مهندس AI/ML شبکهٔ بی‌سیم (AI-RAN)
Wireless AI/ML Engineer (AI-RAN)
مهندس AI/ML شبکهٔ بی‌سیم مدل‌های یادگیری ماشین و نرم‌افزارهایی می‌سازد که خود شبکهٔ رادیویی موبایل (RAN) را هوشمندتر می‌کنند: پیش‌بینی ترافیک، تشخیص ناهنجاری و تداخل، زمان‌بندی منابع رادیویی، کاهش مصرف انرژی، شبکهٔ عصبی برای لایهٔ فیزیکی، اپلیکیشن‌های xApp و rApp برای کنترلر هوشمند O-RAN و ایجنت‌های AI برای عیب‌یابی شبکه. این کار در آگهی‌های ۲۰۲۶ با عنوان‌هایی مثل Wireless and Edge AI/ML Engineer (Booz Allen)، O-RAN & RF Machine Learning Engineer (ANDRO)، Technical Lead, Artificial Intelligence (Parallel Wireless) و AI Software Designer RAN & AI Solutions (Ericsson) دیده می‌شود. عنوان قدیمی این صفحه، «مهندس بهینه‌سازی RF» (RF Optimization Engineer)، شغل واقعی و رایجی در مخابرات است، اما بیشتر شغلی بدون هوش مصنوعی است: پایش KPI، درایوتست، تنظیم پارامترها و پذیرش سایت‌های تازه با ابزارهای سازندگان تجهیزات. در نمونه‌ای که ما در ۲۳ اکتبر ۲۰۲۶ از ۱۶ آگهی بهینه‌سازی RF و RAN در لینکدین خواندیم، فقط دو آگهی اصلاً به AI اشاره کرده بودند و در هیچ‌کدام ساختن مدل یادگیری ماشین کار اصلی نبود. عنوان «AI-Driven Telecom Performance Engineer» هم که پیش‌تر در این صفحه ادغام شده، عنوان شغلی رایجی نیست. این صفحه دربارهٔ نسخهٔ هوش مصنوعی این کار است.
مقدمه و تعریف شغل
مهندس AI/ML شبکهٔ بی‌سیم از داده‌هایی که شبکهٔ موبایل تولید می‌کند، یعنی شمارنده‌های عملکرد، KPIها، لاگ‌ها و حتی نمونه‌های خام سیگنال (I/Q)، مدل می‌سازد و آن مدل را به جایی می‌برد که روی رفتار شبکه اثر بگذارد. آگهی Booz Allen کاربردها را این‌طور فهرست می‌کند: پیش‌بینی ترافیک، تشخیص ناهنجاری، طبقه‌بندی تداخل، زمان‌بندی منابع و بهینه‌سازی انرژی. خروجی کار ممکن است یک xApp روی کنترلر O-RAN باشد، شبکهٔ عصبی‌ای داخل لایهٔ فیزیکی، یا ایجنتی که تیکت‌های خطا را تحلیل می‌کند. ویژگی مشترک این نقش‌ها کار هم‌زمان با دو دانش است: یادگیری ماشین و مهندسی شبکهٔ رادیویی.
بهینه‌سازی شبکهٔ موبایل همیشه داده‌محور بوده، اما بیشتر به دست مهندس و با ابزارهای سازندگان تجهیزات انجام شده است. طبق 3GPP، نهاد استانداردهای موبایل، از Release 16 روال‌های جمع‌آوری داده برای SON (شبکهٔ خودسامان) و MDT (کاهش نیاز به درایوتست) تعریف شده، اما اینکه شبکه با این داده چه کند همیشه به پیاده‌سازی واگذار شده بود. در Release 18 کار استاندارد AI/ML برای NG-RAN با تمرکز بر صرفه‌جویی انرژی، توازن بار و بهینه‌سازی جابه‌جایی آغاز شد و مطالعه‌ای جداگانه کاربرد AI/ML را در خود رابط هوایی برای CSI، مدیریت beam و موقعیت‌یابی بررسی کرد. هم‌زمان معماری O-RAN کنترلری به نام RIC تعریف کرد که نرم‌افزار شخص ثالث روی آن شبکه را کنترل و بهینه می‌کند. اتحادیهٔ AI-RAN، که کارش را در سه محور AI-for-RAN، AI-and-RAN و AI-on-RAN تعریف می‌کند، طبق اطلاعیهٔ فوریهٔ ۲۰۲۶ خود به ۱۳۲ عضو رسیده است. با این حال بازار کار این نقش هنوز کوچک است و بیشتر در سازندگان تجهیزات (Ericsson، Parallel Wireless)، شرکت‌های تراشه و پلتفرم (NVIDIA، MediaTek)، پیمانکاران دفاعی (Booz Allen، ANDRO) و آزمایشگاه‌های پژوهشی دیده می‌شود.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس AI/ML شبکهٔ بی‌سیم (AI-RAN)
پیش‌بینی ترافیک و تشخیص ناهنجاری
مدلی که از روی تله‌متری و KPIهای شبکه بار آیندهٔ سلول‌ها را پیش‌بینی کند یا افت غیرعادی را زودتر از مهندس ببیند. Booz Allen این دو را اولین کاربردهای مدل در آگهی Wireless and Edge AI/ML Engineer آورده است.
طبقه‌بندی تداخل و آگاهی طیفی
تشخیص نوع تداخل یا سیگنال از روی دادهٔ RF. Booz Allen «طبقه‌بندی تداخل» را می‌خواهد و ANDRO الگوریتم‌های RFML برای بهینه‌سازی شبکه، آگاهی طیفی، تشخیص ناهنجاری و امنیت.
xApp و rApp برای کنترلر O-RAN
اپلیکیشنی که دادهٔ شبکه را از کنترلر RIC می‌گیرد و تصمیم کنترلی برمی‌گرداند. Booz Allen از مهندس می‌خواهد این اپلیکیشن‌ها را بسازد و در آزمایشگاه از ابتدا تا انتها اعتبارسنجی کند.
شبکهٔ عصبی برای لایهٔ فیزیکی
Parallel Wireless در آگهی PHY Algorithms Senior Engineer - AI/ML شبکهٔ عصبی برای تخمین کانال، آشکارسازی سیگنال، beamforming و decoding می‌خواهد که روی سخت‌افزار embedded بی‌درنگ اجرا شود و با روش‌های سنتی DSP مقایسه شود.
ایجنت برای عیب‌یابی شبکه
Parallel Wireless لایهٔ AI شبکهٔ رادیویی را با ایجنت‌ها، ML و LLMها می‌سازد، از عملیات شبکه و ریشه‌یابی خطا تا شبیه‌سازی PHY؛ یک نقش جداگانه هم برای ارزیابی دقت و استناد ابزارهای AI دارد که تیکت‌های مهندسی RAN را تحلیل می‌کنند.
digital twin شبکهٔ رادیویی
شبیه‌سازی که نرم‌افزار واقعی ایستگاه پایه را با مدل کانال، کاربر و ترافیک در حلقه اجرا می‌کند تا ویژگی‌ها و مدل‌های AI پیش از رسیدن به شبکهٔ واقعی سنجیده شوند؛ موضوع آگهی RAN Digital Twin & AI Simulation Engineer در Parallel Wireless.
