها دادهای میبیند که سیستم فعلی آن را نمایش داده است — آیتمهایی که هرگز شانس impression نگرفتند در training set شما نیستند. این biased data میتواند مدل را در یک loop خطرناک گیر بیندازد. تکنیکهایی مثل counterfactual learning، IPS و exploration policies لازم است.
Cold-Start کاربر و آیتم
عمومیکاربر جدید signal صفر دارد. آیتم جدید هیچ click history ندارد. هر دو سناریو نیاز به strategies جداگانه دارند: meta-learning، content-based fallback، یا exploration controlled. این چالش هیچگاه بهطور کامل حل نمیشود.
هزینه و Latency در Serving
شرکت بزرگیک مدل DLRM با ۱۰۰ میلیارد پارامتر به memory و GPU زیادی نیاز دارد. سرویسدهی به ۱۰۰ هزار QPS با p99 latency زیر ۵۰ms یعنی مهندسی serious infrastructure. هر میلیثانیه و هر گیگابایت RAM به دلار ترجمه میشود.
Train-Serve Skew
شرکت بزرگمدل با feature های offline train میشود اما در production feature ها real-time محاسبه میشوند. هر اختلاف کوچک در تعریف یا zamanبندی feature میتواند کل lift آنلاین را از بین ببرد. feature store منظم و contract testing لازم است.
Evaluation در غیاب Ground Truth
تحقیقاتیبرخلاف classification، در recommendation شما نمیدانید کاربر اگر آیتم B را میدید چه میکرد. offline metric ها قابل اتکا نیستند و A/B test گران و کند است. طراحی experiment و proxy metric مناسب از سختترین چالشهاست.
Hype و انتظارات از LLM
استارتاپمدیران فکر میکنند LLM همه چیز را حل میکند و درخواستهای غیرواقعی میدهند. واقعیت این است که LLMها در retrieval در مقیاس میلیاردی بهعلت cost و latency مناسب نیستند. RecSys engineer باید توضیح دهد augment کجاست و replace کجا توهم.
حقوق و بازار کار جهانی
حقوق جهانی توسعهدهنده سیستمهای توصیهگر
میانگین حقوق سالانه بر اساس تجربه در کشورهای مختلف
| کشور | میانه | ارز |
|---|---|---|
🇮🇳هند | ₹4,200,000 | INR |
🇦🇪امارات | AED 290,000 | AED |
🇺🇸آمریکا | $240,000 | USD |
🇨🇦کانادا | CA$170,000 | CAD |
🇨🇭سوئیس | CHF 170,000 | CHF |
🇸🇬سنگاپور | SGD 165,000 | SGD |
🇦🇺استرالیا | A$155,000 | AUD |
🇬🇧انگلستان | £130,000 | GBP |
🇩🇪آلمان | €108,000 | EUR |
🇳🇱هلند | €100,000 | EUR |
* ارقام سالانه و تقریبی هستند و بر اساس میانگین بازار در سال ۲۰۲۵ محاسبه شدهاند.
چگونه از صفر شروع کنیم
برنامه گامبهگام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مرور Python و آمار پایه
Python، NumPy، pandas، آمار توصیفی و آزمون فرضیه. اگر زمینه ML دارید این فاز ۲ هفته است نه ۱ ماه.
ماه ۲: Recommender Systems Specialization
Specialization دانشگاه Minnesota در Coursera — بنیادیترین کورس آنلاین این حوزه با تمرکز روی CF، evaluation و hybrid systems.
ماه ۳: پروژه MovieLens
روی MovieLens 25M با implicit library یک ALS pipeline کامل بسازید و metric های Recall@10 و NDCG@10 گزارش کنید.
ماه ۴: Deep Learning و Two-Tower
TFRS یا PyTorch دانلود کنید و یک two-tower model روی Amazon Reviews dataset بسازید. tutorial رسمی TFRS را خط به خط دنبال کنید.
ماه ۵: Vector Search و Ranking
FAISS را روی embedding های مدل قبلی index کنید، یک ranker LightGBM روی candidate ها بسازید و pipeline دو مرحلهای را با FastAPI سرو کنید.
ماه ۶: پورتفولیو و درخواست شغل
۲ پروژه RecSys را روی GitHub با README حرفهای منتشر کنید، blog post بنویسید و شروع به apply کنید — Junior RecSys/ML Engineer role.
پروژههای پیشنهادی برای رزومه
موتور توصیه فیلم با MovieLens
مبتدیروی dataset MovieLens 25M یک سیستم collaborative filtering با ALS بسازید، با baseline popularity مقایسه کنید و Recall@10 و NDCG@10 گزارش دهید.
