توسعهدهنده TinyML
TinyML Developer
TinyML Developer متخصصی است که مدلهای یادگیری ماشین را برای اجرا روی میکروکنترلرهای کممصرف (در حد چند میلیوات و چند صد کیلوبایت RAM) بهینه و مستقر میکند. این نقش در تقاطع embedded engineering، edge AI و model compression قرار دارد؛ از تشخیص کلمه کلیدی در ایرپاد و keyword spotting در Alexa گرفته تا حسگرهای پیشبینی خرابی در کارخانهها و پوشیدنیهای سلامت از این تخصص بهره میبرند. در ۲۰۲۶ با انفجار IoT و push شرکتهایی مانند Arm، STMicroelectronics، Google و Edge Impulse، تقاضا برای TinyML Developer بهسرعت رشد میکند و حقوق میانگین ارشد آن در آمریکا به ۱۸۰هزار دلار رسیده است.
مقدمه و تعریف شغل
TinyML Developer متخصصی است که مدلهای یادگیری ماشین را برای اجرا روی سختافزارهای فوقالعاده محدود — میکروکنترلرهای با چند ده کیلوبایت RAM، چند صد کیلوبایت Flash و توان مصرفی در حد میلیوات — طراحی، بهینه و مستقر میکند. این نقش ترکیبی است از embedded engineering (دانش نزدیک به سختافزار)، deep learning (طراحی و train مدل) و optimization (فشردهسازی شدید). خروجی کار، محصولاتی است که بدون اتصال به cloud، با باتری ماهها کار میکنند و تصمیمهای هوشمند میگیرند.
تا سال ۲۰۱۸ تقریباً تمام inference مدلهای ML در data center یا حداقل گوشی هوشمند انجام میشد چون مدلها صدها مگابایت حجم داشتند. در ۲۰۱۹ Pete Warden و تیم TensorFlow اولین نسخه TFLite Micro را عرضه کردند و نشان دادند میتوان keyword spotting را در زیر ۲۰KB حافظه اجرا کرد. این آغاز جنبشی شد به نام TinyML. در ۲۰۲۰ Harvard و edX دوره CS249r را راهاندازی کردند، در ۲۰۲۱ MLCommons معیار MLPerf Tiny را تعریف کرد، و در ۲۰۲۳ Edge Impulse با ارزشگذاری ۳۴ میلیون دلار به یکی از اصلیترین platform های صنعت تبدیل شد. در ۲۰۲۶ با گسترش IoT صنعتی، wearables، خودروسازی و smart agriculture، تقاضا برای این تخصص با CAGR حدود ۳۲٪ در حال رشد است و انتظار میرود بازار آن تا ۲۰۳۰ به بیش از ۸ میلیارد دلار برسد.
چه چیزی میسازید؟
مثالهای واقعی از خروجی کار یک توسعهدهنده TinyML
Wake word detection روی دستیار صوتی
Amazon Alexa برای شنیدن کلمه «Alexa» از یک مدل TinyML همیشه روشن استفاده میکند که فقط چند میلیوات مصرف میکند. شما این نوع مدل را با MFCC و CNN کوچک میسازید.
حسگر پیشبینی خرابی موتور
ABB روی pump های صنعتی sensor هایی نصب میکند که با خواندن لرزش و مدل anomaly detection داخلی، ۳ هفته قبل از خرابی هشدار میدهند — بدون cloud.
Activity recognition در wearable
Fitbit با IMU و یک LSTM فشرده تشخیص میدهد کاربر در حال شنا، دویدن یا خواب است. مدل روی Nordic nRF52 با باتری چند روز کار میکند.
Vision در دوربینهای ارزان IoT
دوربینهای Wyze Cam با ESP32-S3 و MCUNet افراد را از حیوانات تشخیص میدهند بدون اینکه فریم را به ابر بفرستند — هم private تر و هم cheap تر.
تشخیص بیماری گیاهی در کشاورزی
John Deere در sensor های میدانی از مدل image classification روی STM32 استفاده میکند تا قارچزدگی برگ را همان لحظه تشخیص دهد.
Gesture recognition در electronics
Google Soli در Pixel با radar و مدل TinyML حرکات دست را تشخیص میدهد. شما همین تکنیک را با ToF یا IMU پیاده میکنید.
