مهندس یادگیری ماشین Embedded (TinyML)
Embedded ML Engineer (TinyML)
مهندس یادگیری ماشین Embedded (TinyML) مدل‌های یادگیری ماشین را طوری می‌سازد، فشرده می‌کند و در firmware جا می‌دهد که روی خود میکروکنترلر اجرا شوند: تراشه‌هایی مثل ARM Cortex-M یا RISC-V که حافظه‌شان به گفتهٔ مستندات TensorFlow Lite for Microcontrollers در حد چند ده تا چند صد کیلوبایت است و کم‌مصرف‌اند. TinyML سر میکروکنترلری Edge AI است؛ Edge AI دستگاه‌های قوی‌تری مثل گوشی و دوربین هوشمند با NPU را هم در بر می‌گیرد. کار روزمره سه بخش دارد: گرفتن و پردازش دادهٔ حسگر (IMU، میکروفون، لرزش)، آموزش و quantization مدل‌های کوچک، و نوشتن C/C++ برای اجرای آن روی RTOS یا bare-metal. عنوان «TinyML Developer» در آگهی‌های ۲۰۲۶ دیده نمی‌شود. کارفرمایان همین کار را AI / Embedded ML Engineer (E-Space)، Embedded Machine Learning Engineer (Apple و 42 Technology)، Staff Firmware Engineer, AI Native (Life360) یا Embedded Applications Engineer در TinyML Lab شرکت Renesas می‌نامند. به همین دلیل نام این صفحه از «توسعه‌دهنده TinyML» به عنوان رایج بازار تغییر کرده است.
مقدمه و تعریف شغل
این مهندس یادگیری ماشین را به کوچک‌ترین رایانه‌های دنیا می‌برد: میکروکنترلرهایی که داخل ردیاب، دستبند سلامت، حسگر صنعتی یا لوازم خانگی‌اند. ویکی‌پدیا TinyML را شاخه‌ای از یادگیری ماشین تعریف می‌کند که روی استقرار و اجرای مدل روی سیستم‌های embedded کم‌مصرف و محدود مثل میکروکنترلرها تمرکز دارد. در عمل این شغل دو نیمه دارد که هر دو باید قوی باشند: نیمهٔ firmware (C/C++، RTOS، driver حسگر، دیباگ سخت‌افزار) و نیمهٔ ML (داده، آموزش، quantization). خروجی کار مدلی است که بدون اتصال دائمی به ابر، روی خود دستگاه تصمیم می‌گیرد.
اصطلاح TinyML طبق ویکی‌پدیا در ۲۰۱۹ با انتشار کتاب TinyML نوشتهٔ Pete Warden و Daniel Situnayake و تأسیس TinyML Foundation رایج شد. مقالهٔ معرفی TensorFlow Lite Micro، که Warden و Vijay Janapa Reddi هم از نویسندگانش هستند، مسئلهٔ اصلی را این‌طور توضیح می‌دهد: پردازنده‌های embedded در توان محاسبه، حافظه و مصرف توان دست‌کم ۱۰۰ تا ۱۰۰۰ برابر با نزدیک‌ترین همتای موبایل‌شان تفاوت دارند و مدل باید در چند کیلوبایت حافظه کار کند. در ۲۰۲۰ دانشکدهٔ مهندسی Harvard با HarvardX و تیم TensorFlow گوگل برنامهٔ گواهی TinyML را راه انداخت. جامعهٔ tinyML حالا با نام EDGE AI FOUNDATION دامنهٔ گسترده‌تری دارد و کارش را «از tinyML تا AI عاملی، AI فیزیکی و محاسبات نورومورفیک» تعریف می‌کند. در بازار کار ۲۰۲۶ هم این تخصص زیر عنوان‌های Embedded ML و firmware استخدام می‌شود، نه زیر عنوان TinyML.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک مهندس یادگیری ماشین Embedded (TinyML)
رابط صوتی روی تراشهٔ زیر یک دلار
Pete Warden در ژوئیهٔ ۲۰۲۶ Moonshine Micro را معرفی کرد: نسخه‌ای از چارچوب متن‌باز Moonshine Voice که به گفتهٔ خودش با ۵۲۰ کیلوبایت RAM یک رابط صوتی کاربردی اجرا می‌کند، شامل تشخیص فعالیت صدا، تبدیل گفتار به متن و متن به گفتار، با نمونه‌ای روی تراشهٔ ۸۰ سنتی Raspberry Pi RP2350.
هوش روی ردیاب‌های باتری‌دار
Life360 در آگهی‌اش می‌گوید firmware ردیاب‌های Tile و Pet GPS روی صدها هزار دستگاه اجرا می‌شود و حالا اولین قابلیت ML روی دستگاه را عرضه می‌کند: پردازش دادهٔ چند حسگر روی خود دستگاه، بلادرنگ و با بودجهٔ محدود توان و حافظه.
الگوریتم‌های سلامت روی دستبند
تیم Edge ML در WHOOP الگوریتم‌های پردازش سیگنال و ML را که تیم Sensor Intelligence با Python یا MATLAB ساخته به C/C++ بهینه روی پلتفرم‌های embedded دستگاه‌های WHOOP منتقل می‌کند و ثابت می‌کند نسخهٔ روی دستگاه از نظر عددی همان خروجی را می‌دهد.
حسگری غیربصری در صنعت و خودرو
آزمایشگاه TinyML شرکت Renesas داده‌های صوتی، لرزش و جریان موتور را از موتورهای صنعتی، سیستم‌های خودرو و دستگاه‌های مصرفی ثبت می‌کند و مدل‌های quantizeشده را روی میکروکنترلرهای Cortex-M و RA اجرا می‌کند.
مدل کوچک روی دستگاه در کنار LLM
E-Space از مهندس Embedded ML می‌خواهد معماری ترکیبی طراحی کند: مدل سبک روی دستگاه کار اولیه را انجام دهد و کارهای سنگین‌تر به LLM در ابر یا edge سپرده شود، با سنجیدن تأخیر، دقت و توان هر دو مسیر.
تشخیص کلمه در حد چند کیلوبایت
طبق صفحهٔ کتاب TinyML، تیم Google Assistant می‌تواند کلمه‌ها را با مدلی فقط ۱۴ کیلوبایتی تشخیص دهد که روی میکروکنترلر جا می‌شود. پروژه‌های کتاب هم تشخیص گفتار، دوربین تشخیص فرد و «عصای جادویی» حساس به حرکت است.
تخصص‌های مختلف مهندس یادگیری ماشین Embedded (TinyML)
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
صوت و گفتار
Audio & Voice
تشخیص کلمهٔ فرمان، تشخیص فعالیت صدا و صدای محیط روی تراشه‌های کوچک؛ از نمونهٔ micro_speech در TFLM تا Moonshine Micro که Pete Warden برای رابط صوتی روی RP2350 منتشر کرده است.
