🧪

گروه «متخصصان AI و یادگیری ماشین»: رتبهٔ ۳ رشد شغلی تا ۲۰۳۰ (جهانی)· منبع: WEF

مهندس داده‌های سنتتیک

Synthetic Data Engineer

مهندس داده‌های سنتتیک (Synthetic Data Engineer) سیستم‌هایی می‌سازد که برای آموزش و ارزیابی مدل‌های هوش مصنوعی دادهٔ مصنوعی تولید می‌کنند، و بعد نشان می‌دهد این داده واقعاً مدل را بهتر کرده است. در آگهی‌های ۲۰۲۶ این کار سه شاخهٔ اصلی دارد: تولید متن، کد و مسئله‌های قابل‌وارسی برای مدل‌های زبانی؛ شبیه‌سازی و ویدیوی ساخته‌شده با world model برای خودروهای خودران و ربات‌ها؛ و ساختن جایگزین مصنوعی برای دادهٔ حساس. عنوان دقیق «Synthetic Data Engineer» را NVIDIA و Apple به کار برده‌اند، اما بیشتر کارفرماها نام نقش را با پسوند Synthetic Data می‌نویسند: Machine Learning Engineer, Synthetic Data در Wayve، Research Engineer, Synthetic Data در SpaceXAI و Senior Member of Technical Staff, Synthetic Data در Cohere. بیشتر این آگهی‌ها چند سال سابقه در یادگیری ماشین، شبیه‌سازی یا مهندسی داده می‌خواهند.

PythonPyTorchLLM-based Data GenerationData Ablations & EvaluationGenerative / World ModelsSimulation & 3D (USD, Game Engines)Data Pipelines (Spark / Beam)Privacy & De-identification

مقدمه و تعریف شغل

مهندس داده‌های سنتتیک دادهٔ آموزش و ارزیابی را به‌جای جمع‌آوری، تولید می‌کند: با مدل‌های زبانی، با مدل‌های مولد تصویر و ویدیو، با شبیه‌ساز و موتور بازی، یا با مدل‌هایی که از دادهٔ واقعی الگو می‌گیرند. آگهی SpaceXAI این چرخه را خوب خلاصه می‌کند: پیدا کردن قابلیتی که مدل ندارد، طراحی راهبرد تولید داده، ساختن pipeline و verifier قابل اعتماد، و تأیید اینکه دادهٔ حاصل واقعاً مدل را جلو برده است. بخش دوم کار، یعنی سنجیدن، به اندازهٔ خود تولید وزن دارد. این نقش میان مهندسی داده و یادگیری ماشین قرار می‌گیرد و بسته به شاخه به شبیه‌سازی و گرافیک یا به حریم خصوصی هم می‌رسد.

دادهٔ مصنوعی ایدهٔ تازه‌ای نیست، اما هر چند سال شکل تازه‌ای گرفته است. در رباتیک و بینایی ماشین، Tobin و همکاران در ۲۰۱۷ نشان دادند آشکارسازی که فقط با تصویرهای شبیه‌ساز و بافت‌های تصادفی آموزش دیده در دنیای واقعی به دقت ۱٫۵ سانتی‌متر می‌رسد و Tremblay و همکاران در NVIDIA در ۲۰۱۸ همین روش را روی تشخیص خودرو آزمودند. برای دادهٔ جدولی، CTGAN در ۲۰۱۹ جدول‌هایی با ستون‌های گسسته و پیوسته را مدل کرد. در مدل‌های زبانی، Self-Instruct در ۲۰۲۲ با دستورالعمل‌هایی که خود GPT-3 ساخته بود ۳۳ درصد بهبود مطلق گرفت؛ مدل phi-1 در ۲۰۲۳ با ۱٫۳ میلیارد پارامتر، ۶ میلیارد توکن متن منتخب وب و یک میلیارد توکن کتاب درسی و تمرین مصنوعی ساخته‌شده با GPT-3.5 در بنچمارک HumanEval به ۵۰٫۶٪ رسید؛ و Hugging Face در ۲۰۲۴ مجموعه‌دادهٔ Cosmopedia را با ۲۵ میلیارد توکن منتشر کرد و نوشت مدل‌های Phi مایکروسافت عمدتاً با دادهٔ مصنوعی آموزش دیده‌اند. Villalobos و همکاران برآورد کرده‌اند اگر روند فعلی ادامه یابد، دادهٔ آموزشی مدل‌ها بین ۲۰۲۶ تا ۲۰۳۲ به اندازهٔ کل متن عمومی انسانی می‌رسد و تولید دادهٔ مصنوعی را یکی از راه‌های ادامهٔ پیشرفت می‌دانند. بازار ابزارها هم جابه‌جا شده است. طبق گزارش TechCrunch به نقل از Wired، NVIDIA در مارس ۲۰۲۵ شرکت Gretel را خرید و حدود ۸۰ کارمند آن به NVIDIA پیوستند؛ سایت gretel.ai اکنون به صفحهٔ دادهٔ مصنوعی NVIDIA می‌رود، مخزن متن‌باز gretel-synthetics بایگانی شده و NVIDIA چارچوب متن‌باز NeMo Data Designer را منتشر می‌کند. SDV، کتابخانهٔ شناخته‌شدهٔ دادهٔ جدولی، با مجوز Business Source License از DataCebo عرضه می‌شود. در اکتبر ۲۰۲۶ آگهی‌هایی با عنوان Synthetic Data در Cohere، Wayve، SpaceXAI، Snorkel AI، NVIDIA، Apple و Amazon باز بود. آگهی‌هایی که حقوق را نوشته‌اند در آمریکا بازه‌های پایهٔ بالایی دارند: NVIDIA برای Senior Synthetic Data Engineer ۱۸۴ تا ۲۸۷٫۵ هزار دلار (Level 4) و ۲۲۴ تا ۳۵۶٫۵ هزار دلار (Level 5)، Apple ۱۸۴٫۷ تا ۳۲۴٫۸ هزار دلار، Snorkel AI ۱۸۰ تا ۳۲۰ هزار دلار و Amazon ۱۵۰ تا ۳۰۰ هزار دلار. Cohere برای تورنتو و مونترال ۲۹۵ تا ۵۳۵ هزار دلار کانادا نوشته است. Glassdoor برای این عنوان عملاً ارقام Data Engineer را نشان می‌دهد (مثلاً ۳۷ تا ۶۱ هزار پوند در بریتانیا) که با هیچ‌کدام از آگهی‌ها هم‌خوان نیست؛ به همین دلیل در جدول حقوق نیامده است. ردیف‌های «همهٔ سطوح» جدول، ارقام levels.fyi برای مهندسان نرم‌افزار با تمرکز ML / AI است، به‌عنوان نزدیک‌ترین جایگزین.

چه چیزی می‌سازید؟

مثال‌های واقعی از خروجی کار یک مهندس داده‌های سنتتیک

📚

pipeline دادهٔ مصنوعی برای آموزش مدل زبانی

در Cohere، مهندس دادهٔ مصنوعی دادهٔ وب و کد را با مدل‌های مولد بازنویسی می‌کند تا کارایی توکن و کیفیت مدل بالا برود. pipeline روی خوشه‌های بزرگ GPU اجرا می‌شود و کیفیت داده با ablation و ارزیابی مدل سنجیده می‌شود.

🧩

مجموعه‌ای از کارهای قابل‌وارسی برای یادگیری تقویتی

در تیم Synth Data شرکت SpaceXAI، منابع خام مثل trace، سند و کدبیس به مجموعه‌ای بزرگ و متنوع از کارها تبدیل می‌شوند که جوابشان خودکار بررسی می‌شود، همراه با سازوکاری که دور زدن پاداش را سخت کند.