تخصصهای مختلف توسعهدهنده TinyML
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
TinyML صوتی
Audio TinyML
تخصص در keyword spotting، voice activity detection و audio classification. کارفرماهای اصلی: Amazon (Alexa)، Google، Syntiant، Sensory.
TinyML بینایی
Vision TinyML
مدلهای CNN فشرده برای person/object detection. شرکتهای پیشرو: Himax، Sony، MCUNet (MIT)، Useful Sensors.
نگهداری پیشبینانه صنعتی
Predictive Maintenance
anomaly detection روی vibration، current و دما. شرکتها: ABB، Siemens، Augury، Petasense.
پوشیدنیهای سلامت
Health Wearables
تحلیل ECG، PPG، EMG و گلوکز روی device. شرکتها: Apple، Fitbit، Movano، Empatica، Whoop.
کشاورزی هوشمند
Smart Agriculture
sensor های مزرعه برای تشخیص آفت، پیشبینی آبیاری و سلامت دام. شرکتها: John Deere، Bosch، Arable، CropX.
تفاوت با شغلهای مشابه
کجا این شغل تمام میشود و شغل دیگری شروع میشود؟
ML Engineer روی training و deploying مدل در cloud یا server کار میکند و معمولاً قیدهای حافظه و انرژی ندارد. TinyML Developer در دنیایی با ۲۵۶KB RAM و ۱۰ میلیوات بودجه انرژی زندگی میکند — هر اپراتور را باید دستی بهینه کند.
Embedded Engineer firmware و driver مینویسد اما لزوماً ML نمیداند. TinyML Developer هم firmware مینویسد، هم مدل train میکند و هم quantization میداند. این nexus دو حوزه را به هم وصل میکند.
Edge AI Engineer روی device هایی مثل Jetson Nano، Raspberry Pi و Coral TPU کار میکند که قدرت پردازشی بسیار بیشتری دارند. TinyML یک سطح پایینتر است — جایی که حتی Linux هم اجرا نمیشود.
DSP Engineer روی فیلتر، FFT و سیگنالهای آنالوگ تخصص دارد و معمولاً classical signal processing انجام میدهد. TinyML همان dataflow را با neural network جایگزین یا تکمیل میکند — این دو بهسرعت در حال ادغام هستند.
تأثیر در صنایع مختلف
توسعهدهنده TinyML در همه صنایع مشغول به کار است — نه فقط شرکتهای فناوری
بهداشت و درمان
پوشیدنیهای پایش ECG و گلوکز روی device بدون نیاز به cloud، حافظ حریم خصوصی بیمار و کارکرد ۲۴/۷ با باتری چند روزه
صنعت و تولید
predictive maintenance روی هزاران sensor در کارخانه — کاهش downtime تا ۵۰٪ بدون نیاز به شبکه قوی
کشاورزی
تشخیص بیماری گیاه از تصویر برگ روی sensor مزرعه، پایش رفتار دام، کنترل دقیق آبیاری با کمتر از ۱۰ میلیوات
خودروسازی
تشخیص خوابآلودگی راننده، classification صدای موتور برای cabin، sensor fusion برای ADAS سطح پایه
Smart Home
wake word روی speaker ها، تشخیص شکستن شیشه در دزدگیر، classification رفتار حیوان خانگی در دوربین
خردهفروشی
smart shelf با وزن و vision برای موجودی real-time، تحلیل ترافیک مشتری بدون cloud — حافظ حریم خصوصی GDPR
حمل و نقل
ردیابی container ها با IMU برای تشخیص ضربه، حسگرهای drowsiness در کامیون، تشخیص نشت در pipeline ها
محیط زیست
حسگرهای ضد شکار غیرقانونی با تشخیص صدای gunshot، پایش پرندهها از روی آواز، حسگرهای جنگل برای پیشبینی آتشسوزی
تصورات غلط رایج
قبل از تصمیمگیری، این باورهای اشتباه را بشناسید
TinyML یعنی فقط کوچک کردن مدل بزرگ
اشتباه رایج. مدل بزرگ بعد از quantization و pruning هم معمولاً جا نمیشود. TinyML از روز اول با محدودیت طراحی میشود — معماری های مخصوص مثل MobileNetV3، MCUNet و TinyEngine.