حرکت و حسگرهای پوشیدنی
Motion & Wearable Sensing
مدل روی دادهٔ IMU و حسگرهای فیزیولوژیک در دستبند، ردیاب و دستگاه پوشیدنی؛ کاری که WHOOP، Life360 و E-Space در آگهی‌هایشان توصیف کرده‌اند.
حسگری غیربصری صنعتی
Industrial Non-Visual Sensing
تشخیص ناهنجاری و وضعیت دستگاه از روی لرزش، صدا و جریان موتور، با DSP سنگین پیش از مدل؛ تمرکز آزمایشگاه TinyML شرکت Renesas و ابزار Reality AI آن.
بینایی کوچک
Tiny Vision
تشخیص حضور فرد یا شیء با دوربین ارزان روی میکروکنترلر؛ نمونهٔ person_detection در TFLM، کتابخانهٔ ESP-DL و پژوهش MCUNet در MIT نمونه‌های آن‌اند.
ابزار سازندگان تراشه و NPU
Silicon Vendor Tooling & NPUs
کار در شرکت سازندهٔ تراشه روی SDK، کامپایلر و مدل‌های مرجع: Innatera برای پردازندهٔ نورومورفیک خود مهندس SDK می‌خواهد، Nordic مدل‌های Neuton و NPU Axon را ارائه می‌کند و ST مجموعهٔ مدل مرجع برای STM32 دارد.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
TinyML سر میکروکنترلری طیف Edge AI است. به نوشتهٔ Daniel Situnayake، دستگاه‌های edge از سیستم‌های قوی با GPU تا میکروکنترلرهای بسیار کم‌مصرف را در بر می‌گیرند و گوشی و رایانه‌هایی شبیه Raspberry Pi سر بالای این طیف‌اند. آگهی Staff Embedded ML Engineer در SimpliSafe، با وجود عنوان Embedded ML، دربارهٔ دوربین و زنگ در با CPU، DSP، NPU و GPU است و از TensorRT نام می‌برد. در TinyML، Life360 از قطعه‌ای در حد Cortex-M «با چند کیلوبایت حافظهٔ اضافه» حرف می‌زند و ابزارها TFLite Micro و CMSIS-NNاند.
این نزدیک‌ترین شغل است و اغلب نقطهٔ ورود. مهندس firmware driver، RTOS، توان و OTA را می‌سازد؛ مهندس Embedded ML همهٔ این‌ها به‌علاوهٔ داده، آموزش و quantization مدل را. Life360 همین را صریح نوشته: نقش «کامل firmware است، نه فقط ML» و وقتی کار ML کم است، کار عادی firmware انجام می‌شود.
مهندس یادگیری ماشین معمولاً روی سرور یا ابر کار می‌کند و با محدودیت حافظه در حد کیلوبایت سروکار ندارد. آگهی TinyML Lab شرکت Renesas صریحاً از کسانی که فقط سابقهٔ Cloud AI، علم داده، GenAI یا LLM دارند خواسته درخواست ندهند. مدل‌های پیش‌آموخته هم کمتر به کار می‌آیند: به نوشتهٔ Situnayake، چون حسگر و محل نصب هر دستگاه دادهٔ متفاوتی تولید می‌کند، معمولاً برای هر کاربرد مدل اختصاصی آموزش داده می‌شود.
مهندس الگوریتم الگوریتم را در محیط مرجع (Python، MATLAB) طراحی و اعتبارسنجی می‌کند؛ مهندس Embedded ML آن را روی دستگاه اجرا می‌کند. در WHOOP این دو تیم جدا هستند: Sensor Intelligence الگوریتم را می‌سازد و Edge Algorithm Integration Engineer آن را به C/C++ بهینه روی دستگاه‌های WHOOP می‌برد.
تأثیر در صنایع مختلف
مهندس یادگیری ماشین Embedded (TinyML) در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
دستگاه‌های پوشیدنی و سلامت
اجرای الگوریتم‌های پردازش سیگنال و ML روی دستگاه‌های پوشیدنی WHOOP؛ 42 Technology در آگهی Embedded ML خود تجربه با استاندارد نرم‌افزار تجهیزات پزشکی IEC 62304 را امتیاز دانسته
ردیاب و دستگاه مصرفی متصل
پردازش دادهٔ چند حسگر روی ردیاب‌های Tile و Pet GPS بدون خالی کردن باتری (Life360)
صنعت و تولید
ثبت لرزش، صدا و جریان موتور و اجرای مدل روی میکروکنترلر برای پایش دستگاه‌ها (آزمایشگاه TinyML شرکت Renesas)
خودرو
حسگری غیربصری روی سیستم‌های خودرو در همان آزمایشگاه Renesas؛ Innatera هم خودرو را یکی از بازارهای پردازندهٔ نورومورفیک خود نام برده
اینترنت اشیا و فضا
مدل‌های سبک روی دستگاه‌های IoT متصل به شبکهٔ ماهواره‌ای مدار پایین، همراه با LLM در ابر (E-Space)
رباتیک و لوازم جانبی
تبدیل الگوریتم‌های ML به کد کم‌مصرف برای تراشه‌های اختصاصی و میکروکنترلرها در تیم رباتیک iOS شرکت Apple
نیمه‌هادی
سازندگانی مثل Renesas، Nordic، ST و Espressif برای تراشه‌های خود ابزار، کتابخانه و مدل مرجع ML منتشر می‌کنند و Renesas و Innatera برای همین کار مهندس استخدام می‌کنند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
TinyML یعنی گرفتن یک مدل بزرگ و کوچک کردنش
Daniel Situnayake در مقالهٔ nn to cpp می‌نویسد در edge نمی‌توان به مدل‌های پیش‌آموخته تکیه کرد، چون حسگر، کالیبراسیون و محل نصب هر دستگاه دادهٔ متفاوتی می‌سازد؛ برای همین معمولاً برای هر کاربرد مدل اختصاصی آموزش داده می‌شود و مدل پیش‌آموخته بیشتر به‌عنوان استخراج‌کنندهٔ ویژگی به کار می‌رود. MCUNet در MIT هم، طبق مخزن خودش، جستجوی معماری (TinyNAS) و موتور inference (TinyEngine) را با هم طراحی می‌کند تا در بودجهٔ تنگ حافظهٔ میکروکنترلر جا شوند.
quantization هزینه‌ای ندارد
به نوشتهٔ Situnayake، فشرده‌سازی همیشه کمی از دقت را می‌گیرد. quantization از ۳۲ به ۸ بیت معمولاً حجم را حدود چهار برابر کم می‌کند و ممکن است افت کمی داشته باشد، اما مدل روی نمونه‌های کم‌تکرار بیشتر «فراموش» می‌کند؛ پس مدل فشرده را باید با همان معیارهای مدل اصلی دوباره سنجید.