تخصص‌های مختلف مهندس AI/ML شبکهٔ بی‌سیم (AI-RAN)
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
بهینه‌سازی شبکه با AI
AI-for-RAN Optimization
مدل برای ترافیک، انرژی، زمان‌بندی و مدیریت منابع رادیویی؛ همان محوری که اتحادیهٔ AI-RAN آن را «بهبود کارایی طیفی و عملیاتی، مدیریت منابع رادیویی و نگهداری شبکه» با AI تعریف می‌کند. نزدیک‌ترین تخصص به کار قدیمی بهینه‌سازی RF است.
ML در لایهٔ فیزیکی
AI-native PHY
شبکهٔ عصبی برای تخمین کانال، آشکارسازی و beamforming (آگهی PHY Algorithms در Parallel Wireless). 3GPP هم در Release 18 کاربرد AI/ML را در رابط هوایی برای CSI، مدیریت beam و موقعیت‌یابی مطالعه کرده است.
یادگیری ماشین روی سیگنال رادیویی
RF Machine Learning (RFML)
تشخیص و طبقه‌بندی سیگنال و آگاهی طیفی از روی نمونه‌های IQ؛ در ANDRO همراه با O-RAN آمده و در شرکت‌های دفاعی و امنیت ملی مثل Anduril و Peraton Labs آگهی‌هایی با عنوان مستقل RFML دیده می‌شود. این شاخه بیشتر به پایش طیف نزدیک است تا بهینه‌سازی شبکهٔ موبایل.
digital twin و شبیه‌سازی شبکهٔ رادیویی
RAN Digital Twin & Simulation
ساخت شبیه‌سازی‌های کالیبره‌شده برای آزمودن ویژگی‌ها و مدل‌های AI پیش از شبکهٔ واقعی (Parallel Wireless). NVIDIA هم پلتفرمی به نام Aerial Omniverse Digital Twin برای همین کار عرضه کرده است.
ایجنت‌های AI برای عملیات شبکه
Agentic AI for Network Operations
ایجنت‌هایی برای ریشه‌یابی خطا، تحلیل تیکت و شبکهٔ خودترمیم؛ در Parallel Wireless، Huawei Ireland (ایجنت‌های خودکار برای شبکه‌های zero-touch) و گروه کاری Agentic AI در اتحادیهٔ AI-RAN.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
این همان شغل کلاسیک مخابرات است: پایش KPI، درایوتست، تنظیم پارامترهایی مثل توان و tilt آنتن و پذیرش سایت‌های تازه. آگهی Expert RAN Optimization در JazzWorld پنج تا هشت سال تجربهٔ بهینه‌سازی و کار با ابزارهایی مثل Nastar، TEMS و Actix می‌خواهد و Python را فقط امتیاز می‌داند. مهندس AI/ML همان داده‌ها را ورودی مدل می‌کند: Booz Allen تجربه با KPIها و شمارنده‌های عملکرد 3GPP «به‌عنوان ورودی آموزش ML» را امتیاز دانسته است. پس سابقهٔ بهینه‌سازی RF پایهٔ خوبی برای این مسیر است، اما بدون Python و یادگیری ماشین کافی نیست.
صفحهٔ مهندس هوش مصنوعی این سایت نقشی را توضیح می‌دهد که روی مدل‌های آماده، به‌ویژه LLMها، محصول نرم‌افزاری می‌سازد. بخشی از کار AI-RAN همین است: Parallel Wireless از Technical Lead تجربهٔ عملی با ایجنت، tool calling، RAG و ارزیابی می‌خواهد. اما همان آگهی درک قوی از ML کلاسیک (سری زمانی، تشخیص ناهنجاری) و دانش کاری معماری 4G/5G RAN را هم شرط کرده است. مهندس هوش مصنوعی عمومی بیشتر با متن و API مدل زبانی کار می‌کند؛ این نقش بیشتر با سری زمانی KPI، سیگنال رادیویی و قیدهای بی‌درنگ شبکه.
هر دو مدل را برای اجرای سریع فشرده می‌کنند؛ آگهی Booz Allen همان quantization، pruning و تبدیل به TensorRT یا ONNX Runtime را می‌خواهد که در صفحهٔ Edge AI آمده است. تفاوت در محل اجرا و شریک منابع است: در Edge AI مدل روی خود دستگاه، مثل گوشی، دوربین یا ماژول کوچک، با حافظه و باتری محدود اجرا می‌شود؛ در AI-RAN روی سرور GPU کنار ایستگاه پایه و هم‌زمان با پشتهٔ رادیویی، با بودجهٔ تأخیری که Booz Allen آن را «در حد میکروثانیه» توصیف می‌کند. اگر Edge AI بلدید، باید دانش RAN و O-RAN را اضافه کنید.
مهندس الگوریتم بی‌سیم الگوریتم‌های پردازش سیگنال، مثل تخمین کانال و beamforming، را طراحی می‌کند و تا مشخصات و پیاده‌سازی محصول می‌برد؛ به‌طور سنتی با روش‌های DSP. مرز این دو در حال کم‌رنگ شدن است: Parallel Wireless آگهی‌ای با عنوان PHY Algorithms Senior Engineer - AI/ML دارد که شبکهٔ عصبی برای همین کارها طراحی و آموزش می‌دهد و آن را با روش‌های سنتی DSP می‌سنجد. تفاوت بیشتر در پیش‌زمینه است: نقش‌های الگوریتمی دانش عمیق مخابرات دیجیتال می‌خواهند، در حالی که نقشی مثل Booz Allen بیشتر از سمت ML، داده و استقرار تعریف شده و دانش RF را امتیاز می‌داند.
تأثیر در صنایع مختلف
مهندس AI/ML شبکهٔ بی‌سیم (AI-RAN) در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
سازندگان تجهیزات شبکه
Ericsson در اتاوا طراح نرم‌افزار RAN و AI و در استکهلم پژوهشگر AI برای شبکه‌های رادیویی آینده استخدام می‌کند؛ Parallel Wireless چندین نقش AI برای لایهٔ فیزیکی، digital twin و ریشه‌یابی خطا آگهی کرده است
اپراتورهای موبایل
Free در فرانسه دانشمند داده‌ای می‌خواهد که برای پایش، بهینه‌سازی و خودکارسازی شبکه (مدیریت ترافیک، تشخیص ناهنجاری، پیش‌بینی بار) مدل بسازد و روی ظرفیت، پوشش و کیفیت خدمات شبکهٔ موبایل کار کند
تراشه و پلتفرم
NVIDIA پلتفرم AI Aerial و کتابخانهٔ Sionna را برای شبکه‌های AI-native می‌سازد و MediaTek از فارغ‌التحصیلان می‌خواهد کاربرد AI/ML را در الگوریتم‌ها و نرم‌افزار مودم 5G و 6G بررسی کنند
دفاع و دولت
Booz Allen پلتفرمی می‌سازد که پردازش سیگنال بی‌سیم و استنتاج AI را روی یک سخت‌افزار GPU اجرا می‌کند و ANDRO برای شبکه‌های نسل بعد RFML و xApp توسعه می‌دهد
ماهواره
AST SpaceMobile، که به گفتهٔ خودش شبکهٔ پهن‌باند سلولی در فضا برای گوشی‌های معمولی می‌سازد، دانشمند داده‌ای برای تشخیص ناهنجاری و مدل‌های عملکرد بخش RAN ماهواره‌ای می‌خواهد
رایانش ابری
AWS برای پروژه‌های 6G و AI با اپراتورهای بزرگ، از جمله RAN AI و چارچوب‌های ایجنتی شبکه، Principal Technologist استخدام می‌کند
تولید صنعتی و 5G خصوصی
Hyundai برای شبکه‌های بی‌سیم کارخانه‌هایش مدل‌هایی برای پیش‌بینی افت کیفیت ارتباط، ریشه‌یابی خطا و سیستم‌های خودترمیم می‌خواهد
پژوهش و استاندارد
InterDigital پژوهشگری برای ساخت تست‌بدهای AI در شبکه‌های 6G می‌خواهد که بعدها در استانداردهای 3GPP هم سهم داشته باشد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
مهندس بهینه‌سازی RF امروز یعنی کار با هوش مصنوعی
در نمونهٔ ۱۶ آگهی بهینه‌سازی RF و RAN که خواندیم، فقط Ericsson و Bouygues Telecom به AI اشاره کرده بودند و در هیچ‌کدام ساختن مدل کار اصلی نبود. AI دارد به‌عنوان ابزار وارد این شغل می‌شود: نقش تازه‌کار Ericsson در کالیفرنیا از مهندس بهینه‌سازی می‌خواهد ابزارهای Generative AI و جریان‌های خودکار برای بهینه‌سازی شبکه بسازد. اما شغلی که مدل می‌سازد، عنوان‌های دیگری دارد.