با Arduino و Python میتوان حرفهای کار کرد
برای prototype بله، اما محصول تجاری به C/C++ خالص، profiling دقیق و درک memory layout نیاز دارد. Python فقط برای training روی PC استفاده میشود.
Edge AI همان TinyML است
خیر. Edge AI روی Jetson Nano یا Coral TPU با چند گیگ RAM و Linux اجرا میشود. TinyML سطح پایینتر است — bare-metal MCU با چند ده KB RAM.
همه چیز باید روی device باشد
بهترین معماری اغلب hybrid است — wake word روی device، تحلیل عمیق در cloud. وظیفه TinyML developer انتخاب درست این مرز است.
Quantization همیشه دقت را خراب میکند
با Quantization-Aware Training افت دقت معمولاً زیر ۱٪ است. در بعضی موارد INT8 حتی بهتر از float32 generalize میکند چون نوعی regularization است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت روی dev board، یادگیری datasheet و debug پایه. هنوز در حال ساختن intuition سختافزاری و یادگیری ابزارها هستید.
- ◆صبح: standup ۱۵ دقیقه + بررسی PR firmware و log های دیشب از hardware in the loop
- ◆بلاک اول: deploy مدل جدید آموزشدیده توسط senior روی Arduino و اندازهگیری accuracy و latency
- ◆بعد از ناهار: debug با J-Link و logic analyzer برای حل مشکل I2C با sensor جدید
- ◆عصر: نوشتن unit test برای driver، تمیز کردن documentation و مطالعه فصل از کتاب TinyML
- ◆پایان روز: آپدیت Jira و commit کد
میانی (۲–۵ سال)
تعادل بین training مدل، optimization و firmware. خودتان pipeline داده تا deploy را میچینید و با تیم hardware و product تعامل دارید.
- ◆صبح: بررسی متریکهای energy و latency در آخرین build و مقایسه با targets
- ◆جلسه ۳۰ دقیقه با hardware team: انتخاب MCU مناسب برای محصول بعدی با توجه به BOM و قدرت
- ◆بلاک کدنویسی: اعمال QAT روی مدل audio و comparison با post-training quantization
- ◆بعد از ناهار: نوشتن custom operator در CMSIS-NN برای یک layer غیرمعمول
- ◆عصر: code review برای جونیور + نوشتن RFC برای تغییر معماری data pipeline
ارشد (۵+ سال)
تمرکز روی معماری کلان، تصمیمگیری سختافزار و رهبری فنی. کمتر کد مینویسید اما تصمیمهایتان روی BOM، power budget و timeline محصول اثر میگذارد.
- ◆صبح: بررسی benchmark MLPerf Tiny و مقایسه با رقبا، تعیین اولویتهای optimization
- ◆جلسه architecture review: تصمیمگیری روی hybrid edge-cloud برای محصول جدید
- ◆کدنویسی هدفمند: refactor بخش حساس inference loop برای ۲۰٪ سرعت بیشتر
- ◆بعد از ناهار: جلسه با ST یا Nordic FAE درباره custom silicon roadmap
- ◆عصر: منتورینگ ۱:۱، نوشتن paper برای tinyML Summit یا blog فنی
مسئولیتها و وظایف
مسئولیتهای اصلی
وظایف روزانه و مهارتهای مورد نیاز در این شغل
- ◈آموزش و بهینهسازی مدلهای ML برای اجرا روی MCU با کمتر از ۲۵۶KB RAM
- ◈اعمال quantization، pruning و knowledge distillation برای کوچکسازی مدل
- ◈نوشتن firmware با C/C++ برای integration مدل با sensor ها و actuator ها
- ◈اندازهگیری latency، throughput و مصرف انرژی روی hardware واقعی
- ◈طراحی pipeline داده برای data collection و labeling از sensor های میدانی
- ◈نوشتن custom operators در CMSIS-NN یا TFLite Micro برای موارد خاص
- ◈همکاری با تیم hardware برای انتخاب MCU و sensor مناسب پروژه
- ◈مستندسازی و انتقال دانش به تیم firmware و product
مهارتهای مورد نیاز
مهارتهای فنی، نرم و حوزهای که یک توسعهدهنده TinyML موفق به آنها نیاز دارد
مهارتهای فنی هسته
نوشتن firmware تمیز با درک عمیق pointer، memory map و bit manipulation روی MCU
دانش معماری M0/M4/M7، SIMD، FPU و memory hierarchy
تسلط بر INT8 quantization، QAT و mixed-precision برای کاهش حجم مدل