Edge AI و TinyML یکی‌اند
TinyML یک سر طیف Edge AI است. EDGE AI FOUNDATION، که جامعهٔ tinyML با این نام دامنه‌اش را گسترده کرده، کارش را «از tinyML تا AI عاملی، AI فیزیکی و محاسبات نورومورفیک» تعریف می‌کند، و آگهی‌های Edge مثل SimpliSafe روی دوربین با NPU و Linux کار می‌کنند، نه میکروکنترلر.
کافی است ML بلد باشید؛ firmware را تیم دیگری می‌نویسد
آگهی‌ها عکس این را می‌گویند. Life360 نوشته «اول مهندس firmware هستید، بعد متخصص Edge ML» و هر دو نیمه را «غیرقابل مذاکره» دانسته؛ Renesas هم C/C++ برای میکروکنترلر، driver های SPI و I2C و دیباگ با اسیلوسکوپ را شرط کرده است.
یک دورهٔ آنلاین TinyML برای استخدام کافی است
دوره‌ها، مثل برنامهٔ HarvardX یا دوره‌های Edge Impulse، پایهٔ خوبی می‌دهند، اما آگهی‌ها سابقهٔ کار می‌خواهند: E-Space دست‌کم ۲ سال ML در embedded یا edge، و Life360 برای سطح Staff تجربهٔ استقرار ML روی میکروکنترلر «در محصولی که عرضه شده، نه پروژهٔ درسی یا PoC یک‌باره». پروژه‌های شخصی روی بُرد واقعی با بنچمارک منتشرشده نزدیک‌ترین جایگزین است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
ورودی (۰–۲ سال)
در آگهی‌های بررسی‌شده نقش تازه‌کار مستقیم پیدا نشد؛ در این سطح احتمالاً با عنوان مهندس firmware یا embedded کار می‌کنید و بخش ML را کم‌کم بر عهده می‌گیرید. وقت زیادی پای بُرد، datasheet و ابزار دیباگ می‌گذرد.
- ◆نوشتن یا اصلاح driver یک حسگر و بررسی سیگنال‌هایش با logic analyzer
- ◆اجرای یک مدل آموزش‌دیده روی بُرد و ثبت حافظه، تأخیر و دقت در یک جدول
- ◆جمع‌آوری و برچسب‌زنی دادهٔ حسگر برای آموزش مدل بعدی
- ◆رفع باگ‌های firmware و نوشتن تست واحد برای کد embedded
میانی (۲–۵ سال)
مالک کل مسیر یک قابلیت هستید، از داده تا firmware، و با تیم‌های سخت‌افزار و داده مرتب هماهنگ می‌کنید.
- ◆طراحی ویژگی‌های DSP و آموزش و مقایسهٔ چند معماری کوچک
- ◆quantization مدل و مقایسهٔ دقت نسخهٔ INT8 با نسخهٔ float
- ◆ادغام inference در task های RTOS بدون به‌هم‌زدن زمان‌بندی و مصرف توان
- ◆نوشتن مستند تصمیم‌ها و بنچمارک‌ها و پشتیبانی در راه‌اندازی بُرد و تست میدانی
ارشد و Staff (۵+ سال)
کمتر روی یک مدل و بیشتر روی پلتفرم و تصمیم‌های بین تیم‌ها کار می‌کنید: کدام runtime، چه قالب مدلی، چه بودجهٔ حافظه و flash، و چطور مدل را از راه دور به‌روز کنیم.
- ◆طراحی چارچوب inference مشترک برای چند دستگاه و تعیین بودجهٔ حافظه و flash
- ◆ریشه‌یابی خطای یک دستگاه در میدان از روی log آن
- ◆بازبینی کد و طراحی، و بالا بردن سطح embedded ML تیم با pairing
- ◆کار با مشتری یا تیم محصول روی نمونهٔ اولیه و انتخاب تراشه
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت خط لولهٔ دریافت داده از حسگرها (IMU، شتاب‌سنج، ژیروسکوپ، میکروفون) و پاک‌سازی، برچسب‌زنی و هم‌زمان‌سازی آن
- ◈آموزش مدل‌های کوچک برای classification، anomaly detection و پردازش سیگنال، متناسب با سخت‌افزار مقصد
- ◈کوچک‌کردن مدل با quantization، pruning و knowledge distillation و سنجیدن افت دقت بعد از هر مرحله
- ◈ادغام inference در firmware نوشته‌شده با C/C++ روی RTOS (Zephyr، FreeRTOS) یا bare-metal با TFLite Micro، CMSIS-NN یا ExecuTorch
- ◈اندازه‌گیری و بهینه‌سازی حافظه، flash، مصرف توان و تأخیر روی سخت‌افزار واقعی
- ◈انتقال الگوریتم‌های مرجع Python یا MATLAB به C/C++ و اثبات هم‌ارزی عددی دو نسخه
- ◈دیباگ مشکلات بین لایه‌های مدل، firmware و سخت‌افزار با اسیلوسکوپ، logic analyzer و JTAG و از روی log دستگاه‌های میدانی
- ◈همکاری با تیم‌های سخت‌افزار، firmware و data science برای انتخاب تراشه، تعریف رابط‌ها و مستندسازی تصمیم‌ها و بنچمارک‌ها
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک مهندس یادگیری ماشین Embedded (TinyML) موفق به آن‌ها نیاز دارد
مهارت‌های Embedded و firmware
کد با حافظهٔ ایستا، بدون تکیه بر تخصیص پویا؛ مقالهٔ TFLM می‌گوید سازندگان اغلب تخصیص پویای حافظه و حافظهٔ مجازی را از این سیستم‌ها حذف می‌کنند
Zephyr و FreeRTOS در آگهی‌های Life360، Renesas و E-Space آمده‌اند
SPI، I²C، UART، DMA و interrupt و نوشتن driver از روی datasheet