بدون مدرک مخابرات نمی‌شود وارد این حوزه شد
آگهی AI Researcher در Ericsson Research صریحاً می‌نویسد مدرک مخابرات یا تجربهٔ قبلی رادیو لازم نیست و دانش مخابرات را می‌شود سر کار یاد گرفت. Parallel Wireless هم برای مهندس ارزیابی AI «توانایی یادگرفتن یک حوزهٔ فنی پیچیده با همکاری نزدیک با متخصصان» را جایگزین دانش LTE و 5G پذیرفته است. ولی در نقش‌های ارشد دانش RAN شرط است؛ مثلاً Technical Lead در همان شرکت.
مدل یادگیری ماشین همیشه از الگوریتم کلاسیک بهتر است
آگهی‌ها خلاف این را فرض می‌کنند. Parallel Wireless از مهندس digital twin می‌خواهد پیش از پیشنهاد هر مدل، baseline الگوریتمی کلاسیک بسازد و دقت، پایداری، تعمیم، تأخیر و هزینهٔ محاسبه را بسنجد. مهندس PHY همان شرکت مدل‌ها را با روش‌های سنتی DSP مقایسه می‌کند و مهندس ارزیابی AI پیش از آزمودن LLM یا ایجنت، baseline غیر AI را اندازه می‌گیرد.
AI-RAN یعنی چت‌بات و مدل زبانی برای مخابرات
بیشتر کاربردهای آگهی Booz Allen، یعنی پیش‌بینی ترافیک، تشخیص ناهنجاری، طبقه‌بندی تداخل، زمان‌بندی و بهینه‌سازی انرژی، روی سری زمانی و سیگنال کار می‌کنند و اجرای LLM در آن آگهی فقط امتیاز است. LLM و ایجنت هم جای خود را دارند، مثل تحلیل تیکت و ریشه‌یابی خطا در Parallel Wireless یا GenAI در Ericsson، اما فقط بخشی از این حوزه‌اند.
AI-RAN یعنی گذاشتن GPU در همهٔ ایستگاه‌های پایه
طبق گزارش ژوئن ۲۰۲۶ Dell'Oro، بازار AI-RAN در کوتاه‌مدت بیشتر حول AI-for-RAN، معماری‌های بدون GPU و RAN توزیع‌شده خواهد بود و سازندگان فعلی با ارتقای سخت‌افزار موجود در موقعیت خوبی هستند. همین گزارش اندازهٔ بازار GPU RAN را تا پایان دورهٔ پیش‌بینی «بیش از یک میلیارد دلار» برآورد می‌کند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف شبیه‌سازی، آماده کردن داده و نمونه‌سازی زیر نظر افراد ارشد می‌شود. نقش تازه‌کار Ericsson Research این را صریح نوشته است: طراحی و ارزیابی ایده‌های AI/ML برای شبکه‌های رادیویی آینده، ساخت مدل و چارچوب شبیه‌سازی و همکاری با متخصصان رادیو، شبکه و سخت‌افزار.
- ◆اجرای یک سری شبیه‌سازی در Sionna با تنظیمات مختلف کانال و ذخیرهٔ نتایج
- ◆تمیز کردن یک مجموعه‌دادهٔ KPI و پیدا کردن مقادیر گم‌شده یا ناسازگار
- ◆آموزش یک baseline ساده و مقایسهٔ مدل تازه با آن
- ◆پرسیدن از متخصص RAN دربارهٔ معنای یک شمارندهٔ عملکرد پیش از استفاده از آن در مدل
میانی (۲–۵ سال)
مسئولیت یک مدل یا اپلیکیشن را از داده تا استقرار دارید. در نقشی مثل Booz Allen این یعنی ساخت pipeline داده از تله‌متری، آموزش و بنچمارک مدل، بهینه‌سازی برای GPU و استقرار در آزمایشگاه، همراه با مستندسازی هم‌زمان با کار.
- ◆quantize کردن یک مدل و اندازه‌گیری تأخیر و throughput آن در برابر هدف تعیین‌شده
- ◆اعتبارسنجی یک xApp در آزمایشگاه از دریافت داده تا اثر تصمیم روی شبکه
- ◆بررسی drift مدل پس از تغییر نسخهٔ نرم‌افزار ایستگاه پایه
- ◆نوشتن model card و گزارش بنچمارک
ارشد (۵+ سال)
تصمیم‌های معماری و تعیین استاندارد ارزیابی با شماست. Parallel Wireless از Technical Lead می‌خواهد معماری سیستم‌های AI، از orchestration ایجنت تا serving مدل و زیرساخت ارزیابی، را تعریف کند، دربارهٔ ساختن یا خریدن تصمیم بگیرد و در گفت‌وگوهای معماری با مشتری شرکت کند.