Two-Tower Model برای جستجوی محصول
متوسطیک dual-encoder در PyTorch بسازید که query و product را به embedding تبدیل میکند، embedding ها را در FAISS index کنید و یک Streamlit demo نشان دهید.
Session-Based Recommendation با Transformer
متوسطSASRec یا BERT4Rec را روی dataset Yoochoose یا Diginetica پیادهسازی کنید و با GRU4Rec مقایسه کنید — تمرکز روی sequence modeling.
Multi-Stage Recommendation روی H&M یا Spotify dataset
پیشرفتهpipeline دو مرحلهای candidate generation با two-tower + ranking با LightGBM. evaluation با leave-last-out و گزارش روی Kaggle leaderboard.
LLM-Augmented RecSys با Generative Retrieval
پیشرفتهبازتولید ایده TIGER: استفاده از semantic IDs تولید شده توسط LLM بهجای item IDs. مقایسه با baseline two-tower روی Amazon Reviews dataset.
مثالهای واقعی و Case Studies
داستانهای واقعی از مهندسانی که در این حوزه تأثیرگذار بودهاند
دکترای علوم کامپیوتر، Director of Engineering و Algorithms Engineering در Netflix از ۲۰۱۱ تا ۲۰۱۴ — رهبر تیمی که Netflix Prize را به سیستم production تبدیل کرد. سپس VP Engineering در Quora و co-founder Curai (یک health startup AI-driven).
هدایت تیم Netflix که A/B testing framework و personalization engine اصلی Netflix را ساخت. نویسنده دهها مقاله تأثیرگذار درباره recommendation و سخنران اصلی RecSys. در Curai recommendation در حوزه medical را به production برد.
تأثیرگذاری در RecSys فقط با کشف الگوریتم نیست — Amatriain با ساخت culture آزمایش و engineering systems در Netflix تأثیر گذاشت. ترکیب deep technical و leadership از یک engineer یک معمار صنعت میسازد.
دکترای علوم کامپیوتر، عضو تیم برنده Netflix Prize (BellKor's Pragmatic Chaos) که در ۲۰۰۹ یک میلیون دلار جایزه را برد. سپس Senior Staff Research Scientist در Google و یکی از نامهای اصلی matrix factorization در صنعت.
ابداع تکنیکهای matrix factorization و SVD++ که هنوز در بسیاری از سیستمهای توصیهگر صنعتی استفاده میشوند. مقالاتش جزو پراستنادترینهای حوزه RecSys هستند و Netflix Prize را برد — اولین بار که یک مسابقه data science میلیونی به آن سطح توجه عمومی رسید.
مسابقههای public مثل Netflix Prize و Kaggle میتوانند مسیر حرفهای را تغییر دهند. Koren با شرکت در یک challenge عمومی، از یک محقق به یک نام صنعتی تبدیل شد. participation در competition های public هنوز در ۲۰۲۶ کوتاهترین مسیر به اعتبار است.
استاد Stanford در Computer Science، Chief Scientist Pinterest از ۲۰۱۷، co-founder Kumo.ai. متخصص graph mining و یکی از مؤلفان اصلی PinSage — معماری GNN-based recommendation در Pinterest.
ابداع PinSage و GraphSAGE که graph neural networks را به مقیاس صنعتی برد. هدایت تیم Pinterest در ساخت یکی از پیشرفتهترین سیستمهای recommendation embedding-based جهان. کورس Stanford CS224W اش یکی از مرجعترین منابع GNN در دنیاست.
ترکیب academia و industry میتواند تأثیر عمیق ایجاد کند. Leskovec همزمان استاد Stanford و Chief Scientist Pinterest است — این dual track او را قادر میکند ایدههای research را در مقیاس صنعتی تست کند. برای کسانی که PhD دارند این مسیر بسیار قدرتمند است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Machine Learning Engineer, Personalization Algorithms
تحلیل نیازمندیها
5+ years experience building large-scale ML systems for recommendation, search, or ranking
نیاز اصلی است؛ Netflix دنبال کسی است که در production مدل recommendation ساخته باشد، نه فقط در Kaggle. اگر این تجربه را در یک scaleup داشتهاید قابل قبول است.
ضروریProficiency in Python and one of TensorFlow/PyTorch
هر دو فریمورک پذیرفته است. Netflix داخلاً بیشتر TensorFlow استفاده میکند ولی این الزامآور نیست. مهارت Python محکم بیشتر مطرح است.