اسیلوسکوپ، logic analyzer و JTAG/SWD
هدف‌های اصلی میکروکنترلری در آگهی‌های E-Space، Renesas و WHOOP
اندازه‌گیری مصرف، حالت‌های sleep و بودجه‌بندی RAM و flash
به‌روزرسانی امضاشده و قابل بازگشت و secure boot؛ در فهرست امتیازهای Life360
مهارت‌های ML و پردازش سیگنال
PyTorch، TensorFlow یا scikit-learn برای آموزش و تحلیل داده
INT8، quantization حین آموزش، pruning و distillation، و سنجش افت دقت
TFLite Micro، CMSIS-NN، Edge Impulse، ExecuTorch
FFT، تحلیل طیفی، فیلتر و استخراج ویژگی
جمع‌آوری، پاک‌سازی، هم‌زمان‌سازی و برچسب‌زنی دادهٔ IMU، میکروفون و حسگرهای دیگر
تبدیل کد مرجع Python یا MATLAB و اثبات هم‌ارزی عددی (WHOOP)
در فهرست فناوری‌های آگهی WHOOP
مهارت‌های نرم و کاری
دیدن وابستگی‌ها بین مدل، firmware، حسگر و ابر و پیدا کردن مقصر در لایهٔ درست
انتخاب بین دقت، توان، حافظه و تأخیر؛ Life360 مالکیت همین trade-off ها را می‌خواهد
کار با سخت‌افزار، firmware، data science و محصول
ثبت تصمیم‌های طراحی، تنظیمات خط لوله و بنچمارک‌ها (E-Space و Life360)
Life360 استفادهٔ روزانه از ابزارهایی مثل Claude Code یا Cursor و بازبینی دقیق خروجی آن‌ها را شرط کرده
در نقش‌های مشاوره‌ای و سازندهٔ تراشه (42 Technology و Renesas)
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به مهندس یادگیری ماشین Embedded (TinyML)
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایهٔ Embedded: زبان C/C++، میکروکنترلر و RTOS
در آگهی‌های این حوزه، بخش firmware شرط اول است، نه بخش ML. Life360 صریحاً نوشته «اول مهندس firmware هستید، بعد متخصص Edge ML» و C/C++ عمیق برای embedded، تسلط بر درونیات RTOS (Zephyr یا FreeRTOS)، کار با SPI/I²C/UART، DMA و interrupt و دیباگ با اسیلوسکوپ، logic analyzer و JTAG را خواسته است. Renesas هم C/C++ برای میکروکنترلرهای محدود، bare-metal یا RTOS و نوشتن driver های SPI، I2C، UART و CAN را شرط کرده. با یک بُرد ارزان شروع کنید و تا وقتی driver یک حسگر را از روی datasheet ننوشته‌اید، سراغ مدل نروید.
یادگیری ماشین برای دادهٔ حسگر و پردازش سیگنال
مدل‌های این شغل بیشتر روی دادهٔ حسگر کار می‌کنند تا متن و عکس اینترنتی. E-Space توسعه و آموزش مدل برای classification، regression، anomaly detection و پردازش سیگنال، و تسلط بر Python با PyTorch، TensorFlow یا scikit-learn را خواسته و استخراج ویژگی با FFT، filter bank و wavelet را امتیاز دانسته است. Renesas طراحی خط لولهٔ استخراج ویژگی DSP (FFT، تحلیل طیفی، فیلتر) را جزو کار اصلی آورده. Daniel Situnayake از Edge Impulse هم در وبلاگش می‌نویسد یادگیری DSP پایه به مهندس ML برای کار با سری‌های زمانی پرفرکانس «ابرقدرت» می‌دهد.
فشرده‌سازی مدل: quantization، pruning و distillation
آگهی E-Space اعمال quantization، pruning و knowledge distillation برای کم کردن حجم مدل و تأخیر را جزو کار روزمره آورده و Life360 هم quantization و pruning را شرط کرده است. به نوشتهٔ Situnayake، quantization از ۳۲ به ۸ بیت معمولاً حجم را حدود چهار برابر کم می‌کند و ممکن است افت دقت کمی داشته باشد، اما همیشه باید سنجیده شود؛ quantization زیر ۸ بیت معمولاً باید حین آموزش انجام شود، و pruning هنوز منتظر پشتیبانی کافی سخت‌افزار است. درس MIT 6.5940 همین مباحث و جلسه‌هایی دربارهٔ MCUNet و TinyEngine برای میکروکنترلر دارد.
استقرار روی میکروکنترلر: TFLite Micro، CMSIS-NN و Edge Impulse
اینجا مدل به کد داخل firmware تبدیل می‌شود. آگهی‌ها تقریباً همین فهرست را تکرار می‌کنند: E-Space از TensorFlow Lite Micro، Edge Impulse، ONNX Runtime و ExecuTorch نام برده، Life360 از TFLite Micro، CMSIS-NN و ExecuTorch، و Renesas از TFLite Micro، CMSIS-NN و eIQ روی ARM Cortex-M و تراشه‌های RA/RX/RL78 خودش. TensorFlow Lite for Microcontrollers طبق مستندات خودش برای bare-metal، DSP و میکروکنترلرهای با چند ده تا چند صد کیلوبایت حافظه طراحی شده و نمونه‌هایی مثل micro_speech و person_detection دارد. کتاب TinyML نوشتهٔ Pete Warden و Daniel Situnayake با پروژه‌های Arduino همین مسیر را قدم‌به‌قدم می‌رود.