- ◆تعریف معیارهای ایمنی و ارزیابی برای سیستم‌های AI که روی دادهٔ شبکهٔ مشتری کار می‌کنند
- ◆انتخاب بین ساختن مدل داخلی و استفاده از ابزار آماده
- ◆بازبینی طراحی و کد مهندسان دیگر
- ◆تبدیل یک مشکل شبکه که تیم RAN گزارش کرده به یک پروژهٔ مشخص AI/ML
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، آموزش و ارزیابی مدل برای پیش‌بینی ترافیک، تشخیص ناهنجاری، طبقه‌بندی تداخل، زمان‌بندی منابع و کاهش مصرف انرژی شبکه
- ◈ساخت pipeline داده از تله‌متری شبکه (شمارنده‌های عملکرد، لاگ، PCAP و نمونه‌های I/Q) و تبدیل آن به مجموعه‌دادهٔ قابل تکرار
- ◈نوشتن xApp و rApp که دادهٔ شبکه را می‌خوانند و از طریق رابط‌های استاندارد O-RAN تصمیم کنترلی برمی‌گردانند
- ◈بهینه‌سازی مدل برای استنتاج بی‌درنگ (quantization، تبدیل به ONNX یا TensorRT) و استقرار آن روی Kubernetes
- ◈مقایسهٔ هر مدل با الگوریتم کلاسیک (DSP، زمان‌بند یا قاعدهٔ موجود) پیش از پیشنهاد آن برای محصول
- ◈ساخت ایجنت و RAG برای تحلیل تیکت‌ها و ریشه‌یابی خطاهای RAN، همراه با مجموعهٔ ارزیابی
- ◈راه‌اندازی MLOps: ثبت آزمایش، رجیستری مدل، پایش drift و CI/CD برای استقرار مدل
- ◈همکاری با مهندسان RAN، RF، PHY و امنیت برای تبدیل مسئلهٔ شبکه به مسئلهٔ یادگیری ماشین
- ◈مستندسازی هم‌زمان با کار (model card، گزارش بنچمارک) و ارائهٔ نتیجه به مخاطب فنی و غیرفنی
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس AI/ML شبکهٔ بی‌سیم (AI-RAN) موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان اصلی؛ Booz Allen دست‌کم ۳ سال تجربهٔ توسعهٔ نرم‌افزار با Python، همراه با تست و کنترل نسخه، می‌خواهد
آموزش، ارزیابی و خروجی گرفتن مدل (مثلاً به ONNX) برای استقرار
تحلیل سری زمانی، تشخیص ناهنجاری و یادگیری نظارت‌شده؛ شرط آگهی Technical Lead در Parallel Wireless
لایه‌های L1/L2/L3، شمارنده‌های عملکرد و عملیات شبکهٔ سلولی؛ برای فهم اینکه مدل روی چه داده‌ای و برای چه تصمیمی کار می‌کند
نظریهٔ RF، DSP، تخمین کانال و beamforming؛ Booz Allen آن را امتیاز می‌داند و برای نقش‌های PHY اساسی است
شرط آگهی ANDRO و امتیاز در Booz Allen و Parallel Wireless؛ همراه با رابط‌های E2، A1 و O1
در ANDRO، Ericsson و نقش digital twin در Parallel Wireless خواسته شده؛ برای کار با کد ایستگاه پایه و بخش‌های حساس به سرعت
quantization، pruning، TensorRT یا ONNX Runtime، profiling با CUDA و سنجش تأخیر در برابر هدف (Booz Allen)
استقرار مدل به‌صورت سرویس، ثبت آزمایش، رجیستری مدل و پایش؛ در آگهی‌های Booz Allen، Parallel Wireless و Ericsson
جمع‌آوری، برچسب‌زدن و نسخه‌بندی شمارنده‌ها، لاگ، PCAP و نمونه‌های I/Q برای ساخت مجموعه‌دادهٔ قابل تکرار
Parallel Wireless (Technical Lead) و Ericsson (اتاوا) تجربهٔ عملی با این‌ها را شرط کرده‌اند؛ برای عیب‌یابی و تحلیل تیکت به کار می‌رود
Sionna، MATLAB یا شبیه‌سازهای داخلی؛ برای آزمودن مدل پیش از شبکهٔ واقعی
مهارت‌های نرم
تکرارپذیری، baseline، تحلیل خطا، کالیبراسیون و پرهیز از نشت داده؛ شرط صریح آگهی digital twin در Parallel Wireless
تبدیل نیاز مهندسان شبکه، RF و امنیت به مدلی که روی سیستم واقعی اجرا شود (Booz Allen)
Booz Allen مستندسازی هم‌زمان با کار، «نه بعد از آن»، و ارائهٔ نتیجه به مخاطب فنی و غیرفنی را می‌خواهد
Ericsson Research می‌نویسد دانش مخابرات را می‌شود سر کار یاد گرفت؛ یعنی کنجکاوی و پرسیدن از متخصصان بخشی از کار است
دانش حوزه‌ای
درایوتست، پارامترها و KPIها؛ همان سابقه‌ای که مهندسان RF دارند و Booz Allen آشنایی با دادهٔ عملکرد 3GPP را امتیاز می‌داند
link adaptation، زمان‌بندی و کنترل توان؛ Parallel Wireless آن را امتیاز می‌داند و RL یا contextual bandit را هم برای همین مسائل نام برده است
Parallel Wireless تبدیل مشخصات 3GPP به مدل اجرایی را امتیاز می‌داند و NVIDIA کار با 3GPP، AI-RAN و O-RAN را جزو وظایف نقش ارشد آورده است
منشأ مدل، تبار داده و آزمون مقاومت در برابر حملهٔ خصمانه؛ در آگهی Booz Allen جزو وظایف است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس AI/ML شبکهٔ بی‌سیم (AI-RAN)
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه: Python، داده و یادگیری ماشین کلاسیک
همهٔ آگهی‌های اصلی این صفحه Python می‌خواهند و Booz Allen دست‌کم ۳ سال تجربهٔ برنامه‌نویسی Python با کد باکیفیت، تست و کنترل نسخه. Parallel Wireless هم «درک قوی از ML کلاسیک، شامل تحلیل سری زمانی، تشخیص ناهنجاری و یادگیری نظارت‌شده» را شرط کرده است. اگر مهندس RF هستید و با Excel یا ابزارهای سازنده کار کرده‌اید، از همین‌جا شروع کنید.
مبانی بی‌سیم، سیگنال و شبکهٔ موبایل
اگر از دنیای نرم‌افزار و ML می‌آیید، این مرحله مهم‌ترین کمبود شماست. Parallel Wireless «دانش کاری معماری 4G/5G RAN، لایه‌های L1/L2/L3، KPIهای شبکه و عملیات شبکهٔ سلولی» را می‌خواهد و Booz Allen آشنایی با نظریهٔ RF، پردازش سیگنال دیجیتال و الگوریتم‌های لایهٔ فیزیکی را امتیاز می‌داند. PySDR یک کتاب درسی رایگان است که مخابرات بی‌سیم را با کد Python توضیح می‌دهد و نسخهٔ کامل کتاب Tse و Viswanath هم روی سایت نویسنده رایگان است.
یادگیری عمیق و ML برای لایهٔ فیزیکی
PyTorch را یاد بگیرید و بعد آن را روی داده‌های رادیویی به کار ببرید. Sionna، کتابخانهٔ متن‌باز NVIDIA، شبیه‌ساز link-level و system-level نوشته‌شده با PyTorch است و به گفتهٔ مستنداتش می‌توان در آن gradient را از کل سیستم عبور داد و شبکهٔ عصبی را مستقیم در زنجیرهٔ مخابراتی گذاشت. مقالهٔ O'Shea و Hoydis (۲۰۱۷) نقطهٔ شروع خوبی است؛ در آن یک CNN روی نمونه‌های خام IQ مدولاسیون را تشخیص می‌دهد. یک نکته: DeepSig می‌نویسد مجموعه‌داده‌های عمومی RadioML از پژوهش‌های ۲۰۱۶ و ۲۰۱۷ است، خطاهای شناخته‌شده دارد و توصیه می‌کند داده را خودتان با MATLAB یا GNU Radio یا از ضبط واقعی بسازید.