🎥

ویدیوی رانندگی از زاویه‌ای که هرگز ضبط نشده

Wayve با world model های GAIA رانندگی واقعی را روی چیدمان دوربینی بازسازی می‌کند که هنوز وجود ندارد، یا مسیر خودرو را بازنویسی می‌کند تا سناریوی تازه بسازد، و این داده را در همان stack آموزش رانندگی واقعی به کار می‌برد.

📡

دادهٔ حسگر شبیه‌سازی‌شده با برچسب کامل

در NVIDIA DRIVE، ابزار NuRec دادهٔ حسگر واقعی را به محیط آمادهٔ شبیه‌سازی تبدیل می‌کند و ابزارهای مهندس دادهٔ مصنوعی روی آن lidar، radar و تصویر دوربین را همراه با bounding box، segmentation و عمق تولید می‌کنند.

🤖

صحنه‌های سه‌بعدی رویه‌ای برای رباتیک

تیم Frontier AI & Robotics آمازون با pipeline سه‌بعدی و تولید رویه‌ای، محیط‌ها و چیدمان‌های متنوعی از اشیا می‌سازد تا مدل‌های پایهٔ ادراک ربات آموزش ببینند؛ قالب‌هایی مثل USD و OpenVDB بخشی از کارند.

🛡️

نسخهٔ امن دادهٔ حساس

Tonic.ai برای هر شخص یا سازمانی که در ایمیل، چت و تیکت‌های یک شرکت آمده یک جایگزین مصنوعی ثابت می‌گذارد، فایل‌ها را با همان قالب بازسازی می‌کند و گزارش روش را تحویل می‌دهد. برای دادهٔ جدولی، کتابخانه‌ای مثل SDV روی دادهٔ واقعی آموزش می‌بیند و به هر مقدار دادهٔ مصنوعی می‌سازد.

تخصص‌های مختلف مهندس داده‌های سنتتیک

این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد

📚

دادهٔ مصنوعی برای مدل‌های زبانی

LLM Pre- and Post-training Data

بازنویسی دادهٔ وب و کد با مدل‌های مولد و تولید داده برای استدلال، کدنویسی و خروجی ساختاریافته. Cohere، NVIDIA (برای مدل‌های Nemotron) و SpaceXAI برای این کار آگهی دارند.

🧩

محیط‌ها و مسئله‌های قابل‌وارسی

RL Environments & Verifiable Tasks

ساختن کارهایی که جوابشان خودکار بررسی می‌شود، verifier و محیط اجرایی برای آموزش با یادگیری تقویتی. آگهی‌های SpaceXAI، Snorkel AI و Principal Scientist در NVIDIA از آن نام برده‌اند و OpenAI تیمی به نام Synthetic RL دارد.

🚗

world model و دادهٔ رانندگی

World Models & Driving Data

Post-train کردن مدل‌های مولد ویدیو برای ساختن صحنه از دید دوربینی که هنوز وجود ندارد یا با مسیر تازه برای خودرو. Wayve با مدل‌های GAIA و NVIDIA با Cosmos و NuRec روی این کار آگهی دارند.

🤖

شبیه‌سازی و دادهٔ سه‌بعدی

Simulation & 3D Synthetic Data

ساختن صحنه‌های رویه‌ای، رندر و برچسب خودکار برای بینایی ماشین و رباتیک با موتورهای بازی و قالب USD. Apple و تیم Frontier AI & Robotics آمازون برای آن آگهی دارند.

🛡️

دادهٔ مصنوعی برای حفظ حریم خصوصی

Privacy-preserving Synthesis

de-identification، جایگزینی مصنوعی هویت‌ها و دادهٔ جدولی مصنوعی برای صنایع تحت مقررات. Tonic.ai روی این کار متمرکز است و NVIDIA حریم خصوصی تفاضلی و de-identification را جزو کار Principal Scientist آورده است.

تفاوت با شغل‌های مشابه

کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟

مربی هوش مصنوعیAI Trainer

مربی هوش مصنوعی با قضاوت انسانی داده می‌سازد: پاسخ مدل را رتبه‌بندی می‌کند، پاسخ نمونه می‌نویسد و با rubric داوری می‌کند. مهندس داده‌های سنتتیک سیستمی می‌سازد که داده را با مدل، شبیه‌ساز یا برنامه تولید کند و با verifier و ارزیاب خودکار بسنجد. این دو مکمل یکدیگرند: Snorkel AI تجربه با تولید و بازبینی human-in-the-loop را امتیاز می‌داند و در Tonic.ai مهندس برای تأیید کیفیت خروجی با تیم برچسب‌گذاری کار می‌کند.

مهندس تنظیم دقیق مدلFine-tuning (Post-training) Engineer

مهندس post-training روش آموزش را انتخاب می‌کند و مدل را آموزش می‌دهد؛ مهندس داده‌های سنتتیک دادهٔ آن آموزش را می‌سازد. مرزشان باریک است، چون هر دو باید نشان دهند مدل بهتر شده: SpaceXAI کار را تا «تأیید اینکه داده واقعاً مدل را جلو برده» تعریف می‌کند و Cohere ablation داده و ارزیابی مدل را جزو وظایف آورده است. در صفحهٔ Fine-tuning Engineer همین سایت، تولید و پالایش دادهٔ مصنوعی یکی از مهارت‌های مرحلهٔ آخر است؛ اینجا همان مهارت کل شغل است.

مهندس حریم خصوصی دادهPrivacy Engineer

مهندس حریم خصوصی روی سیستم‌هایی که دادهٔ واقعی دارند کنترل می‌گذارد تا داده فقط برای هدف مجاز به کار برود؛ دادهٔ مصنوعی یکی از ابزارهای اوست و در صفحهٔ Privacy Engineer همین سایت، SDV ابزاری مفید معرفی شده است. مهندس داده‌های سنتتیک در شاخهٔ حریم خصوصی خود این ابزار را می‌سازد، مثلاً در Tonic.ai برای هر هویت واقعی یک جایگزین مصنوعی ثابت می‌سازد. بیشتر آگهی‌های دادهٔ مصنوعی در ۲۰۲۶ اما دربارهٔ حریم خصوصی نیستند و هدفشان بهتر کردن مدل است.

مهندس دادهData Engineer

مهندس داده دادهٔ واقعی را جمع، منتقل و نگه‌داری می‌کند. پایهٔ این شغل همان مهارت‌هاست و Cohere تجربه با Spark، Beam یا Pandas و ساختن data pipeline را می‌خواهد. تفاوت در این است که مهندس داده‌های سنتتیک داده را با مدل تولید می‌کند و اثرش را روی آموزش می‌سنجد. Wayve صریحاً سابقهٔ آموزش و تحویل شبکهٔ عصبی می‌خواهد، «نه فقط اداره کردن پلتفرم داده».

تأثیر در صنایع مختلف

مهندس داده‌های سنتتیک در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری

🧠

آزمایشگاه‌های مدل زبانی

تولید داده برای pre-training و post-training. NVIDIA دادهٔ مصنوعی را برای مدل‌های Nemotron می‌سازد و Cohere متن وب و کد را با مدل‌های مولد بازنویسی می‌کند تا کارایی توکن و کیفیت مدل بالا برود.

🚗

رانندگی خودران

Wayve می‌گوید تیم دادهٔ مصنوعی‌اش برای کم کردن وابستگی به جمع‌آوری پرهزینه و زمان‌بر دادهٔ جاده‌ای وجود دارد، تا بشود برای خودرو یا منطقه‌ای که دادهٔ کمی از آن جمع شده مدل آموزش داد و مستقر کرد. NVIDIA دادهٔ lidar، radar و دوربین را شبیه‌سازی می‌کند.