از نمونهٔ اولیه تا محصول: توان، OTA، تست و تخصص
نقش‌های ارشد دربارهٔ محصولی‌اند که در میدان کار می‌کند. Life360 از مهندس می‌خواهد بودجهٔ حافظه و flash، به‌روزرسانی OTA مدل و قالب runtime را تعیین کند و خطاهای production را از روی log دستگاه‌ها ریشه‌یابی کند. WHOOP اثبات هم‌ارزی عددی بین نسخهٔ مرجع Python/MATLAB و نسخهٔ روی دستگاه و ساخت test harness و ابزار profiling را می‌خواهد. معیار MLPerf Tiny برای مقایسهٔ سخت‌افزار، به گفتهٔ مخزن خودش، روی میکروکنترلر، DSP و شتاب‌دهنده‌های کوچک با توان مصرفی زیر ۵۰ میلی‌وات تعریف شده است. یک حوزه (صوت، حرکت و حسگر پوشیدنی، لرزش صنعتی یا بینایی کوچک) را برای تخصص انتخاب کنید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
فریم‌ورک‌ها و runtime های اجرای مدل روی میکروکنترلر
runtime متن‌باز Google برای اجرای مدل روی bare-metal، DSP و میکروکنترلر؛ در آگهی‌های E-Space، Life360، Renesas و WHOOP نام برده شده
پلتفرم MLOps برای Edge AI که به نوشتهٔ Situnayake مدل را به C++ یا bytecode بهینه برای سخت‌افزار مقصد تبدیل می‌کند؛ در آگهی E-Space آمده و ثبت‌نام در دوره‌های Coursera آن رایگان است
runtime خود PyTorch که بخشی از مستنداتش به استقرار روی سیستم‌های embedded و میکروکنترلر اختصاص دارد؛ در آگهی‌های Life360، E-Space و Innatera آمده
بُرد، تراشه و ابزار سازندگان
بُرد آموزشی بر پایهٔ میکروکنترلر nRF52840 با حسگر حرکت، صدا، دما و رطوبت؛ Arduino آن را برای شروع embedded ML معرفی می‌کند
کتابخانهٔ یادگیری عمیق Espressif برای تراشه‌های ESP32؛ E-Space خانوادهٔ ESP32 را در کنار STM32 و NXP امتیاز دانسته
مجموعهٔ مدل‌های مرجع ST که برای میکروکنترلرهای STM32 بهینه شده‌اند، با اسکریپت آموزش مجدد، quantization و بنچمارک
مدل‌های بسیار کوچک Neuton که روی CPU تراشه‌های Nordic اجرا می‌شوند و NPU اختصاصی Axon
کتابخانه‌های بهینه‌سازی و DSP
مجموعهٔ kernel های بهینهٔ شبکهٔ عصبی Arm برای پردازنده‌های Cortex-M که از مشخصات quantization int8 و int16 در TFLite Micro پیروی می‌کند؛ در آگهی‌های Life360، Renesas و WHOOP آمده
کتابخانهٔ پردازش سیگنال Arm برای Cortex-M و Cortex-A، با توابع فیلتر و تبدیل‌هایی مثل FFT؛ WHOOP آن را در کنار CMSIS-NN نام برده
ابزار quantization و pruning برای مدل‌های Keras و TensorFlow پیش از تبدیل برای میکروکنترلر
RTOS، دیباگ و اندازه‌گیری
سیستم‌عامل بلادرنگی که پروژه‌اش زیر چتر Linux Foundation است؛ در آگهی‌های Life360، Renesas و E-Space آمده
debug probe برای اتصال JTAG/SWD به میکروکنترلر؛ دیباگ با JTAG در آگهی‌های Life360 و Renesas شرط است
logic analyzer برای دیدن سیگنال‌های SPI و I2C؛ Renesas «دیباگ سیگنال SPI/I2C با اسیلوسکوپ» را شرط کرده
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
ورود: مهندس embedded یا ML با پروژهٔ TinyML
۰ تا ۲ سال
در آگهی‌های بررسی‌شده نقش تازه‌کار باز پیدا نشد. کم‌ترین سابقهٔ اعلام‌شده در E-Space بود (۲ سال یا بیشتر، دست‌کم ۲ سال روی ML در embedded یا edge) و Apple برای Embedded Machine Learning Engineer کارشناسی با ۳ سال یا کارشناسی ارشد با ۲ سال تجربه می‌خواهد. یک آگهی سطح پایین‌تر Renesas (۲ تا ۳ سال) و کارآموزی Embedded AI همین شرکت در زمان بررسی بسته بودند. چون آگهی‌ها firmware را پایهٔ این شغل می‌دانند، راه محتمل ورود چند سال کار به‌عنوان مهندس firmware یا embedded همراه با پروژه‌های شخصی TinyML روی بُرد واقعی است.
Embedded ML Engineer
۲ تا ۵ سال
مالکیت کل مسیر برای یک محصول: گرفتن داده از IMU و میکروفون، آموزش مدل، quantization و pruning، ادغام inference در firmware روی RTOS یا bare-metal و اندازه‌گیری حافظه، توان و تأخیر. این تصویر آگهی AI / Embedded ML Engineer در E-Space است که بازهٔ حقوق ۱۵۰ تا ۲۲۵ هزار دلار را اعلام کرده است.
مهندس ارشد
۵ تا ۱۰ سال
انتقال الگوریتم‌های تیم پژوهش به دستگاه، رفع وابستگی‌های بین سیستم‌ها و ساخت ابزار تست و profiling (WHOOP، بازهٔ ۱۵۰ تا ۲۱۵ هزار دلار)، یا رهبری آزمایشگاه نمونه‌سازی، ساخت rig حسگر و تحویل PoC به مشتری (Renesas، ۷ تا ۱۲ سال یا بیشتر، بازهٔ ۱۳۹٫۵ تا ۱۸۵ هزار دلار).
Staff / Principal
۱۰+ سال
ساختن پلتفرم ML روی دستگاه برای کل محصولات شرکت و تعیین جهت فنی آن. Life360 برای Staff Firmware Engineer, AI Native بیش از ۱۰ سال تجربهٔ firmware و تجربهٔ استقرار ML روی سخت‌افزار در حد میکروکنترلر «در محصولی که عرضه شده، نه پروژهٔ درسی» را می‌خواهد و بازهٔ ۱۴۳ تا ۲۶۱٫۵ هزار دلار (در کانادا ۲۰۷ تا ۲۴۲٫۵ هزار دلار کانادا) اعلام کرده است.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
محدودیت شدید منابع
عمومیبه گفتهٔ مقالهٔ TensorFlow Lite Micro، پردازنده‌های embedded در توان محاسبه، حافظه و مصرف توان دست‌کم ۱۰۰ تا ۱۰۰۰ برابر با نزدیک‌ترین همتای موبایل تفاوت دارند و مدل و runtime باید در چند کیلوبایت حافظه کار کنند. ورودی، خروجی، runtime و خود firmware هم در همان حافظه جا می‌شوند.
تنوع سخت‌افزار و ابزار
عمومیهمان مقاله اکوسیستم embedded را «به‌شدت پراکنده» می‌داند و Situnayake می‌نویسد هر خانوادهٔ پردازنده دستورهای اختصاصی دارد، هر سازنده toolchain خودش را دارد و یک تغییر کوچک در stride یا اندازهٔ فیلتر می‌تواند کارایی را خیلی تغییر دهد. جابه‌جایی از یک تراشه به تراشهٔ دیگر کار ساده‌ای نیست.
دیباگ بین چند لایه
عمومیوقتی پیش‌بینی روی دستگاه غلط است، مقصر می‌تواند داده، quantization، runtime، driver حسگر یا سخت‌افزار باشد. Life360 و WHOOP هر دو ریشه‌یابی مشکل در مرز الگوریتم، firmware و سخت‌افزار را جزو کار اصلی آورده‌اند.
داده را باید خودتان بسازید
عمومیبرای حسگر خاص یک دستگاه، داده‌ای آماده در اینترنت نیست. Renesas از مهندس می‌خواهد rig حسگر بسازد و دادهٔ پرفرکانس را خودش ثبت کند و E-Space ساخت ابزار جمع‌آوری و نسخه‌بندی داده را جزو کار آورده است.