O-RAN، کنترلر RIC و ساخت xApp
در معماری O-RAN، کنترلر هوشمند RIC دو بخش دارد: Near-RT RIC که با جمع‌آوری دادهٔ ریز و اقدام از طریق رابط E2 شبکه را نزدیک به بی‌درنگ کنترل می‌کند، و Non-RT RIC که آموزش و به‌روزرسانی مدل‌ها و سیاست‌گذاری را بر عهده دارد. xApp طبق تعریف O-RAN SC «افزونهٔ نرم‌افزاری مستقل» روی Near-RT RIC است که شخص ثالث می‌تواند بنویسد. ANDRO ساخت rApp و xApp و کار با OpenAirInterface و srsRAN را می‌خواهد. OpenRAN Gym برای همین کار یک Near-RT RIC سازگار با O-RAN و ابزار جمع‌آوری داده فراهم کرده است.
استقرار بی‌درنگ، MLOps و ایجنت‌ها
مدلی که کنار پشتهٔ رادیویی اجرا می‌شود باید سریع و قابل‌اعتماد باشد. Booz Allen از مهندس می‌خواهد مدل را با quantization و pruning و تبدیل به TensorRT یا ONNX Runtime برای استنتاج بی‌درنگ بهینه کند، با Triton روی Kubernetes مستقر کند و برای آن ثبت آزمایش، رجیستری مدل و پایش drift بگذارد. در سوی دیگر، Parallel Wireless ایجنت‌های LLM با RAG و ارزیابی را برای ریشه‌یابی خطای شبکه می‌خواهد. هر دو را دست‌کم در حد یک پروژه تجربه کنید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان و یادگیری ماشین
Booz Allen دست‌کم ۳ سال تجربهٔ آموزش و ارزیابی مدل با PyTorch یا TensorFlow می‌خواهد و Parallel Wireless هم PyTorch را نام برده است
مدل‌های کلاسیک برای سری زمانی، طبقه‌بندی و تشخیص ناهنجاری روی KPIها؛ پیش از شبکهٔ عصبی، baseline را با این‌ها بسازید
شبیه‌سازی و پردازش سیگنال
کتابخانهٔ متن‌باز NVIDIA برای شبیه‌سازی link-level و system-level و ray tracing؛ Research Kit آن مدل آموزش‌دیده را روی یک RAN نرم‌افزاری 5G بر پایهٔ OpenAirInterface اجرا می‌کند
مدل‌سازی و شبیه‌سازی استاندارد 5G؛ آگهی Parallel Wireless تجربه با MATLAB و Communications/LTE/5G toolboxes را امتیاز می‌داند
پشتهٔ رادیویی و O-RAN
پیاده‌سازی متن‌باز CU/DU برای 5G؛ ANDRO کار با آن و OpenAirInterface را امتیاز می‌داند
پشتهٔ متن‌باز 4G/5G برای آزمایشگاه و پژوهش؛ در آگهی‌های ANDRO و InterDigital آمده است
چارچوب نوشتن xApp با Python برای Near-RT RIC از پروژهٔ O-RAN Software Community
استقرار و MLOps
بسته‌بندی سرویس مدل؛ Booz Allen استقرار مدل به‌صورت سرویس در Docker یا Kubernetes را شرط کرده است
سرو کردن مدل روی GPU؛ Booz Allen آن را همراه NVIDIA GPU Operator و اشتراک GPU با پشتهٔ رادیویی نام برده است
اجرای سریع مدل خروجی‌گرفته‌شده؛ Booz Allen خروجی گرفتن مدل به ONNX را جزو شرایط آورده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
تازه‌کار: پژوهشگر یا مهندس جونیور
۰ تا ۲ سال
پژوهش، شبیه‌سازی و نمونه‌سازی زیر نظر افراد ارشد. نقش AI Researcher در Ericsson Research برای فارغ‌التحصیل تازهٔ کارشناسی ارشد یا کسی با چند سال تجربهٔ AI/ML است، MediaTek نقش Graduate AI and Wireless Software Engineer دارد و ANDRO آگهی O-RAN & RF ML خود را در سطح Associate منتشر کرده است
مهندس AI/ML شبکهٔ بی‌سیم
۲ تا ۵ سال
~$162K
میانگین سالانه (آمریکا)
مسئولیت یک مدل یا اپلیکیشن از داده تا استقرار در آزمایشگاه یا محصول؛ Booz Allen دست‌کم ۳ سال تجربهٔ آموزش مدل و Ericsson در اتاوا ۳ تا ۵ سال تجربه در سیستم‌های بی‌سیم می‌خواهند
مهندس ارشد / Tech Lead
۵ تا ۷+ سال
تعیین معماری سیستم‌های AI روی دادهٔ شبکه، چارچوب ارزیابی و راهنمایی تیم؛ Parallel Wireless برای Technical Lead و برای مهندس digital twin حدود ۷+ سال و برای مهندس ارزیابی AI ۵+ سال تجربه می‌خواهد
Distinguished Engineer یا مدیر AI-RAN
۱۰ تا ۲۰+ سال
تعیین راهبرد فنی و محصول. Booz Allen برای مدیر AI-RAN دست‌کم ۱۰ سال تجربه در شبکه‌های بی‌سیم می‌خواهد و بازهٔ حقوق ۱۸۵ هزار و ۷۰۰ تا ۳۴۵ هزار دلار اعلام کرده است؛ NVIDIA برای Distinguished Engineer - Wireless Infrastructure بیش از ۲۰ سال تجربه و حقوق پایهٔ ۳۲۰ هزار تا ۴۸۸ هزار و ۷۵۰ دلار
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
قید زمانی بسیار سخت
عمومیBooz Allen می‌نویسد مدل‌ها کنار بار کاری زندهٔ شبکه اجرا می‌شوند، بودجهٔ تأخیر «در حد میکروثانیه» است و پردازنده با پشتهٔ رادیویی مشترک است. مدلی که در notebook دقیق است، ممکن است در این شرایط اصلاً قابل استفاده نباشد.
دادهٔ واقعی کم و فاصلهٔ شبیه‌سازی با میدان
تحقیقاتیدادهٔ شبکهٔ واقعی سخت به دست می‌آید و شبیه‌سازی همیشه درست نیست. Parallel Wireless از مهندس digital twin می‌خواهد شبیه‌سازی را با دادهٔ آزمایشگاه و میدان کالیبره کند و جلوی overfit شدن آن به یک چیدمان را بگیرد. DeepSig هم دربارهٔ مجموعه‌داده‌های عمومی خودش هشدار می‌دهد که خطاهای شناخته‌شده دارند و دادهٔ واقعی را توصیه می‌کند.
اثبات برتری بر روش کلاسیک
عمومیالگوریتمهای موجود شبکه سال‌ها بهینه شده‌اند. در آگهی‌های Parallel Wireless هر مدل باید پیش از ورود به محصول با baseline کلاسیک از نظر دقت، تأخیر و هزینهٔ محاسبه مقایسه شود؛ پس بخشی از کار نشان دادن این است که مدل واقعاً ارزش اضافه دارد.
بازار کوچک و متمرکز
عمومیدر جستجوهای ما آگهی‌های این نقش بیشتر در چند سازندهٔ تجهیزات، شرکت تراشه، پیمانکار دفاعی و آزمایشگاه پژوهشی بود و اپراتورها کمتر دیده می‌شدند. طبق Dell'Oro، پنج سازندهٔ بزرگ RAN حدود ۹۶ درصد درآمد RAN در ۲۰۲۵ را داشته‌اند و سازندگان فعلی در مرحلهٔ اول AI-RAN در موقعیت خوبی هستند.