🤖

رباتیک

تیم Frontier AI & Robotics آمازون محیط‌های سه‌بعدی رویه‌ای می‌سازد تا مدل‌های پایهٔ ادراک ربات آموزش ببینند، و Isaac Sim ابزار domain randomization و شبیه‌سازی حسگر را برای رباتیک فراهم می‌کند.

📱

محصولات مصرفی

در Apple، ابزارها و مجموعه‌داده‌هایی که Simulation Synthetic Data Engineer می‌سازد در سراسر سازمان برای ساختن محصولات تازه به کار می‌رود.

🏥

سلامت

Synthea بیماران مصنوعی با سابقهٔ پزشکی کامل می‌سازد که از محدودیت هزینه، حریم خصوصی و امنیت آزادند و در پژوهش و توسعهٔ نرم‌افزار سلامت به کار می‌روند. NVIDIA هم سلامت، مالی و دولت را حوزه‌های تحت مقررات برای این کار نام برده است.

🏦

بانک‌ها و سازمان‌های بزرگ

Tonic.ai از کار با Fidelity، Vanguard، eBay و Comcast نام می‌برد: de-identify کردن دادهٔ واقعی سازمان تا بشود آن را بی‌خطر در آموزش و ارزیابی مدل به کار برد.

🧪

تست و توسعهٔ نرم‌افزار

تولید دادهٔ آزمون واقع‌نما از روی الگوی دادهٔ پروداکشن یا از صفر، تا تیم توسعه بدون دسترسی به دادهٔ حساس کار کند؛ Tonic.ai این را یکی از کاربردهای اصلی‌اش می‌داند.

🗄️

بازار دادهٔ آموزشی

Snorkel AI برای آزمایشگاه‌ها و سازمان‌ها مجموعه‌داده، بنچمارک و ارزیابی می‌سازد و Tonic.ai دادهٔ عملیاتی شرکت‌ها، مثل ایمیل و چت و تیکت، را de-identify می‌کند تا بشود به آزمایشگاه‌ها مجوز استفاده داد.

تصورات غلط رایج

قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید

دادهٔ مصنوعی یعنی دادهٔ تصادفی و ساختگی

دادهٔ مصنوعی خوب از الگوی دادهٔ واقعی یا از قواعد یک شبیه‌ساز می‌آید. SDV روی دادهٔ واقعی یک synthesizer آموزش می‌دهد و CTGAN برای مدل کردن توزیع ردیف‌های جدول طراحی شد. آگهی NVIDIA هم برای کیفیت معیار مشخص می‌خواهد: واقع‌نمایی حسگر، کیفیت برچسب، پوشش توزیع و تنوع سناریو.

تولید داده با LLM یعنی نوشتن چند پرامپت

پرامپت فقط شروع کار است. آگهی SpaceXAI از کنترل دشواری و تنوع حرف می‌زند تا داده «به چند قالب تکراری فرو نریزد»، و از verifier ضد تقلب و ablation برای اثبات اثر داده. Hugging Face در گزارش Cosmopedia نوشت حفظ تنوع در مقیاس بزرگ دشوار است و باید داده را از آلودگی با بنچمارک‌ها (benchmark contamination) هم پاک کرد.

اگر داده مصنوعی باشد، حریم خصوصی خودبه‌خود حفظ شده است

حریم خصوصی کار جداگانه‌ای است. آگهی Principal Scientist در NVIDIA حریم خصوصی تفاضلی، anonymization و de-identification را مسئولیتی مستقل آورده، SDMetrics دادهٔ مصنوعی را از نظر حریم خصوصی هم با دادهٔ واقعی مقایسه می‌کند و در Tonic.ai مهندس خروجی را برای موجودیت‌های جاافتاده و جایگزینی‌های غلط بررسی می‌کند.

دادهٔ مصنوعی می‌تواند کاملاً جای دادهٔ واقعی را بگیرد

شواهد محتاط‌ترند. Shumailov و همکاران نشان دادند آموزش روی محتوای تولیدشده با مدل‌ها می‌تواند دنباله‌های توزیع اصلی را از بین ببرد (model collapse). در مقالهٔ Tremblay و همکاران، بهترین نتیجه وقتی به دست آمد که مدل آموزش‌دیده با دادهٔ شبیه‌ساز با دادهٔ واقعی هم fine-tune شد. Wayve هم اینکه دادهٔ مصنوعی کجا می‌تواند جای دادهٔ واقعی کمیاب را بگیرد را پرسشی باز در کار تیمش می‌داند.

این شغل راه ورود خوبی برای تازه‌کارهاست

در آگهی‌هایی که بررسی کردیم سابقهٔ خواسته‌شده بالاست: Wayve چهار سال، Snorkel AI و Amazon پنج سال و NVIDIA برای نقش خودران هشت سال. NVIDIA برای نقش‌های دانشمند دکترا یا تجربهٔ معادل می‌خواهد و Apple کارشناسی ارشد یا تجربهٔ عملی معادل. راه واقع‌بینانه شروع از مهندسی ML، مهندسی داده یا گرافیک و ساختن نمونه‌کار دادهٔ مصنوعی است.

یک روز کاری واقعی

در هر سطح روز کاری چه شکلی است؟

جونیور (۰–۲ سال)

نقش جونیور در این حوزه کم است. کسی که وارد می‌شود معمولاً بخشی از یک pipeline موجود را تحویل می‌گیرد: اجرای کارهای تولید، خواندن نمونه‌ها و نوشتن فیلتر و معیار.

◆اجرای یک کار تولید داده روی GPU و بررسی لاگ و نرخ خطا
◆خواندن چند ده نمونهٔ خروجی و یادداشت خطاهای تکرارشونده
◆نوشتن فیلتر برای حذف نمونه‌های تکراری یا نامعتبر
◆محاسبهٔ معیارهای کیفیت و مقایسه با دادهٔ واقعی
◆ثبت نسخهٔ داده و تنظیماتی که آن را ساخته است

میانی (۲–۵ سال)

صاحب یک قابلیت یا یک مجموعه‌داده‌اید و آن را از فرضیه تا اثبات اثر روی مدل پیش می‌برید.

◆طراحی دستور تولید (recipe) برای مهارتی که مدل کم دارد
◆نوشتن verifier و آزمودن اینکه بدون حل واقعی دور زده نمی‌شود
◆اجرای ablation: آموزش با و بدون دادهٔ تازه و مقایسهٔ نتیجه
◆جلسه با صاحب مدل دربارهٔ نسبت ترکیب داده
◆بهینه کردن سرعت inference برای ارزان‌تر شدن تولید

ارشد (۵+ سال)

تصمیم‌های بزرگ‌تر با شماست: دادهٔ مصنوعی کجا ارزش دارد، چه معیاری برای «قابل استفاده در آموزش» کافی است و تیم چطور کار کند.