تبدیل مدل، memory planner، استفاده از op resolver و custom op
FFT، MFCC، windowing و filtering برای آمادهسازی ورودی audio و vibration
TensorFlow و PyTorch برای training و prototyping مدل قبل از deployment
کار با I2C، SPI، I2S برای IMU، microphone و camera
مهارتهای پیشرفته و Production
اندازهگیری دقیق مصرف انرژی با ابزارهایی مثل Otii و بهینهسازی sleep mode
آشنایی با FreeRTOS، Zephyr برای task scheduling و real-time constraints
طراحی مکانیزم امن آپدیت مدل از دور، rollback و signature verification
Pruning، knowledge distillation، NAS و TinyNAS برای کاهش بیشتر حجم
آشنایی با benchmark استاندارد صنعت برای مقایسه عملکرد
آموزش مدل روی device با حفظ حریم خصوصی داده
همکاری با تیم silicon برای طراحی accelerator مناسب workload
مهارتهای نرم
ارتباط با تیم hardware، product و firmware با زبان مشترک هر کدام
debug عمیق در یک محیط که سه لایه (مدل، runtime، hardware) میتوانند مقصر باشند
تصمیمگیری بین دقت، حجم، latency و power — هیچ پاسخ کاملاً درستی وجود ندارد
Train یک مدل embedded ممکن است ۱۰ بار تکرار شود قبل از رسیدن به هدف
نوشتن datasheet داخلی، API doc و BOM با ذکر هر assumption
دنبال کردن tinyML Summit، arXiv و انتشارات Arm و Google در این حوزه
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به توسعهدهنده TinyML
این مسیر گام به گام شما را از صفر تا حرفهای هدایت میکند.
پایه Embedded Systems و C/C++
یادگیری معماری میکروکنترلرها، نوشتن firmware با C/C++ و کار مستقیم با register ها — بدون این پایه، model deployment روی MCU ممکن نیست
Machine Learning و Deep Learning Fundamentals
یادگیری ML کلاسیک و شبکههای عصبی با Python و TensorFlow/PyTorch — هدف اینجا train کردن مدلهای کوچک قابل deployment است
Model Compression و Optimization
تکنیکهای هسته TinyML — quantization، pruning، knowledge distillation و neural architecture search — بدون اینها مدل در ۲۵۶KB RAM جا نمیشود
TensorFlow Lite Micro و Deployment روی MCU
تبدیل مدل آموزشدیده به فرمت قابل اجرا روی Arduino، ESP32، Nordic nRF و Arm Cortex-M — آشنایی با memory planner و custom operators
Production، DSP و تخصصیسازی
گذر از prototype به محصول — power profiling، sensor fusion، OTA updates و تخصصی شدن در حوزههایی مانند audio، vision یا predictive maintenance
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دستهبندیشده بر اساس اولویت
Frameworks ML برای Edge
Hardware و SDK ها
Libraries بهینهسازی
Development و Debugging
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارتهایی نیاز دارید و چه درآمدی انتظار داشته باشید
Junior TinyML Developer
۰ تا ۲ سال
~$85K
میانگین سالانه (آمریکا)
deploy مدلهای آماده روی dev board ها، نوشتن firmware ساده، کمک به data collection و labeling
TinyML Engineer میانی
۲ تا ۵ سال
~$135K
میانگین سالانه (آمریکا)
طراحی pipeline کامل از داده تا deployment، quantization و optimization، کار با sensor fusion
TinyML Senior Engineer
۵ تا ۸ سال
~$180K
میانگین سالانه (آمریکا)
معماری سیستمهای edge AI پیچیده، رهبری تیم firmware و ML، تصمیمگیری روی hardware
Principal / Staff TinyML Architect
۸+ سال
~$260K
میانگین سالانه (آمریکا)
تعریف roadmap فنی Edge AI شرکت، همکاری با silicon vendors، انتشار paper و patent
چالشها و جنبههای منفی
واقعیتهایی که کمتر در آگهیهای شغلی میبینید — قبل از ورود بدانید
محدودیت شدید حافظه
عمومیمدل، runtime، buffer ورودی و خروجی همه باید در چند ده KB جا شوند. هر byte اهمیت دارد و باید بین layer ها swap منطقی بچینید. این محدودیت قبلی شما در ML نبوده.