شرط شهروندی و مجوز امنیتی
شرکت بزرگبخشی از آگهی‌های آمریکا در صنایع دفاعی است: Booz Allen امکان گرفتن مجوز امنیتی Secret را شرط کرده و ANDRO و نقش مدیر AI-RAN در Booz Allen شهروندی آمریکا را. برای کسی که شرایط این مجوزها را ندارد، گزینه‌های واقعی بیشتر سازندگان تجهیزات و شرکت‌های تجاری‌اند.
دو حوزهٔ سنگین هم‌زمان
عمومیاین نقش هم یادگیری ماشین می‌خواهد و هم مهندسی شبکهٔ رادیویی. به همین دلیل بیشتر آگهی‌ها سطح میانی و ارشدند: Booz Allen دست‌کم ۳ سال تجربهٔ آموزش مدل، Parallel Wireless برای Technical Lead حدود ۷+ سال و NVIDIA برای Distinguished Engineer بیش از ۲۰ سال تجربه می‌خواهند.
حقوق و بازار کار جهانی
حقوق جهانی مهندس AI/ML شبکهٔ بی‌سیم (AI-RAN)
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Booz Allen posting, Wireless and Edge AI/ML Engineer (Annapolis Junction, MD; 3+ yrs ML; Master's + 3 or Bachelor's + 5 yrs), listed Oct 22 2026: projected pay range; median = midpoint
- Ericsson posting, AI Software Designer RAN & AI Solutions (Ottawa; 3–5 yrs), listed Oct 2026: salary range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: Python و داده
Python، pandas و Git را تا جایی یاد بگیرید که گزارش‌های KPI را به‌جای Excel با کد تحلیل کنید.
ماه ۲: یادگیری ماشین کلاسیک
رگرسیون، طبقه‌بندی، سری زمانی و تشخیص ناهنجاری؛ پروژهٔ پیش‌بینی ترافیک و ناهنجاری روی KPI را بسازید.
ماه ۳: PyTorch و داده‌های رادیویی
یادگیری عمیق پایه و یک مدل ساده روی نمونه‌های IQ.
ماه ۴: O-RAN و xApp
معماری O-RAN و RIC را بخوانید و با OpenRAN Gym یک xApp ساده اجرا کنید.
ماه ۵: استقرار
مدل را به ONNX تبدیل کنید، تأخیرش را بسنجید و با Docker به‌صورت سرویس اجرا کنید.
ماه ۶: پورتفولیو و درخواست
پروژه‌ها را با README و نتیجهٔ مقایسه با baseline منتشر کنید. در رزومه سابقهٔ بهینه‌سازی را به زبان داده بنویسید؛ Booz Allen تجربه با KPIها و شمارنده‌های 3GPP به‌عنوان ورودی ML را امتیاز می‌داند.
پروژه‌های پیشنهادی برای رزومه
پیش‌بینی ترافیک و تشخیص ناهنجاری روی KPIهای سلول
مبتدیسری زمانی KPIهای چند سلول (داده‌ای که خودتان شبیه‌سازی می‌کنید یا یک مجموعه‌دادهٔ عمومی) را بگیرید، بار ترافیک ساعت بعد را پیش‌بینی کنید و افت‌های غیرعادی را علامت بزنید. اول یک baseline ساده بسازید و نشان دهید مدل شما چقدر از آن بهتر است. این دقیقاً دو مورد اول از کاربردهای آگهی Booz Allen است.
طبقه‌بندی مدولاسیون از نمونه‌های IQ
متوسطبا GNU Radio یا Sionna سیگنال‌هایی با چند نوع مدولاسیون و نویز بسازید و یک CNN آموزش دهید که نوع مدولاسیون را از نمونه‌های خام IQ تشخیص دهد. دقت را بر حسب SNR رسم کنید. اگر از RadioML استفاده می‌کنید، هشدار DeepSig دربارهٔ خطاهای آن را در README بیاورید.
تخمین کانال با شبکهٔ عصبی در برابر روش کلاسیک
پیشرفتهدر Sionna یک لینک OFDM بسازید، تخمین‌گر کانال عصبی آموزش دهید و آن را با تخمین‌گر کلاسیک از نظر خطا، تأخیر و هزینهٔ محاسبه مقایسه کنید. Parallel Wireless همین مقایسه با روش‌های سنتی DSP را پیش از ورود هر مدل به محصول می‌خواهد.
یک xApp ساده روی Near-RT RIC
پیشرفتهبا OpenRAN Gym یا srsRAN و Near-RT RIC پروژهٔ O-RAN SC یک شبکهٔ آزمایشی بالا بیاورید و xAppی بنویسید که از رابط E2 داده بخواند و یک تصمیم کنترلی ساده، مثلاً تقسیم منابع بین دو برش شبکه، بگیرد. نتیجه را قبل و بعد از xApp اندازه بگیرید.
ایجنت ریشه‌یابی خطای شبکه با مجموعهٔ ارزیابی
متوسطاز چند ده تیکت و لاگ ساختگی (یا مستندات عمومی خطاهای LTE/NR) یک مجموعهٔ ارزیابی بسازید و ایجنتی با RAG بنویسید که علت احتمالی را با ارجاع به شواهد پیشنهاد دهد. دقت تشخیص، استناد به شواهد و موارد «نمی‌دانم» را بسنجید؛ همان معیارهایی که Parallel Wireless برای مهندس ارزیابی AI فهرست کرده است.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
مدرک مهندسی برق را از دانشگاه RWTH Aachen آلمان و دکترا را از Supélec فرانسه گرفت. پیش از NVIDIA رئیس یک بخش پژوهشی در Nokia Bell Labs فرانسه بود و یکی از بنیان‌گذاران شبکهٔ اجتماعی SPRAED.
امروز Distinguished Research Scientist در NVIDIA است و روی تلاقی یادگیری ماشین و مخابرات بی‌سیم کار می‌کند. از نگه‌دارندگان و توسعه‌دهندگان اصلی Sionna، شبیه‌ساز متن‌باز مخابراتی با شتاب GPU، است. از ۲۰۱۹ تا ۲۰۲۱ رئیس Emerging Technology Initiative on Machine Learning در انجمن مخابرات IEEE بود، جایزهٔ Nokia AI Innovation Award ۲۰۱۸ را گرفته و IEEE Fellow است.
ساختن ابزاری متن‌باز که دیگران با آن پژوهش کنند، به نظر می‌رسد یکی از اثرگذارترین راه‌های دیده شدن در این حوزهٔ کوچک است. برای تازه‌واردها هم یعنی یادگرفتن Sionna فقط یادگرفتن یک ابزار نیست؛ ورود به زبان مشترک پژوهشگران این حوزه است.
به نوشتهٔ Virginia Tech، بیش از ۱۰ سال پژوهش و توسعهٔ کاربردی در یادگیری ماشین، رادیوی نرم‌افزاری، رادیوی شناختی و امنیت را در Virginia Tech، شرکت DeepSig، دولت آمریکا، HawkEye 360 و Federated Wireless هدایت کرده است. از توسعه‌دهندگان اصلی پروژهٔ متن‌باز GNU Radio است.
استادیار پژوهشی Virginia Tech است و روی ساختن سیستم‌های بی‌سیم 5G و نسل‌های بعد با یادگیری ماشین و طراحی داده‌محور در لایهٔ فیزیکی کار می‌کند. پژوهش‌ها و انتشاراتش بر به کار بردن یادگیری عمیق برای حل مسائل اصلی مخابرات بی‌سیم متمرکز بوده است.