◆بازبینی طراحی آزمایش و نتایج ablation همکاران
◆برنامه‌ریزی دادهٔ مصنوعی با تیم‌های مدل و ارزیابی
◆تصمیم دربارهٔ اینکه کجا دادهٔ مصنوعی جای دادهٔ واقعی کمیاب را بگیرد و کجا نه
◆تبدیل دستورهای موفق یک‌باره به زیرساخت قابل استفادهٔ دوباره
◆گفت‌وگو با مشتری یا تیم‌های دیگر دربارهٔ روش و محدودیت‌های داده

مسئولیت‌ها و وظایف

مسئولیت‌های اصلی

وظایف روزانه و مهارت‌های مورد نیاز در این شغل

فنی

◈طراحی و ساخت pipeline تولید دادهٔ مصنوعی، از منبع خام تا مجموعه‌دادهٔ آمادهٔ آموزش
◈اجرای مدل‌ها روی خوشه‌های GPU برای تولید انبوه داده و بهینه کردن سرعت و نرخ خروجی معتبر
◈ساختن verifier، ارزیاب خودکار و بررسی کیفیت برای درستی، تنوع و پوشش داده
◈اجرای ablation و آزمایش ترکیب داده برای اثبات اثر داده روی مدل
◈ساختن صحنه و سناریوی شبیه‌سازی و تولید دادهٔ حسگر و تصویر با برچسب
◈مقایسهٔ دادهٔ مصنوعی با دادهٔ واقعی و ارزیابی انتقال از شبیه‌سازی به واقعیت (sim-to-real)
◈حفظ حریم خصوصی با de-identification، جایگزینی مصنوعی و در صورت نیاز حریم خصوصی تفاضلی

مهارت نرم

◈همکاری با پژوهشگران و صاحبان مدل برای تبدیل یک هدف قابلیتی به برنامهٔ داده
◈مستندسازی مجموعه‌داده و نوشتن گزارش روش برای مشتری یا تیم‌های داخلی

مدیریتی

◈رهبری فنی، بازبینی طراحی آزمایش‌ها و راهنمایی مهندسان دیگر

مهارت‌های مورد نیاز

مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس داده‌های سنتتیک موفق به آن‌ها نیاز دارد

مهارت‌های فنی پایه

Pythonضروری

در همهٔ آگهی‌ها آمده؛ کد باید برای میلیون‌ها نمونه قابل اجرا و تکرار باشد

مهندسی نرم‌افزارضروری

Cohere، Apple و SpaceXAI صریحاً اصول محکم مهندسی نرم‌افزار می‌خواهند

PyTorchضروری

آموزش و دیباگ مدل؛ Wayve و Tonic.ai آن را خواسته‌اند

Data pipeline با Spark، Beam یا pandasمهم

پردازش دادهٔ وب و کد در مقیاس؛ در آگهی Cohere

Inference روی GPUمهم

اجرای انبوه مدل با vLLM، TensorRT یا TGI؛ در آگهی‌های Cohere و NVIDIA

Docker، Kubernetes و CI/CDمفید

اجرای پایدار pipeline روی خوشه یا ابر؛ NVIDIA و Snorkel AI

C++مفید

برای شاخهٔ شبیه‌سازی؛ NVIDIA آن را شرط گذاشته، Amazon آشنایی با آن را می‌خواهد و Apple آن را امتیاز می‌داند

مهارت‌های تخصصی دادهٔ مصنوعی

آمار و مقایسهٔ توزیعضروری

سنجیدن دادهٔ مصنوعی در برابر دادهٔ واقعی؛ NVIDIA پایهٔ احتمال و هندسه می‌خواهد

تولید داده با LLMضروری

ساختن دستورالعمل، پاسخ، ترجیحات و مسئله با مدل زبانی و فیلتر کردن خروجی

طراحی آزمایش و ablationضروری

اثبات اینکه داده مدل را بهتر کرده و کنار گذاشتن اثرهای ساختگی؛ SpaceXAI، Cohere و Wayve

ارزیابی خودکار و LLM-as-judgeمهم

سنجیدن درستی، تنوع و پوشش داده؛ در آگهی Snorkel AI

Verifier و پاداش قابل‌وارسیمهم

کارهایی که داوری‌شان ساده و دور زدنشان سخت باشد؛ SpaceXAI و Snorkel AI

مدل‌های مولد ویدیو و world modelمهم

diffusion، flow matching و novel-view synthesis؛ در آگهی Wayve

گرافیک سه‌بعدی، USD و موتور بازیمهم

برای شاخهٔ شبیه‌سازی؛ Apple و Amazon

هندسهٔ دوربین و حسگرمفید

intrinsics و extrinsics، reprojection و شبیه‌سازی lidar و radar؛ Wayve و NVIDIA

حریم خصوصی تفاضلی و de-identificationمفید

برای دادهٔ حساس؛ NVIDIA و Tonic.ai

مهارت‌های نرم

قضاوت آزمایشیضروری

فرضیهٔ روشن پیش از تولید و تشخیص بهبود واقعی از نویز

دقت در خواندن خروجی خامضروری

SpaceXAI هم معیارهای کلی و هم خواندن دقیق خروجی‌ها را می‌خواهد

همکاری با پژوهشگر و صاحب مدلمهم

تبدیل هدف قابلیتی به برنامهٔ داده؛ در تقریباً همهٔ آگهی‌ها

مستندسازیمهم

Snorkel AI داده را با مستندات روشن تحویل می‌دهد و Tonic.ai با گزارش کتبی روش

کار در ابهاممهم

Wayve و Snorkel AI کار را در محیطی با هدف متغیر و مسئله‌های مبهم توصیف می‌کنند

ارتباط با مشتریمفید

برای نقش‌های forward-deployed در Snorkel AI و Tonic.ai

ضروری — بدون آن نمی‌توان وارد بازار کار شدمهم — تفاوت بین جونیور و میانیمفید — مزیت رقابتی

نقشه راه و مسیر آموزشی

نقشه راه تبدیل شدن به مهندس داده‌های سنتتیک

این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.

پایه‌ها: Python، آمار و کار با داده

⏱️ ۲ تا ۳ ماه

همهٔ آگهی‌ها، از Cohere تا Apple و NVIDIA، Python قوی و اصول مهندسی نرم‌افزار می‌خواهند و Cohere تجربه با Pandas، Apache Spark یا Apache Beam را هم آورده است. NVIDIA برای نقش خودران «پایهٔ ریاضی محکم در جبر خطی، هندسه و احتمال» را شرط گذاشته است. در این مرحله یاد بگیرید داده را بخوانید، توزیعش را توصیف کنید و دو مجموعه‌داده را با آمار مقایسه کنید؛ همان کاری که بعداً برای سنجیدن دادهٔ مصنوعی در برابر دادهٔ واقعی می‌کنید.

PythonNumPy و pandasآمار و احتمالجبر خطیSQLGitخط فرمان لینوکس

منابع پیشنهادی

راهنمای رسمی Python به فارسی (docs.python.org)Think Stats, 3rd edition — Allen B. Downey (رایگان)Python Data Science Handbook — Jake VanderPlas (رایگان)Pro Git — نسخهٔ فارسی کتاب

یادگیری عمیق و مدل‌های مولد

⏱️ ۳ ماه

Wayve تجربهٔ عملی با مدل‌های مولد ویدیو، diffusion و flow matching می‌خواهد و NVIDIA از دانشمندانش پیشینه در generative modeling. پیش از ساختن داده باید بدانید مدل چطور آموزش می‌بیند و چطور ارزیابی می‌شود. PyTorch را یاد بگیرید، چند مدل را خودتان آموزش دهید و سازوکار diffusion را دست‌کم در یک پیاده‌سازی کوچک ببینید.