ضروریStrong foundation in statistics and ML fundamentals, including causal inference and A/B testing
Netflix بهخاطر فرهنگ experimentation شهرت دارد. باید بتوانید در مصاحبه درباره power analysis، CUPED و selection bias صحبت کنید.
ضروریExperience with deep learning for ranking or retrieval (two-tower, sequence models, GNNs)
یکی از این سه کافی است. اگر two-tower در پروژه قبلی ساختهاید این آیتم تیک میخورد. سعی کنید نمونه concrete در GitHub داشته باشید.
مهمFamiliarity with distributed training and large-scale data processing (Spark, Beam, Ray)
برای رول senior لازم است. اگر فقط Spark بلدید کافی است؛ Beam و Ray بعد از join قابل یادگیری هستند.
مهمPublications in RecSys, KDD, SIGIR, NeurIPS, or similar venues
nice-to-have است نه ضروری. Netflix میداند بسیاری از engineer های قوی publication ندارند. اگر دارید پلاس بزرگ است؛ اگر نه نگران نباشید.
مفیدتحلیل مسئولیتها
Design and ship ML models that personalize the Netflix homepage, search, and discovery surfaces
scope بسیار وسیع است — مهندس از معماری تا shipping را owner است. این یعنی باید هم در مدلسازی و هم در system design قوی باشید.
Run rigorous A/B experiments and iterate based on member impact metrics
Netflix فرهنگ data-informed دارد. هر تصمیمی با experiment پشتیبانی میشود. باید با OEC و guardrails راحت باشید.
Collaborate with research scientists, infrastructure engineers, and product managers
cross-functional. باید بتوانید با هر سه گروه به زبان آنها صحبت کنید — این soft skill برای senior حیاتی است.
Contribute to the technical direction of personalization at Netflix
تأکید بر technical leadership فراتر از کد. این آگهی برای کسی است که میخواهد جهت تیم را شکل دهد، نه فقط task اجرا کند.
نتیجهگیری کلی
Netflix به دنبال senior engineer ای است که هم در مدلسازی عمیق و هم در shipping و experimentation قوی باشد. اگر در یک شرکت کوچکتر pipeline recommendation کامل ساختهاید، میتوانید با Netflix رقابت کنید — مهمتر از brand قبلی شما، نمونههای concrete از impact است.
آینده و روندها
پیشبینی ۵–۱۰ ساله و مهارتهایی که باید یاد بگیرید
بازار Recommendation Engine جهانی از ۶.۸۸ میلیارد دلار در ۲۰۲۴ به ۲۸.۵ میلیارد دلار در ۲۰۳۲ میرسد — CAGR حدود ۱۹.۵٪
منبع: Fortune Business Insights — Recommendation Engine Market Report 2025
مهارتهای نوظهور که باید یاد بگیرید
پیشبینیهای آینده
Generative retrieval (TIGER، semantic IDs) از research به اولین production deployment ها در big tech منتقل میشود
LLM-augmented ranking در ۵۰٪+ پلتفرمهای B2C استفاده میشود — بهعنوان reranker، نه retriever
Multimodal RecSys استاندارد میشود — هیچ سیستم جدی recommendation بدون درک تصویر و متن ساخته نمیشود
Fairness و explainability در recommendation به الزام قانونی در اروپا، کانادا و چند ایالت آمریکا تبدیل میشود
آیا LLM ها سیستمهای recommendation کلاسیک را منسوخ میکنند؟ پاسخ کوتاه: نه، اما نقش را بازتعریف میکنند. هزینه و latency LLM ها برای retrieval در مقیاس میلیاردی هنوز غیرعملی است. مهندسانی که فقط ALS و collaborative filtering بلدند آسیبپذیرند؛ مهندسانی که embedding، neural retrieval و generative retrieval را درک میکنند مزیت بزرگتری دارند. ریسک دیگر regulatory است: قانون DSA اروپا و pressure روی فرمولهای recommendation (مثل TikTok و YouTube) به این معناست که explainability و fairness از nice-to-have به ضروری تبدیل میشوند.
ویدیوهای آموزشی
یک روز در زندگی یک Recommendation Systems Developer
ویدیوهای واقعی از متخصصان این حوزه که روزانه چه کارهایی انجام میدهند
Day in the Life of a Software Engineer at TikTok (Seattle)
arman
Design an ML Recommendation Engine | System Design
Interview Pen
a day in the life of an engineer working from home
Joma Tech
Tiktok recommendation algorithm|Explanatory video|Tiktok video screening process|Duo-audit model
Facts, figures and theories
A Day in Life of a California Software Engineer! (Silicon Valley)
Singh in USA
How I Prepared for ML System Design Interviews at Meta
MLEpath