مسیر او از مشارکت در یک ابزار متن‌باز رادیوی نرم‌افزاری شروع می‌شود و به یادگیری عمیق روی سیگنال می‌رسد. این نشان می‌دهد پایهٔ محکم در خود رادیو و سیگنال، وقتی با ML ترکیب شود، ارزش زیادی دارد.
طبق ویکی‌پدیا، کارش را در ۱۹۹۹ در Motorola Labs شروع کرد، بعد استاد CentraleSupélec شد و در ۲۰۱۴ معاون پژوهش و توسعهٔ Huawei فرانسه و مدیر مؤسس آزمایشگاه علوم ریاضی و الگوریتمی Huawei بود. ویکی‌پدیا کار پیشگامانهٔ او روی الگوریتم‌های شبکه‌های خودسامان (SON) را در عملی شدن شبکه‌های 4G و 5G مؤثر می‌داند.
طبق ویکی‌پدیا، در ۲۰۲۱ در مؤسسهٔ Technology Innovation Institute ابوظبی خیلی زود تیمی برای آموزش مدل‌های زبانی بزرگ ساخت که به مدل‌های Falcon رسید. اکنون استاد دانشگاه Khalifa و مدیر مؤسس مرکز پژوهشی 6G آن است و در حوزهٔ AI به کار روی مدل‌های زبانی بزرگ، سیستم‌های AI توزیع‌شده برای شبکه‌ها و ارتباطات معنایی شناخته می‌شود.
مسیر او از شبکه‌های خودسامان در دورهٔ 4G تا مدل‌های زبانی برای مخابرات نشان می‌دهد که موضوع «شبکهٔ هوشمند» قدیمی است و فقط ابزارش عوض شده است. کسی که مسئلهٔ شبکه را خوب بفهمد، با هر نسل تازه از AI می‌تواند دوباره به آن برگردد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Wireless and Edge AI/ML Engineer
تحلیل نیازمندی‌ها
3+ years of experience training and evaluating ML models using frameworks such as PyTorch or TensorFlow, including exporting models to formats such as ONNX for deployment
هستهٔ نقش یادگیری ماشین است، نه مخابرات. باید خودتان مدل آموزش داده و ارزیابی کرده باشید و بدانید چطور آن را برای استقرار به قالبی مثل ONNX خروجی بگیرید. این یعنی نقش برای کسی است که چند سال کار عملی ML دارد.
ضروری3+ years of experience with software development in Python, including production-quality code, testing, and version control practices
اسکریپت‌نویسی برای تحلیل داده کافی نیست؛ کد باید تست داشته باشد و در Git مدیریت شود. مهندس RF که فقط برای گزارش‌گیری Python نوشته، باید این فاصله را پر کند.
ضروریExperience optimizing and benchmarking trained neural networks for inference: latency and throughput measurement, profiling, and techniques such as quantization or pruning
مدل باید در بودجهٔ زمانی شبکه جا شود. باید بتوانید تأخیر و throughput را اندازه بگیرید و با quantization یا pruning مدل را سبک کنید، بدون اینکه دقت بیش از حد افت کند.
ضروریExperience deploying ML models as services in containerized environments such as Docker or Kubernetes, and building data pipelines for time-series or telemetry data, including feature engineering and dataset versioning
دو مهارت در یک خط: استقرار مدل به‌صورت سرویس و ساخت pipeline برای داده‌های سری زمانی شبکه. «نسخه‌بندی مجموعه‌داده» یعنی هر آزمایش باید قابل تکرار باشد.
ضروریAbility to obtain a Secret clearance
این نقش برای پروژه‌های دولتی آمریکاست (آگهی از راهنمای اطمینان AI وزارت دفاع و ارائهٔ نتیجه به ذی‌نفعان دولتی نام می‌برد) و نامزد باید بتواند مجوز امنیتی دولت آمریکا بگیرد. ANDRO هم در آگهی مشابه، شهروندی آمریکا و امکان گرفتن مجوز امنیتی را شرط کرده است.
ضروریExperience with 5G/LTE network KPIs, performance counters, and telemetry, such as 3GPP performance management data, as ML training inputs
این خط جایی است که سابقهٔ بهینه‌سازی RF به کار می‌آید. کسی که سال‌ها با KPI و شمارنده‌های عملکرد کار کرده، معنای داده را می‌فهمد؛ کاری که برای ساختن feature خوب ضروری است.
مفیدExperience with O-RAN architectures, including the RAN Intelligent Controller Near-RT and Non-RT RIC, xApp/rApp development, and the E2 and A1 interfaces
آشنایی با کنترلر هوشمند O-RAN و نوشتن xApp و rApp امتیاز است، نه شرط. با پروژه‌ای روی OpenRAN Gym یا srsRAN می‌شود این تجربه را نشان داد.
مفیدExperience with RF theory, digital signal processing, or physical-layer algorithms, such as channel estimation, beamforming, and modulation classification, including GNU Radio or MATLAB
دانش رادیو و سیگنال هم امتیاز است. یعنی کارفرما می‌پذیرد که متخصص ML این بخش را کمتر بداند، اما کسی که هر دو را دارد برتری روشنی دارد.
مفیدتحلیل مسئولیت‌ها
Design, train, and evaluate ML models for wireless network use cases, including traffic prediction, anomaly detection, interference classification, resource scheduling, and energy optimization, using network telemetry, KPIs, and RF data captured in the lab
فهرست کامل کاربردهای رایج AI در شبکهٔ رادیویی در یک خط. داده از آزمایشگاه می‌آید، نه از شبکهٔ زندهٔ یک اپراتور؛ پس کیفیت و نمایندگی داده خودش یک مسئله است.
Build data pipelines that ingest, label, and version telemetry from the network stack, such as performance counters, logs, packet captures, and I/Q samples, into reproducible training datasets
بخش بزرگی از کار مهندسی داده است: از شمارنده‌ها و لاگ تا PCAP و نمونه‌های خام سیگنال. برچسب‌زدن این داده‌ها معمولاً بدون دانش شبکه ممکن نیست.
Optimize trained models for real-time inference on GPU-accelerated edge servers: quantization, pruning, TensorRT or ONNX Runtime conversion, CUDA profiling, and latency and throughput benchmarking against hard targets
«هدف سخت» یعنی عدد مشخصی برای تأخیر که نباید از آن رد شد. این همان مهارت‌هایی است که در صفحهٔ Edge AI هم آمده، اما اینجا روی سرور GPU کنار ایستگاه پایه.
Develop AI-driven network applications such as xApps and rApps that consume network telemetry and return control decisions through standardized interfaces, and validate them end to end in the lab
مدل به‌تنهایی کافی نیست؛ باید داخل اپلیکیشنی قرار بگیرد که از رابط استاندارد داده بگیرد و تصمیم برگرداند، و اثرش در آزمایشگاه از ابتدا تا انتها سنجیده شود.
Instrument the platform with MLOps tooling: experiment tracking, model registry, automated retraining triggers, drift monitoring, and CI/CD for model deployment
رفتار شبکه با تغییر نرم‌افزار، ترافیک یا تنظیمات عوض می‌شود. پایش drift و آموزش مجدد خودکار راهی است که مدل با این تغییرها کهنه نشود.