PyTorchآموزش و ارزیابی شبکهٔ عصبیمجموعهٔ تست جداگانه و overfittingTransformerVAE و GAN در حد مفهومDiffusion و Flow Matching

منابع پیشنهادی

Practical Deep Learning for Coders — fast.ai (رایگان)Dive into Deep Learning — d2l.ai (رایگان)How Diffusion Models Work — DeepLearning.AI (Sharon Zhou)Hugging Face Diffusion Models Course (رایگان)

دادهٔ مصنوعی برای مدل‌های زبانی

⏱️ ۲ تا ۳ ماه

بیشتر آگهی‌ها در این شاخه‌اند. روش پایه را از مقالهٔ Self-Instruct یاد بگیرید: مدل از روی خروجی‌های خودش دستورالعمل و پاسخ می‌سازد، نمونه‌های نامعتبر و تکراری حذف می‌شوند و نتیجه برای آموزش همان مدل به کار می‌رود؛ این مقاله روی GPT-3 بهبود ۳۳ درصدی مطلق در بنچمارک Super-NaturalInstructions گزارش کرد. بعد سراغ مقیاس بروید: Hugging Face در پروژهٔ Cosmopedia بیش از ۳۰ میلیون فایل و ۲۵ میلیارد توکن متن مصنوعی ساخت و نوشت حفظ تنوع و پرهیز از خروجی تکراری از چالش‌های اصلی بود. Cohere و NVIDIA آشنایی با موتورهای inference مثل vLLM را می‌خواهند، چون تولید داده در این مقیاس یعنی اجرای مدل روی خوشه‌های GPU.

قالب داده و chat templateSelf-Instruct و Evol-Instructدادهٔ ترجیحات (Preference)فیلتر، حذف تکراری و decontaminationLLM-as-judgevLLM و inference دسته‌ایData ablation

منابع پیشنهادی

Hugging Face LLM Course (رایگان)smol course — ماژول Synthetic Datasets (Hugging Face، رایگان)distilabel — مستندات Cosmopedia: how to create large-scale synthetic data for pre-training — Hugging Face Self-Instruct — Wang et al.

شبیه‌سازی، رندر و دادهٔ حسگر

⏱️ ۲ تا ۳ ماه

شاخهٔ دوم برای خودروهای خودران و ربات‌هاست. Apple و Amazon تجربه با گرافیک سه‌بعدی یا موتور بازی (مثل Unreal و Unity) و قالب USD را می‌خواهند و NVIDIA تولید دادهٔ lidar، radar و دوربین همراه با برچسب‌هایی مثل bounding box، segmentation و عمق. ایدهٔ پایه domain randomization است: Tobin و همکاران در ۲۰۱۷ نشان دادند آشکارسازی که فقط با تصویرهای شبیه‌ساز و بافت‌های تصادفی غیرواقعی آموزش دیده، در دنیای واقعی به دقت ۱٫۵ سانتی‌متر می‌رسد. Isaac Sim Replicator همین روش را همراه با شبیه‌سازی حسگر در اختیارتان می‌گذارد.

مبانی گرافیک و رندرOpenUSDUnreal Engine یا UnityDomain RandomizationSensor Simulationهندسهٔ دوربین (intrinsics و extrinsics)Sim-to-Real

منابع پیشنهادی

Isaac Sim — Perception Data Generation (Replicator)OpenUSD — مستندات Universal Scene Description Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World — Tobin et al.Training Deep Networks with Synthetic Data — Tremblay et al. (NVIDIA)NVIDIA Cosmos — مستندات

دادهٔ جدولی، حریم خصوصی و سنجش کیفیت

⏱️ مداوم

شاخهٔ سوم دادهٔ حساس است. SDV روی دادهٔ واقعی یک synthesizer آموزش می‌دهد و به هر مقدار دادهٔ جدولی مصنوعی می‌سازد؛ CTGAN که یکی از مدل‌های آن است برای جدول‌هایی با ستون‌های گسسته و پیوسته طراحی شد. مصنوعی بودن به‌تنهایی حریم خصوصی را تضمین نمی‌کند و آگهی Principal Scientist در NVIDIA حریم خصوصی تفاضلی، anonymization و de-identification را کاری جداگانه آورده است. در کنار همهٔ این‌ها، سنجیدن اثر داده را تمرین کنید؛ تقریباً همهٔ آگهی‌ها آن را می‌خواهند.

SDV و CTGANSDMetrics و گزارش کیفیتDifferential PrivacyDe-identificationمقایسهٔ دادهٔ مصنوعی و واقعیModel collapse و محدودیت‌ها

منابع پیشنهادی

SDV — مستندات Modeling Tabular data using Conditional GAN (CTGAN) — Xu et al.Opacus — آموزش‌ها The Algorithmic Foundations of Differential Privacy — Dwork & Roth (PDF رایگان)The Curse of Recursion (model collapse) — Shumailov et al.

ابزارها و استک فنی

ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت

تولید دادهٔ مصنوعی برای مدل‌های زبانی

vLLM

موتور inference که Cohere و NVIDIA در آگهی‌هایشان نام برده‌اند؛ برای اجرای انبوه مدل و تولید داده

ضروری

Hugging Face Datasets

بارگذاری، پردازش و انتشار مجموعه‌داده

ضروری

NeMo Data Designer

چارچوب متن‌باز NVIDIA (مجوز Apache 2.0) برای تولید دادهٔ مصنوعی از صفر یا از دادهٔ اولیه، با اعتبارسنجی و LLM judge

مفید

distilabel

فریم‌ورک تولید دادهٔ مصنوعی و بازخورد AI؛ ماژول دادهٔ مصنوعی smol course با آن کار می‌کند

مفید

NeMo Curator

ابزار NVIDIA برای پیش‌پردازش و پالایش دادهٔ آموزشی LLM در مقیاس

پیشرفته

شبیه‌سازی و سه‌بعدی

NVIDIA Isaac Sim (Replicator)

تولید دادهٔ مصنوعی برای رباتیک با domain randomization، شبیه‌سازی حسگر و برچسب‌گذاری خودکار

مفید

NVIDIA Cosmos

پلتفرم world model های NVIDIA؛ آگهی تیم DRIVE از Cosmos برای تولید صحنه، زاویهٔ دید تازه و سناریوهای کنترل‌شده نام برده است

پیشرفته

OpenUSD

قالب توصیف صحنهٔ سه‌بعدی؛ در آگهی‌های Apple و Amazon آمده است

مفید

Unreal Engine

موتور بازی که Apple و Amazon در آگهی‌هایشان نام برده‌اند

مفید

Unity

موتور بازی دیگری که در همان آگهی‌ها آمده است

مفید

BlenderProc

pipeline رویه‌ای مبتنی بر Blender برای ساخت تصویرهای آموزشی واقع‌نما

مفید

دادهٔ جدولی و حریم خصوصی

SDV (Synthetic Data Vault)

کتابخانهٔ Python برای دادهٔ جدولی مصنوعی از DataCebo؛ مجوزش Business Source License 1.1 است، نه MIT، و استفاده از آن برای فروش سرویس دادهٔ مصنوعی محدودیت دارد

مفید

SDMetrics

مقایسهٔ آماری دادهٔ مصنوعی و واقعی از نظر کیفیت و حریم خصوصی

مفید

MOSTLY AI Synthetic Data SDK

SDK متن‌باز (Apache 2.0) برای آموزش مولد روی دادهٔ جدولی یا متنی و تولید دادهٔ مصنوعی

مفید

Synthea

تولیدکنندهٔ متن‌باز بیمار مصنوعی با سابقهٔ پزشکی کامل

مفید

Opacus

کتابخانهٔ Meta برای آموزش مدل‌های PyTorch با حریم خصوصی تفاضلی

پیشرفته

OpenDP

کتابخانهٔ متن‌باز الگوریتم‌های حریم خصوصی تفاضلی

پیشرفته

پردازش داده و زیرساخت

PyTorch

فریم‌ورک آموزش مدل؛ Wayve و Tonic.ai آن را نام برده‌اند

ضروری

Apache Spark

پردازش توزیع‌شدهٔ داده؛ در آگهی Cohere آمده است

مفید

Apache Beam

مدل برنامه‌نویسی pipeline داده که Cohere در کنار Spark آورده است

مفید

Docker

کانتینرسازی؛ Snorkel AI و NVIDIA آن را خواسته‌اند

مفید

Kubernetes

اجرای کارها روی خوشه؛ در آگهی NVIDIA DRIVE آمده است

پیشرفته

Flyte

orchestration کارهای داده و ML؛ آگهی Wayve از اجرای کارهای Flyte برای ده‌ها هزار قطعهٔ رانندگی نام می‌برد