Debug بسیار سخت روی MCU
عمومینه stack trace کاملی دارید، نه print راحت. باید با logic analyzer، breakpoint و LED debug کنید. وقتی مدل اشتباه پیشبینی میکند، باید بین runtime، quantization و input pipeline شکار کنید.
هزینه silicon و BOM
شرکت بزرگدر محصول مصرفی، اضافه شدن ۵۰ سنت به BOM میتواند پروژه را غیراقتصادی کند. شما همیشه باید بین MCU بزرگتر یا مدل کوچکتر تصمیم بگیرید.
تنوع زیاد hardware
استارتاپهر MCU compiler، toolchain و quirk خود را دارد. کدی که روی STM32 کار میکند ممکن است روی ESP32 fail شود. portability یک کار تماموقت است.
data scarcity در domain
تحقیقاتیبرای wake word یا anomaly detection نمیتوانید از ImageNet استفاده کنید. باید خودتان داده جمع کنید، label بزنید و pipeline robust بسازید — این بخش بزرگی از کار است.
تعادل بین on-device و cloud
عمومیگاهی مدل کوچکتر روی device + post-processing در cloud بهتر از مدل بزرگتر تنها روی device است. تشخیص این مرز نیاز به تجربه و تفکر سیستمی دارد.
حقوق و بازار کار جهانی
حقوق جهانی توسعهدهنده TinyML
میانگین حقوق سالانه بر اساس تجربه در کشورهای مختلف
| کشور | میانه | ارز |
|---|---|---|
🇯🇵ژاپن | ¥12,500,000 | JPY |
🇮🇳هند | ₹3,000,000 | INR |
🇦🇪امارات | AED 250,000 | AED |
🇺🇸آمریکا | $185,000 | USD |
🇨🇭سوئیس | CHF 150,000 | CHF |
🇨🇦کانادا | CA$145,000 | CAD |
🇸🇬سنگاپور | SGD 140,000 | SGD |
🇬🇧انگلستان | £100,000 | GBP |
🇩🇪آلمان | €92,000 | EUR |
🇳🇱هلند | €92,000 | EUR |
* ارقام سالانه و تقریبی هستند و بر اساس میانگین بازار در سال ۲۰۲۵ محاسبه شدهاند.
چگونه از صفر شروع کنیم
برنامه گامبهگام برای ورود به مهندسی هوش مصنوعی
ماه ۱: Python و ML پایه
Python، NumPy، scikit-learn و TensorFlow پایه. هدف: train یک CNN ساده روی MNIST و understand کلی pipeline.
ماه ۲: C/C++ و Arduino
یادگیری C/C++ پایه با Arduino. کار با GPIO، UART و sensor ساده. هدف: blink LED با debounce.
ماه ۳: TFLite Micro و اولین مدل
deploy مدل classification ساده روی Arduino Nano 33 BLE Sense. ابتدا با مثالهای آماده Google و سپس مدل خودتان.
ماه ۴: Edge Impulse و کتاب TinyML
مطالعه کتاب Warden و کار با Edge Impulse برای یک پروژه audio classification (مثلاً تشخیص صدای سگ از گربه).
ماه ۵: Quantization و Optimization
تمرین QAT، profiling حافظه و کاهش حجم مدل. ساخت یک پروژه gesture recognition با IMU.
ماه ۶: پورتفولیو و apply
تمام پروژهها را در GitHub با video demo بگذارید. شروع به apply برای junior embedded ML role.
پروژههای پیشنهادی برای رزومه
Wake Word Detection روی Arduino
مبتدییک مدل keyword spotting بسازید که فقط با شنیدن کلمه «روشن» چراغی را روشن کند — تمام inference روی Arduino Nano 33 BLE انجام شود.