ورود سخت و آگهی‌های کم
عمومیعنوان یکسانی برای این کار نیست و در بررسی ما نقش تازه‌کار باز پیدا نشد؛ کم‌ترین سابقهٔ اعلام‌شده ۲ سال بود. levels.fyi هم در فهرست عنوان‌های مهندسی نرم‌افزار خود عنوانی برای TinyML یا Embedded ML ندارد. باید آگهی‌ها را با کلمه‌هایی مثل embedded ML، firmware، edge و on-device جستجو کنید.
دو تخصص هم‌زمان
استارتاپشرکتهای کوچک‌تر یک نفر را برای هر دو نیمه می‌خواهند و او باید وقتی کار ML کم است کار عادی firmware هم انجام دهد (Life360). در شرکت‌های سازندهٔ تراشه کار سخت‌افزاری فیزیکی، از لحیم‌کاری تا چاپ سه‌بعدی، هم اضافه می‌شود (Renesas).
حقوق و بازار کار جهانی
حقوق جهانی مهندس یادگیری ماشین Embedded (TinyML)
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- levels.fyi, updated Oct 22 2026, title Embedded Software Engineer (proxy: no salary source tracks a TinyML or embedded-ML title), total comp (sample 283): 25th–75th pct; median
- E-Space posting, AI / Embedded ML Engineer (Saratoga, 2+ years incl. 2 in embedded/edge ML), posted Apr 16 2026: salary range; median = midpoint
- Life360 posting, Staff Firmware Engineer, AI Native (remote Canada, titled Developer there, 10+ years firmware), posted Aug 3 2026: Canada salary range; median = midpoint
- levels.fyi, updated Oct 22 2026, title Embedded Software Engineer (proxy), total comp (sample 27): 25th–75th pct; median
- levels.fyi, updated Oct 22 2026, title Embedded Software Engineer (proxy), total comp (sample 18): 25th–75th pct; median
- levels.fyi, updated Oct 22 2026, title Embedded Software Engineer (proxy), total comp (sample 17): 25th–75th pct; median
- levels.fyi, updated Oct 22 2026, title Embedded Software Engineer (proxy), total comp (sample 13): 25th–75th pct; median
- levels.fyi, updated Oct 22 2026, title Embedded Software Engineer (proxy), total comp (sample 77): 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: Python و مبانی یادگیری ماشین
Python، NumPy و یک دورهٔ مقدماتی یادگیری عمیق؛ یک طبقه‌بند ساده روی دادهٔ حسگر آموزش دهید.
ماه ۲: اولین مدل روی بُرد
نمونه‌های hello_world و micro_speech مخزن TFLM را روی یک بُرد Arduino یا ESP32 اجرا کنید و حافظه و تأخیر را ثبت کنید.
ماه ۳: دورهٔ Edge Impulse
دوره‌های تخصص Edge AI for Microcontrollers را بگذرانید و یک پروژهٔ تشخیص حرکت با IMU بسازید.
ماه ۴: quantization و CMSIS
یک مدل را INT8 کنید، با CMSIS-NN اجرا کنید و دقت، حجم و سرعت را با نسخهٔ float مقایسه کنید.
ماه ۵: پروژهٔ لرزش یا صوت با DSP
پروژهٔ تشخیص ناهنجاری لرزش یا صدای محیط را با CMSIS-DSP و یک مدل کوچک کامل کنید.
ماه ۶: پورتفولیو و درخواست
برای هر پروژه README با جدول حافظه، توان و دقت و ویدیوی کوتاه از دستگاه بگذارید و برای نقش‌هایی با کلمه‌های embedded ML، firmware و edge درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
تشخیص کلمهٔ فرمان روی Arduino
مبتدینمونهٔ micro_speech از مخزن TensorFlow Lite for Microcontrollers را روی Nano 33 BLE Sense Rev2 اجرا کنید، بعد با دادهٔ صدای خودتان مدل را برای دو یا سه کلمهٔ فارسی دوباره آموزش دهید. در README حجم مدل، حافظهٔ مصرفی و دقت را قبل و بعد از quantization گزارش کنید.
تشخیص حرکت یا فعالیت با IMU
مبتدیدادهٔ شتاب‌سنج و ژیروسکوپ را خودتان جمع و برچسب بزنید (راه رفتن، نشستن، تکان دادن) و با Edge Impulse یا یک مدل کوچک Keras طبقه‌بندی کنید. این همان نوع داده‌ای است که E-Space، Life360 و WHOOP در آگهی‌هایشان نام برده‌اند.
تشخیص ناهنجاری لرزش موتور روی Cortex-M
متوسطیک موتور کوچک یا فن را با شتاب‌سنج instrument کنید، با CMSIS-DSP ویژگی FFT بگیرید و یک مدل کوچک anomaly detection را با CMSIS-NN روی میکروکنترلر اجرا کنید. کار تیم TinyML Lab شرکت Renesas دقیقاً همین نوع حسگری غیربصری روی موتور و دستگاه صنعتی است.
تشخیص حضور فرد با دوربین کوچک
متوسطنمونهٔ person_detection از TFLM یا کتابخانهٔ ESP-DL را روی یک بُرد ESP32-S3 با دوربین اجرا کنید و نرخ فریم، حافظه و دقت را در شرایط نوری مختلف بسنجید. یک نسخهٔ INT8 و یک نسخهٔ float را مقایسه کنید.
انتقال الگوریتم از Python به firmware با تست هم‌ارزی
پیشرفتهیک الگوریتم پردازش سیگنال و یک مدل کوچک را که در Python نوشته‌اید به C/C++ روی Zephyr منتقل کنید، تست خودکار هم‌ارزی عددی بین دو نسخه بنویسید، مصرف توان را با Power Profiler اندازه بگیرید و مسیر به‌روزرسانی OTA مدل را پیاده کنید. این پروژه دو شرط آگهی‌های ارشد را نشان می‌دهد: هم‌ارزی عددی (WHOOP) و OTA مدل (Life360).
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق صفحهٔ معرفی وبلاگش، مهندس و مدیرعامل شرکت Useful Sensors است.
طبق همان صفحه، از اعضای مؤسس تیم TensorFlow و نویسندهٔ کتاب TinyML است.
مسیر Warden نشان می‌دهد در یک حوزهٔ تازه، ساختن ابزار پایه و نوشتن آموزش برای دیگران می‌تواند به اندازهٔ ساختن یک محصول اثر بگذارد.
به گفتهٔ وبلاگ خودش، پیش‌تر در تیم TensorFlow Lite در Google AI کار می‌کرد و هم‌بنیان‌گذار Tiny Farms، یک شرکت پرورش حشرات، است.
اکنون Head of Machine Learning در Edge Impulse است و هم‌نویسندهٔ دو کتاب AI at the Edge و TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. در وبلاگش دربارهٔ edge AI و embedded machine learning می‌نویسد.