پیشرفته

ضروری — باید یاد بگیریدمفید — ارزش یادگیری داردپیشرفته — برای سطوح ارشد

مسیر پیشرفت شغلی

از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید

ورود: ML Engineer، Data Engineer یا مهندس گرافیک و شبیه‌سازی

۰ تا ۲ سال

آگهی دادهٔ مصنوعی مخصوص تازه‌کار در جستجوی ما تقریباً نبود. راه رایج شروع از نقش‌های نزدیک است، مثل مهندسی یادگیری ماشین، مهندسی داده یا مهندسی گرافیک و بازی، و ساختن نمونه‌کار دادهٔ مصنوعی در کنار آن. برای دانشجویان ارشد و دکترا کارآموزی هم هست؛ NVIDIA برای تابستان ۲۰۲۷ کارآموز پژوهشی «World Models and Synthetic Data for Autonomous Driving» می‌گیرد

PythonPyTorchpandas و Sparkارزیابی مدلGit

Machine Learning Engineer / Research Engineer, Synthetic Data

۲ تا ۵ سال

طراحی و اجرای یک pipeline تولید داده، از انتخاب منبع تا فیلتر و سنجش اثر روی مدل. Wayve برای این عنوان چهار سال سابقه در ML کاربردی یا مهندسی پژوهشی می‌خواهد و NVIDIA برای Senior Scientist سه سال پیشینهٔ پژوهشی همراه با دکترا یا تجربهٔ معادل

تولید داده با LLMData ablationمدل‌های مولدInference روی GPUطراحی آزمایش

Senior Synthetic Data Engineer

۵+ سال

مسئولیت کامل یک قابلیت یا یک خط داده و تصمیم دربارهٔ روش و معیار کیفیت. Snorkel AI و Amazon پنج سال سابقه می‌خواهند و NVIDIA برای Senior Synthetic Data Engineer در تیم خودران هشت سال

System designVerifier و ارزیاب خودکارSimulation at scaleراهنمایی دیگرانارتباط با ذی‌نفعان

Tech Lead Manager / Principal

۵ تا ۱۵+ سال

تعیین جهت فنی دادهٔ مصنوعی در سازمان و ساختن تیم. Wayve برای Technical Lead Manager, Synthetic Data پنج سال سابقهٔ ML و چهار سال مدیریت افراد می‌خواهد و NVIDIA برای Principal Research Scientist, Synthetic Data Generation پانزده سال سابقه و دکترا یا تجربهٔ معادل

Technical StrategyPeople ManagementResearch DirectionCross-team Alignment

چالش‌ها و جنبه‌های منفی

واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید

اثبات اینکه داده واقعاً کمک کرده است

عمومی

ساختن داده آسان‌تر از اثبات ارزش آن است. SpaceXAI از مهندس می‌خواهد نشان دهد بهبود قابلیت از خود داده آمده و نه از خطای ارزیاب یا اثری ساختگی در داده، و این یعنی آموزش‌های مقایسه‌ای پرهزینه و تحلیل دقیق.

تنوع و فرو ریختن به چند قالب تکراری

عمومی

مدل‌ها به تکرار یک الگو گرایش دارند. Hugging Face در گزارش Cosmopedia نوشت مدل داستان‌ها را مرتب با عبارت‌های یکسانی مثل «Once upon a time» شروع می‌کرد؛ تیم با درخواست صریح از مدل برای پرهیز از این شروع‌ها و خلاق بودن آن را کم کرد، هرچند کاملاً از بین نرفت.

دور زدن verifier

تحقیقاتی

در دادهٔ یادگیری تقویتی، مدل ممکن است راهی برای گرفتن پاداش پیدا کند بدون اینکه مسئله را واقعاً حل کند. طراحی کاری که «به اندازهٔ کافی سخت باشد تا چیزی یاد بدهد، به اندازهٔ کافی ساده تا قابل داوری باشد و در برابر reward hacking مقاوم باشد» به تعبیر آگهی SpaceXAI یک مهارت جداگانه است.

فاصلهٔ شبیه‌سازی با واقعیت

شرکت بزرگ

دادهٔ شبیه‌سازی‌شده باید آن‌قدر به واقعیت نزدیک باشد که مدل در دنیای واقعی هم کار کند. آگهی Wayve خطاهایی مثل حاشیهٔ سیاه، لرزش تصویر و انحنای غلط را نام می‌برد و NVIDIA ارزیابی واقع‌نمایی حسگر و انتقال sim-to-real را بخشی از کار می‌داند.

هزینهٔ محاسبه و سرعت تولید

عمومی

تولید داده یعنی اجرای مدل‌های بزرگ روی حجم زیادی ورودی. Cohere pipeline را روی خوشه‌های بزرگ GPU می‌سازد و Wayve از مهندس بهینه‌سازی inference و بالا بردن نرخ خروجی معتبر را می‌خواهد؛ هر خطا در pipeline مستقیماً هزینه دارد.

حریم خصوصی قابل دفاع

استارتاپ

وقتی داده از روی اطلاعات واقعی مردم ساخته می‌شود، یک موجودیت جاافتاده کافی است تا کار بی‌ارزش شود. مهندس Tonic.ai خروجی را برای موجودیت‌های جاافتاده، جایگزینی‌های غلط و هویت‌هایی که اشتباه ادغام یا جدا شده‌اند بررسی می‌کند و روش را برای مشتری مستند می‌کند.

ورود سخت

عمومی

آگهی‌هایی که سابقه را مشخص کرده‌اند از سه سال پیشینهٔ پژوهشی همراه با دکترا یا معادل آن تا پانزده سال سابقه می‌خواهند و آگهی ورودی تقریباً نیست. برای بیشتر افراد، ورود یعنی چند سال کار در نقشی نزدیک و ساختن نمونه‌کار دیدنی.

حقوق و بازار کار جهانی

حقوق جهانی مهندس داده‌های سنتتیک

حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.

کشور	حداقل	میانه / میانگین	حداکثر	ارز
🇺🇸آمریکا	$184,000	$235,750	$287,500	USD

* ارقام سالانه‌اند. منبع هر رقم:

چگونه از صفر شروع کنیم

برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی

ماه ۱: Python، pandas و آمار

Python علمی و آمار پایه. چند مجموعه‌دادهٔ عمومی را تحلیل کنید و توزیع ستون‌ها را مقایسه کنید.

Think Stats, 3rd edition Python Data Science Handbook

ماه ۲: PyTorch و آموزش مدل

آموزش و ارزیابی چند مدل با مجموعهٔ تست جداگانه.

Practical Deep Learning for Coders — fast.ai

ماه ۳: دادهٔ جدولی مصنوعی

SDV و SDMetrics؛ پروژهٔ «دادهٔ جدولی مصنوعی و گزارش کیفیت».

SDV — مستندات SDMetrics — مستندات

ماه ۴: دادهٔ مصنوعی برای LLM

ماژول دادهٔ مصنوعی smol course را کامل کنید و با distilabel یک مجموعه‌دادهٔ دستورالعمل بسازید.

smol course — Synthetic Datasets distilabel

ماه ۵: سنجش اثر و ablation

یک مدل کوچک را با و بدون دادهٔ خودتان آموزش دهید و نتیجه را با تست جداگانه مقایسه کنید. گزارش Cosmopedia را برای چالش‌های مقیاس بخوانید.