Benchmark GPU resource contention between signal processing and AI inference workloads, and characterize and document the operating envelope for co-location on a single platform
پردازش سیگنال و مدل AI روی یک GPU اجرا می‌شوند و نباید مزاحم هم شوند. باید اندازه بگیرید تا کجا این اشتراک امن است و آن را مستند کنید.
Collaborate with network, RF, and cybersecurity engineers to translate mission requirements into models that run on the deployed system, and brief results to government stakeholders
کار تیمی و میان‌رشته‌ای است. باید زبان مهندسان شبکه و RF را بفهمید و نتیجه را برای مخاطب غیرفنی هم توضیح دهید.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از نسخهٔ AI این شغل می‌دهد: یک مهندس یادگیری ماشین با دست‌کم ۳ سال تجربه که روی داده‌های شبکهٔ رادیویی مدل می‌سازد، آن را برای اجرای بی‌درنگ کنار پشتهٔ رادیویی بهینه می‌کند و در قالب xApp یا سرویس مستقر می‌کند. دانش RF، O-RAN و KPIهای 3GPP امتیاز است، نه شرط؛ یعنی مسیر ورود هم از سمت ML باز است و هم برای مهندس RF که ML یاد بگیرد. بازهٔ حقوق اعلام‌شده ۹۹ هزار تا ۲۲۵ هزار دلار در سال است، اما شرط مجوز امنیتی آمریکا آن را به گروه محدودی از متقاضیان محدود می‌کند.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
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) از ۲۰۲۵ تا ۲۰۳۰ پیش‌بینی کرده‌اند. در همین گزارش، همهٔ کارفرمایان بخش مخابرات در نظرسنجی (۱۰۰٪) گفته‌اند اهمیت مهارت‌های «AI و کلان‌داده» برای نیروی کارشان تا ۲۰۳۰ بیشتر می‌شود. آمار رسمی جداگانه‌ای برای این نقش وجود ندارد.
منبع: WEF Future of Jobs Report 2025
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
Dell'Oro Group در ژوئیهٔ ۲۰۲۵ پیش‌بینی کرد AI-RAN تا ۲۰۲۹ حدود یک‌سوم بازار RAN را تشکیل دهد. به گفتهٔ معاون این مؤسسه، Stefan Pongratz، اولویت‌های کوتاه‌مدت بیشتر افزایش کارایی است تا درآمد تازه.
طبق گزارش ژوئن ۲۰۲۶ Dell'Oro، درآمد تجمعی AI-RAN در سال‌های ۲۰۲۶ تا ۲۰۳۰ به ۳۵ میلیارد دلار می‌رسد، اما بازار کلی RAN را بزرگ‌تر نمی‌کند. بازار GPU RAN هم تا پایان این دوره بیش از یک میلیارد دلار برآورد شده است.
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، «متخصصان AI و یادگیری ماشین» سومین شغل پررشد تا ۲۰۳۰ هستند و بخش مخابرات، همراه با خودرو و هوافضا، در صدر صنایعی است که همهٔ کارفرمایانش اهمیت مهارت‌های AI و کلان‌داده را رو به افزایش می‌دانند.
اول، بازار کوچک است. Dell'Oro در گزارش ژوئن ۲۰۲۶ پیش‌بینی می‌کند AI-RAN بازار کلی RAN را بزرگ‌تر نکند و تا پایان دورهٔ پیش‌بینی درآمد اضافهٔ کمی، اگر اصلاً، بسازد. همین گزارش می‌گوید پنج سازندهٔ بزرگ حدود ۹۶ درصد درآمد RAN در ۲۰۲۵ را داشته‌اند، پس کارفرمایان اصلی محدودند. دوم، بخشی از نقش‌های آمریکا در صنایع دفاعی است و شهروندی یا مجوز امنیتی می‌خواهد. سوم، برای مهندسان بهینه‌سازی کلاسیک: WEF می‌نویسد مخابرات همراه بیمه پیشتاز خودکارسازی است و بیش از ۹۵٪ کاهش سهم کارهایی که فقط انسان انجام می‌دهد در این دو بخش از خودکارسازی خواهد بود. نقش تازه‌کار Ericsson در کالیفرنیا هم ساختن ابزارهای Generative AI برای بهینه‌سازی شبکه را جزو وظایف مهندس RF آورده است. به نظر می‌رسد مهندس RF که داده و ML را اضافه کند، در موقعیت بهتری می‌ماند.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۴۱ منبع بررسی شده است.
- Wireless and Edge AI/ML Engineer — Booz Allen Hamilton (job posting)
- Technical Lead, Artificial Intelligence — Parallel Wireless (job posting)
- Senior/Principal RAN Digital Twin & AI Simulation Engineer — Parallel Wireless (job posting)
- PHY Algorithms Senior Engineer - AI/ML — Parallel Wireless (job posting)
- Senior Applied AI Evaluation Engineer - RAN Ticket Intelligence — Parallel Wireless (job posting)
- Sr. Tech Lead, Prod Dev (RAN, AI-Assisted RCA) — Parallel Wireless (job posting)
- O-RAN & RF Machine Learning Engineer (NextG Wireless) — ANDRO (job posting)
- Scientist/Engineer – NextG O-RAN and RFML — ANDRO careers page
- AI Software Designer RAN & AI Solutions — Ericsson, Ottawa (job posting)
- AI Researcher — Ericsson Research, Stockholm (job posting)
- Distinguished Engineer - Wireless Infrastructure — NVIDIA (job posting)
- AI Driven Radio Access Networks Director — Booz Allen Hamilton (job posting)
- Senior Data Scientist - Network — Free / Groupe iliad (job posting)
- Senior AI Researcher - Autonomous AI Agents for Telecommunication Networks — Huawei Ireland (job posting)
- Graduate AI and Wireless Software Engineer 2027 — MediaTek (job posting)
- Senior Data Scientist – Payload & SAT-RAN — AST SpaceMobile (job posting)
- Research Engineer - 6G AI-Enabled Systems and Testbeds — InterDigital (job posting)
- Principal Technologist, 6G and AI, Telco Tech — AWS (job posting)
- Autonomous Wireless Communication Operations System Development — Hyundai Motor Company (job posting)
- RFML Engineer — Anduril Industries (job posting)
- Software Research Engineer - RF Machine Learning (RFML) — Peraton Labs (job posting)
- Expert RAN Optimization — JazzWorld (classic-title posting)
- 5G RF Optimization Engineer — Tata Consultancy Services (classic-title posting)
- RF Network Performance and Automation Engineer (Early Career) — Ericsson (classic-title posting)
- Ingénieur Performances RADIO — Bouygues Telecom (classic-title posting)
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Dell'Oro Group — AI RAN to Top $10 Billion by 2029 (July 2025)
- Dell'Oro Group — AI RAN to Reach $35 B Over Next Five Years (June 2026)
- 3GPP — AI/ML for NR Air Interface
- O-RAN Software Community — Architecture (definitions)
- AI-RAN Alliance — home page
- NVIDIA AI Aerial
- Sionna documentation (NVIDIA)
- OpenRAN Gym
- DeepSig — Datasets (RadioML)
- DeepSig — Who We Are
- O'Shea & Hoydis — An Introduction to Deep Learning for the Physical Layer (arXiv)
- Jakob Hoydis — NVIDIA Research
- Tim O'Shea — Virginia Tech National Security Institute
- Tim O'Shea — NVIDIA Technical Blog author page
- Mérouane Debbah — Wikipedia