مسیر او از تیم runtime در یک شرکت بزرگ به سرپرستی ML در شرکت ابزارساز نشان می‌دهد شناخت عمیق یک ابزار پایه مثل TFLite Micro چقدر در این بازار کوچک قابل انتقال است.
طبق صفحهٔ دانشکدهٔ مهندسی Harvard (SEAS)، Gordon McKay Professor of Electrical Engineering در Harvard است.
طبق خبر Harvard SEAS در اوت ۲۰۲۰، SEAS با HarvardX و تیم TensorFlow گوگل اولین برنامهٔ گواهی حرفه‌ای Tiny Machine Learning را راه انداخت و او، که آن زمان دانشیار مهندسی برق بود، استاد هم‌مدرس آن است؛ برنامه‌ای که بر کار عملی با کیت TinyML و نمونه‌های واقعی صنعت تأکید دارد.
همکاری دانشگاه و صنعت در این حوزه زیاد است و آموزش‌های باز مثل همین برنامه برای کسی که از رشتهٔ دیگری می‌آید نقطهٔ شروع قابل اتکایی است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
AI / Embedded ML Engineer
تحلیل نیازمندی‌ها
2+ years of experience in machine learning engineering, with at least 2 years focused on embedded or edge ML
این کم‌ترین سابقه‌ای است که در آگهی‌های بررسی‌شده دیدیم، اما همان ۲ سال باید روی ML در embedded یا edge باشد، نه ML عمومی. اگر این سابقه را ندارید، پروژه‌های شخصی روی بُرد واقعی با بنچمارک منتشرشده تنها راه نشان دادن آن است.
ضروریStrong background in signal processing, sensor data handling, and real-time system constraints
مدل‌های این شغل روی دادهٔ حسگر کار می‌کنند. FFT، فیلتر و پنجره‌بندی را باید بلد باشید و بدانید محدودیت بلادرنگ یعنی خروجی باید در زمان مشخص آماده شود، نه «هر وقت شد».
ضروریHands-on experience with IMUs and other sensor types including accelerometers, gyroscopes, barometers, and microphones
کار عملی با حسگر واقعی، نه فقط dataset آماده. خواندن datasheet، تنظیم نرخ نمونه‌برداری و دیدن نویز و drift حسگر بخشی از کار است.
ضروریProficiency in Python for ML development using frameworks such as PyTorch, TensorFlow, or scikit-learn
آموزش مدل روی کامپیوتر انجام می‌شود، پس Python هنوز لازم است. یکی از این سه فریم‌ورک کافی است، اما چون TFLite Micro مدل‌های TensorFlow و LiteRT را اجرا می‌کند، آشنایی با TensorFlow در این شغل مزیت دارد.
ضروریExperience with C or C++ for embedded systems development
مدل در نهایت داخل firmware اجرا می‌شود. C/C++ برای embedded یعنی کار با حافظهٔ ثابت، اشاره‌گر و ثبات سخت‌افزار، نه فقط دانستن نحو زبان.
ضروریSolid understanding of model optimization techniques including quantization, pruning, and distillation
هستهٔ فنی شغل. در مصاحبه احتمالاً می‌پرسند یک مدل را چطور INT8 کردید و چقدر دقت از دست رفت. فرق quantization بعد از آموزش و حین آموزش را باید با مثال توضیح دهید.
ضروریExperience deploying models with at least one embedded ML framework such as TFLite Micro, Edge Impulse, or ONNX Runtime
یکی کافی است، به شرط اینکه تا انتها رفته باشید: تبدیل مدل، جا دادن در حافظه، اجرای روی بُرد و اندازه‌گیری. TFLite Micro و Edge Impulse هر دو منابع رایگان برای شروع دارند.
ضروریStrong understanding of memory-constrained and power-constrained environments
باید بدانید مدل، بافرهای ورودی و خروجی و firmware در RAM و flash چطور جا می‌شوند و هر تصمیم طراحی چه اثری بر مصرف باتری دارد.
ضروریExperience with RTOS platforms such as FreeRTOS or Zephyr
در این آگهی امتیاز است، اما در آگهی‌های Life360 و Renesas شرط. یاد گرفتن یکی از این دو، راه ورود به آگهی‌های بیشتری را باز می‌کند.
مهمFamiliarity with MCU families including NXP, STM32, ESP32, or similar
کار با دست‌کم یک خانوادهٔ میکروکنترلر و ابزارهای سازنده‌اش. بُردهای ارزان STM32 و ESP32 برای تمرین در دسترس‌اند.
مهمBackground in feature extraction techniques such as FFT, filter banks, and wavelet transforms
در دادهٔ صوتی و لرزش، ویژگی خوب اغلب از معماری پیچیده مهم‌تر است. CMSIS-DSP همین عملیات را برای Cortex-M پیاده کرده است.
مفیدExperience designing hybrid edge-LLM pipelines or integrating small language models on device
جهت تازه‌ای که در این آگهی دیده می‌شود: مدل کوچک روی دستگاه کار اولیه را انجام می‌دهد و LLM در ابر یا edge استدلال سنگین‌تر را. هنوز امتیاز است، نه شرط.
مفیدتحلیل مسئولیت‌ها
Design and build data ingestion pipelines from sensors including IMUs, accelerometers, gyroscopes, microphones, and other environmental sensors
کار از داده شروع می‌شود و دادهٔ آماده‌ای وجود ندارد. باید ابزاری بسازید که داده را از دستگاه بگیرد، ذخیره کند و برای آموزش آماده کند.
Handle raw sensor data: cleaning, labeling, synchronization, and storage
هم‌زمان‌سازی دادهٔ چند حسگر و برچسب‌زنی دقیق بخش بزرگ و کم‌دیده‌ای از کار است که کیفیت مدل مستقیم به آن بستگی دارد.
Select appropriate model architectures for each problem and hardware target
انتخاب معماری به سخت‌افزار بستگی دارد: مدلی که روی یک Cortex-M جا می‌شود ممکن است روی تراشهٔ دیگر جا نشود یا operator هایش پشتیبانی نشوند.
Optimize models for deployment on microcontrollers and edge processors such as ARM Cortex-M, RISC-V, and DSPs
همین جمله تعریف TinyML در این آگهی است. هدف‌ها میکروکنترلر و DSPاند، نه GPU یا NPU پرقدرت.
Apply quantization, pruning, and knowledge distillation to reduce model size and inference latency
سه ابزار اصلی کوچک‌سازی. در عمل quantization بیشترین استفاده را دارد و دو روش دیگر بسته به سخت‌افزار و پروژه به کار می‌آیند.