Cosmopedia — Hugging Face

ماه ۶: نمونه‌کار و درخواست

دو پروژهٔ مستند روی GitHub و Hugging Face Hub منتشر کنید و برای نقش‌های ML Engineer و Data Engineer در تیم‌های داده درخواست بدهید.

پروژه‌های پیشنهادی برای رزومه

دادهٔ جدولی مصنوعی و گزارش کیفیت

مبتدی

یک مجموعه‌دادهٔ جدولی عمومی را انتخاب کنید و با SDV دو synthesizer (مثلاً GaussianCopula و CTGAN) آموزش دهید و با SDMetrics گزارش کیفیت بگیرید. بعد یک مدل ساده را یک بار با دادهٔ واقعی و یک بار با دادهٔ مصنوعی آموزش دهید و هر دو را روی دادهٔ واقعیِ کنارگذاشته بسنجید. در README بنویسید دادهٔ مصنوعی کجا کم آورد.

PythonSDVSDMetricsscikit-learn

زمان تخمینی: ۱ تا ۲ هفته

مجموعه‌دادهٔ دستورالعمل با distilabel و سنجش اثرش

متوسط

با الگوی ماژول دادهٔ مصنوعی smol course برای یک حوزهٔ مشخص (مثلاً پرسش‌های مالیاتی به فارسی) مجموعه‌دادهٔ دستورالعمل بسازید. تکراری‌ها را حذف کنید، چند صد نمونه را خودتان بخوانید و یک مدل کوچک را با آن fine-tune کنید. اثر داده را با یک مجموعهٔ تست جداگانه و یک ablation (با فیلتر و بدون فیلتر) نشان دهید.

distilabelvLLMHugging Face DatasetsTRL

زمان تخمینی: ۳ هفته

مسئله‌های قابل‌وارسی برای یادگیری تقویتی

پیشرفته

از منابع خام، مثل مستندات یک کتابخانه یا مسئله‌های ریاضی، مجموعه‌ای از کارها بسازید که جوابشان خودکار بررسی می‌شود. برای هر نوع کار یک verifier بنویسید، دشواری را کنترل کنید و دنبال پاسخ‌هایی بگردید که بدون حل واقعی از verifier رد می‌شوند. این همان چیزی است که آگهی SpaceXAI با عنوان سازوکار ضد تقلب (anti-hacking) می‌خواهد.

PythonvLLMpytestHugging Face Datasets

زمان تخمینی: ۴ هفته

آشکارساز اشیا با دادهٔ شبیه‌ساز

پیشرفته

با Isaac Sim Replicator یا BlenderProc صحنه‌هایی با نور، بافت و زاویهٔ تصادفی بسازید و برچسب bounding box و segmentation را خودکار بگیرید. یک آشکارساز را فقط با این داده آموزش دهید، بعد با مقدار کمی دادهٔ واقعی fine-tune کنید و نتیجه‌ها را مقایسه کنید؛ همان مقایسه‌ای که Tremblay و همکاران روی خودروهای مجموعه‌دادهٔ KITTI انجام دادند.

Isaac Sim یا BlenderProcPyTorchOpenUSD

زمان تخمینی: ۴ تا ۶ هفته

دادهٔ بیمار مصنوعی و آزمون حریم خصوصی

متوسط

با Synthea جمعیتی از بیماران مصنوعی بسازید، از آن یک جدول خلاصه دربیاورید و با SDV یک نسخهٔ مصنوعی دوم تولید کنید. با معیارهای privacy در SDMetrics بسنجید خروجی چقدر به ردیف‌های اصلی نزدیک است و نتیجه را در یک گزارش کوتاه برای مخاطب غیرفنی بنویسید.

SyntheaSDVSDMetricspandas

زمان تخمینی: ۳ هفته

مثال‌های واقعی و Case Studies

داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند

Kalyan Veeramachaneni

پیشینه

طبق صفحهٔ شخصی‌اش در MIT، Principal Research Scientist در آزمایشگاه Laboratory for Information and Decision Systems (LIDS) دانشگاه MIT و بنیان‌گذار Data-to-AI Lab است.

دستاورد

سازندهٔ Synthetic Data Vault (SDV)، کتابخانهٔ تولید دادهٔ جدولی مصنوعی، و بنیان‌گذار شرکت DataCebo است.

درس کلیدی

SDV از دل یک آزمایشگاه دانشگاهی بیرون آمد و به ابزاری تبدیل شد که مهندسان روزانه به کار می‌برند. در این حوزه، ابزاری که دیگران واقعاً از آن استفاده کنند اعتبار ماندگاری می‌سازد.

Loubna Ben Allal

پیشینه

به گفتهٔ سایت شخصی‌اش، Research Engineer در Hugging Face است، در مراکش بزرگ شده و مدرک کارشناسی ارشد MVA از ENS Paris-Saclay و مدرک مهندسی از École des Mines de Nancy دارد. کارش را با تولید کد در تیم اصلی BigCode (The Stack، StarCoder و StarCoder2) شروع کرد.

دستاورد

رهبری مدل‌های کوچک SmolLM، SmolLM2 و SmolLM3 و ساختن مجموعه‌دادهٔ pretraining مثل FineWeb-Edu را بر عهده داشته و نویسندهٔ «The Smol Training Playbook» است. دربارهٔ دادهٔ مصنوعی هم بارها سخنرانی کرده، از جمله «The age of synthetic data and small LLMs» در NLP Summit 2024.

درس کلیدی

در کار او داده و مدل از هم جدا نیستند: کسی که مدل کوچک خوب می‌خواهد ناچار است داده‌اش را هم خودش بسازد و پالایش کند. این همان نقطه‌ای است که مهندس دادهٔ مصنوعی بیشترین اثر را دارد.

Jonathan Tremblay

پیشینه

طبق صفحه‌اش در NVIDIA Research، دکترای علوم کامپیوتر از دانشگاه McGill دارد و پژوهشگر NVIDIA است؛ علایق پژوهشی‌اش بینایی ماشین، دادهٔ مصنوعی و یادگیری تقویتی برای رباتیک است.

دستاورد

در NVIDIA روی استفاده از دادهٔ مصنوعی برای آموزش آشکارساز اشیا، تخمین ژست اشیا و few-shot learning کار کرده است. در فهرست مقاله‌هایش «Training Deep Networks with Synthetic Data: Bridging the Reality Gap by Domain Randomization» و مجموعه‌دادهٔ مصنوعی «Falling Things» دیده می‌شوند که هر دو در کارگاه‌های CVPR 2018 ارائه شدند.

درس کلیدی

کار او نشان می‌دهد دادهٔ شبیه‌ساز لازم نیست کاملاً واقعی به نظر برسد تا مفید باشد؛ آنچه اهمیت دارد تنوع کافی و آزمودن نتیجه روی دادهٔ واقعی است.

نمونه آگهی استخدام واقعی + تحلیل

یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش

Senior Member of Technical Staff, Synthetic Data

Cohereتورنتو (همچنین لندن، نیویورک، پاریس و مونترال؛ امکان دورکاری با ساعت کاری بین ET و CET)2025-11-26

مشاهده آگهی اصلی نسخه‌ی آرشیوشده (اگر آگهی بسته شده باشد)

تحلیل نیازمندی‌ها

Strong software engineering skills, with proficiency in Python and experience building data pipelines.

پایهٔ کار مهندسی است، نه پرامپت‌نویسی. pipeline یعنی کدی که روی میلیون‌ها نمونه بدون دخالت دستی اجرا شود، خطا را مدیریت کند و دوباره قابل اجرا باشد.