Integrate ML inference into embedded firmware written in C, C++, or Rust
مدل جدا از firmware زندگی نمی‌کند. باید inference را طوری در کد دستگاه جا دهید که با بقیهٔ کارها، مثل ارتباط بی‌سیم و خواندن حسگر، تداخل نکند.
Profile and optimize memory usage, power consumption, and real-time performance
اندازه‌گیری روی سخت‌افزار واقعی، نه تخمین. ابزار اندازه‌گیری توان و profiler بخش ثابت کار روزانه است.
Design hybrid architectures that combine on-device lightweight models with LLM-based reasoning
تصمیم دربارهٔ اینکه چه کاری روی دستگاه بماند و چه کاری به LLM برود. معیارها تأخیر، دقت و توان‌اند.
Work with RTOS environments such as FreeRTOS and Zephyr, as well as bare-metal firmware
باید هم با RTOS و هم بدون سیستم‌عامل کار کنید؛ بسیاری از میکروکنترلرهای کوچک‌تر bare-metal برنامه‌ریزی می‌شوند.
Provide technical support during hardware bring-up, system integration, and field testing
کار به آزمایشگاه محدود نیست. در راه‌اندازی بُرد جدید و تست میدانی حضور دارید و مشکلات را همان‌جا حل می‌کنید.
نتیجه‌گیری کلی
این آگهی تصویر کامل «مهندس Embedded ML» است: از گرفتن دادهٔ IMU و میکروفون تا مدل quantizeشده داخل firmware روی Cortex-M یا RISC-V، با اندازه‌گیری حافظه و توان. واژهٔ TinyML عنوان یکی از بخش‌های شرح وظایف است، نه عنوان شغل. بازهٔ اعلام‌شدهٔ ۱۵۰ تا ۲۲۵ هزار دلار برای ۲ سال سابقه از میانهٔ ۱۴۵ هزار دلاری کل درآمد Embedded Software Engineer در levels.fyi بالاتر است؛ البته این مقایسهٔ یک آگهی با میانهٔ یک عنوان کلی است، نه آمار این تخصص.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS برای این شغل آمار جداگانه ندارد. نزدیک‌ترین گروه رسمی، Software Developers همراه QA Analysts و Testers، طبق پیش‌بینی BLS از ۲۰۲۵ تا ۲۰۳۵ در آمریکا ۱۰٪ رشد می‌کند که «خیلی سریع‌تر از میانگین» است.
منبع: BLS Occupational Outlook Handbook
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان «متخصصان AI و یادگیری ماشین» را سومین و «متخصصان اینترنت اشیا (IoT)» را دهمین شغل پررشد از نظر درصد در فاصلهٔ ۲۰۲۵ تا ۲۰۳۰ دانسته‌اند. Embedded ML درست در محل تلاقی این دو گروه است.
BLS پیش‌بینی می‌کند اشتغال Software Developers، QA Analysts و Testers در آمریکا از ۲۰۲۵ تا ۲۰۳۵ ده درصد رشد کند و به‌طور میانگین سالانه حدود ۱۰۶ هزار فرصت شغلی در این گروه باز شود.
اولین ریسک دیده‌نشدن است: هیچ آگهی‌ای با عنوان TinyML Developer پیدا نشد، levels.fyi این تخصص را جدا نمی‌شمارد و حقوق جدول این صفحه از عنوان Embedded Software Engineer و چند آگهی گرفته شده است. دوم، ورود سخت است: نقش تازه‌کار باز پیدا نشد و آگهی‌های ارشد سابقهٔ محصول عرضه‌شده می‌خواهند. سوم، ابزارها و سخت‌افزار زود عوض می‌شوند: طبق مخزن LiteRT، بسته‌های TensorFlow Lite در حالت نگهداری‌اند و Google، LiteRT را ادامهٔ آن معرفی می‌کند؛ سازندگان تراشه هم NPU و ابزار اختصاصی خود را عرضه می‌کنند و جامعهٔ tinyML دامنه‌اش را به کل Edge AI گسترده کرده است. به نظر می‌رسد کسانی ماندگارترند که پایهٔ firmware قوی دارند و اصول، یعنی quantization، DSP و اندازه‌گیری دقیق روی سخت‌افزار، را مستقل از یک ابزار خاص بلدند.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۹ منبع بررسی شده است.
- AI / Embedded ML Engineer — E-Space (job posting)
- Staff Firmware Engineer, AI Native — Life360 (job posting)
- Sr. Staff Embedded Applications Engineer, TinyML Lab — Renesas (job posting)
- Senior Edge Algorithm Integration Engineer — WHOOP (job posting)
- Embedded Machine Learning Engineer, Wireless Technologies & Ecosystems — Apple (job posting)
- Embedded Machine Learning Engineer - Electronics and Software — 42 Technology (job posting)
- Staff Embedded ML Engineer, Edge AI — SimpliSafe (job posting)
- Senior NPU SDK Software Engineer — Innatera (job posting)
- levels.fyi — Embedded Software Engineer salaries, United States
- levels.fyi — Embedded Software Engineer salaries, Canada
- levels.fyi — Embedded Software Engineer salaries, United Kingdom
- levels.fyi — Embedded Software Engineer salaries, Germany
- levels.fyi — Embedded Software Engineer salaries, Netherlands
- levels.fyi — Embedded Software Engineer salaries, India
- BLS Occupational Outlook Handbook — Software Developers, Quality Assurance Analysts, and Testers
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- TinyML — Wikipedia
- About — EDGE AI FOUNDATION
- TensorFlow Lite for Microcontrollers (GitHub)
- TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems (arXiv)
- MLPerf Tiny Deep Learning Benchmarks for Embedded Devices (GitHub)
- TinyML Book — Pete Warden & Daniel Situnayake
- nn to cpp: What you need to know about porting deep learning models to the edge — Daniel Situnayake
- Launching Moonshine Micro — Pete Warden's blog
- About — Pete Warden's blog
- Daniel Situnayake's blog
- Harvard launches TinyML professional certificate — Harvard SEAS
- Tiny Machine Learning (TinyML) Professional Certificate — HarvardX (edX)
- Edge AI for Microcontrollers Specialization — Edge Impulse (Coursera)
- MIT 6.5940 Fall 2026: TinyML and Efficient AI Computing
- Edge AI — Nordic Semiconductor
- Embedded Systems — ExecuTorch documentation
- Reality AI Tools — Renesas
- STM32 AI Model Zoo (GitHub)
- Nano 33 BLE Sense Rev2 — Arduino Documentation
- LiteRT — google-ai-edge (GitHub)
- MCUNet: Tiny Deep Learning on IoT Devices — MIT HAN Lab (GitHub)
- Senior Embedded Applications Engineer, Tiny ML Lab — Renesas (expired posting)
- Embedded AI Intern — Renesas (expired posting)