ضروری

Familiarity with data processing frameworks such as Apache Spark, Apache Beam, Pandas, or similar tools.

برای دادهٔ وب و کد در این مقیاس pandas به‌تنهایی کافی نیست. کسی که از مهندسی داده می‌آید این بخش را از قبل دارد و همین یکی از راه‌های ورود است.

مهم

Experience working with LLMs through work projects, open-source contributions or personal experimentation.

این خط در را برای کسانی که سابقهٔ شغلی با LLM ندارند باز می‌گذارد: پروژهٔ شخصی و مشارکت متن‌باز هم پذیرفته می‌شود. یک پروژهٔ منتشرشدهٔ تولید داده با LLM بهترین شاهد است.

ضروری

Familiarity with LLM inference frameworks such as vLLM and TensorRT.

تولید دادهٔ مصنوعی یعنی اجرای مدل روی حجم زیادی ورودی. باید بدانید چطور با vLLM ورودی‌ها را دسته‌ای اجرا کنید و سرعت و هزینه را بسنجید.

مهم

Experience working with large-scale datasets, including web data, code data, and multilingual corpora.

دادهٔ خام این تیم وب، کد و متن چندزبانه است. تجربهٔ کار با دادهٔ متنی غیرانگلیسی، مثلاً فارسی، در همین دستهٔ multilingual corpora می‌گنجد.

مهم

A passion for bridging research and engineering to solve complex data-related challenges in AI model training.

نقش نیمه‌پژوهشی است: باید مقاله‌های روش تولید داده را بخوانید و پیاده کنید، اما خروجی نهایی یک سیستم کارکننده است.

مهم

Bonus: paper at top-tier venues (such as NeurIPS, ICML, ICLR, AIStats, MLSys, JMLR, AAAI, Nature, COLING, ACL, EMNLP).

امتیاز است، نه شرط. نبود مقاله را می‌شود تا حدی با پروژهٔ متن‌باز مستند جبران کرد.

مفید

تحلیل مسئولیت‌ها

Design and build scalable inference pipelines that run on large GPU clusters.

بخش بزرگی از کار اجرای مدل برای ساختن داده است، نه آموزش مدل. بهینه بودن همین pipeline هزینهٔ تولید را تعیین می‌کند.

Conduct data ablations to assess data quality and experiment with data mixtures to enhance model performance.

ablation یعنی آموزش مدل با و بدون بخشی از داده و مقایسهٔ نتیجه. قانع‌کننده‌ترین راه برای نشان دادن ارزش داده همین است و ترکیب درست چند منبع داده هم با همین آزمایش‌ها پیدا می‌شود.

Research and implement innovative synthetic data curation methods, leveraging Cohere’s infrastructure to drive advancements in natural language processing.

روش‌های انتخاب، فیلتر و بازنویسی داده سریع عوض می‌شوند. از شما انتظار می‌رود روش تازه پیدا کنید یا بسازید، نه فقط روش موجود را اجرا کنید.

Collaborate with cross-functional teams, including researchers and engineers, to ensure data pipelines meet the demands of cutting-edge language models.

مشتری شما تیم‌های آموزش مدل‌اند. باید نیازشان را بفهمید و داده را با قالب و کیفیتی که لازم دارند و به‌موقع تحویل دهید.

نتیجه‌گیری کلی

این آگهی نشان می‌دهد دادهٔ مصنوعی برای مدل‌های زبانی بیشتر کار مهندسی داده و inference در مقیاس است تا پژوهش نظری: Python، data pipeline، Spark یا Beam، تجربه با LLM و vLLM. شرکت در شرح نقش آن را «Senior Machine Learning Engineer specializing in synthetic data» می‌نامد. هیچ سال سابقه‌ای ننوشته و تجربه با LLM از راه پروژهٔ شخصی را هم قبول می‌کند، هرچند عنوان Senior است و بازهٔ حقوق پایه برای تورنتو و مونترال ۲۹۵ تا ۵۳۵ هزار دلار کانادا اعلام شده. آگهی از نوامبر ۲۰۲۵ باز مانده است. برای آماده شدن، یک pipeline تولید داده با vLLM بسازید که روی دادهٔ وب یا کد کار کند و اثرش را با ablation روی یک مدل کوچک نشان دهید.

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 در نظرسنجی «متخصصان AI و یادگیری ماشین» را سومین شغل پررشد (از نظر درصد) تا ۲۰۳۰ دانسته‌اند. گروه رسمی جداگانه‌ای برای دادهٔ مصنوعی وجود ندارد و این نزدیک‌ترین گروه به عنوان‌هایی مثل Machine Learning Engineer, Synthetic Data است.

منبع: WEF Future of Jobs Report 2025

مهارت‌های نوظهور که باید یاد بگیرید

طراحی verifier و جلوگیری از reward hacking در دادهٔ یادگیری تقویتی (SpaceXAI و Snorkel AI)دادهٔ مصنوعی برای ایجنت‌ها: مسیرهای استفاده از ابزار، گفت‌وگوی چندمرحله‌ای و محیط اجرایی (NVIDIA)post-train کردن world model برای تولید داده (Wayve)بازسازی صحنه از دادهٔ حسگر واقعی با NuRec، 3D Gaussian Splatting و NeRF (NVIDIA)دادهٔ مصنوعی چندوجهی: تصویر، سند، ویدیو و صدا (NVIDIA)LLM-as-judge و ارزیاب‌های سفارشی (Snorkel AI)de-identification دادهٔ عملیاتی شرکت‌ها برای مجوزدهی به آزمایشگاه‌ها (Tonic.ai)

پیش‌بینی‌های آینده

2030

در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده در نظرسنجی «متخصصان AI و یادگیری ماشین» را در میان سریع‌ترین شغل‌های در حال رشد تا ۲۰۳۰ (از نظر درصد) قرار داده‌اند؛ رتبهٔ سوم در فهرست این گزارش.

2032

Villalobos و همکاران در مقالهٔ «Will we run out of data?» برآورد کرده‌اند اگر روند فعلی ادامه یابد، اندازهٔ دادهٔ آموزشی مدل‌های زبانی بین ۲۰۲۶ تا ۲۰۳۲ به اندازهٔ کل متن عمومی تولیدشده به دست انسان می‌رسد، و تولید دادهٔ مصنوعی را یکی از راه‌های ادامهٔ پیشرفت پس از آن می‌دانند.

ریسک‌های واقعی

سه نکته از منابع پیداست. اول، دادهٔ مصنوعی محدودیت ذاتی دارد: Shumailov و همکاران نشان دادند استفاده از محتوای تولیدشده با مدل‌ها در آموزش به نقص‌های برگشت‌ناپذیر می‌انجامد و دنباله‌های توزیع اصلی از بین می‌روند (model collapse)؛ پس دادهٔ واقعی و ارزیابی روی آن کنار نمی‌رود. دوم، بازار ابزارها جابه‌جا می‌شود: Gretel، یکی از نام‌های شناخته‌شدهٔ این حوزه، طبق گزارش TechCrunch در مارس ۲۰۲۵ به NVIDIA فروخته شد، سایتش اکنون به صفحه‌ای در NVIDIA می‌رود و مخزن gretel-synthetics بایگانی شده است؛ اصول را یاد بگیرید و به یک ابزار وابسته نشوید. سوم، ورود سخت است: آگهی‌هایی که سابقه را مشخص کرده‌اند از سه سال پیشینهٔ پژوهشی همراه با دکترا یا معادل آن تا پانزده سال سابقه می‌خواهند.

منابع

اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۵۰ منبع بررسی شده است.

برای راهنمایی شخصی‌سازی‌شده مشاوره بگیرید