تشخیص حرکت با IMU
مبتدیمدل classification که با خواندن accelerometer و gyroscope، حرکات شخص (راه رفتن، دویدن، نشستن) را روی wearable تشخیص دهد.
Image Classification با OV7670
متوسطمدل CNN فشردهشده با MobileNetV2 که میوههای مختلف را با دوربین ارزان OV7670 روی STM32 تشخیص دهد — با INT8 quantization.
Predictive Maintenance با Vibration Sensor
پیشرفتهیک سیستم anomaly detection که از داده accelerometer روی موتور، خرابی قریبالوقوع را پیشبینی کند. مصرف انرژی زیر ۵ میلیوات باشد.
On-Device Person Detection
پیشرفتهمدل person detection با MCUNet که روی MCU با کمتر از ۵۱۲KB Flash اجرا شود — pipeline کامل از training تا OTA update.
مثالهای واقعی و Case Studies
داستانهای واقعی از مهندسانی که در این حوزه تأثیرگذار بودهاند
بنیانگذار Jetpac (خریداری شده توسط Google در ۲۰۱۴)، سپس Tech Lead پروژه TensorFlow Lite Micro در Google و در ۲۰۲۲ بنیانگذار Useful Sensors. کارشناسی Manchester، بدون دکترا.
اولین کسی بود که نشان داد میتوان keyword spotting را در زیر ۲۰KB حافظه روی Cortex-M0 اجرا کرد. کتاب TinyML در ۲۰۱۹ که genre جدیدی در صنعت ایجاد کرد. در Useful Sensors دستگاه «Person Sensor» را ساخت که با ۱ دلار قیمت، تشخیص چهره روی device انجام میدهد.
Warden نشان داد که هیجان واقعی هوش مصنوعی فقط در data center نیست — میتوان جنبشی جدید را با bottom-up engineering و کتاب باز شروع کرد. ساختن tooling برای دیگران (TFLite Micro) همانقدر impact دارد که ساختن مدل.
Associate Professor در MIT EECS و Distinguished Scientist در NVIDIA. دکترا از Stanford زیر نظر Bill Dally. پایهگذار آزمایشگاه HAN Lab در MIT.
ابداع تکنیک Deep Compression در ۲۰۱۶ که برنده بهترین مقاله ICLR شد و پایه quantization مدرن است. خالق MCUNet و TinyEngine که اولین بار vision را روی ۲۵۶KB MCU ممکن کرد. دوره MIT 6.S965 efficientml.ai مرجع آموزشی جهانی شده است. بنیانگذار OmniML (خریداری شده توسط NVIDIA در ۲۰۲۳).
Han نشان داد که efficient AI یک حوزه تحقیقاتی full-time است، نه یک optimization جانبی. ترکیب کار آکادمیک عمیق با open-source و startup مسیر impact حداکثری برای محقق AI است.
Head of Machine Learning در Edge Impulse و قبلاً Developer Advocate TensorFlow Lite در Google. بدون پیشزمینه آکادمیک سنتی، از طریق pragmatic engineering وارد TinyML شد.
همنویسنده کتاب TinyML با Pete Warden و کتاب AI at the Edge (O'Reilly 2023). در Edge Impulse رهبری team ای را به عهده دارد که platform اصلی آموزش embedded ML برای صدها هزار developer در جهان است.
Situnayake نمونه کلاسیک developer-advocate-turned-leader است. ساختن content آموزشی با کیفیت بالا در یک حوزه نوظهور (TinyML) راه میانبر برای رهبری فنی و دسترسی به فرصتهای شغلی top-tier است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Machine Learning Engineer - TinyML and Edge AI
تحلیل نیازمندیها
MSc or PhD in Computer Science, Electrical Engineering, or related field
Arm بهطور سنتی به مدرک ارشد اهمیت میدهد اما در عمل برای کاندیداهای با portfolio قوی و publication حتی با کارشناسی هم استثنا قائل میشود. اگر مدرک ندارید، GitHub قوی + paper در arXiv جایگزین خوبی است.
ضروریStrong experience with C/C++ for embedded systems and ARM Cortex-M
این نیاز هسته است. باید بتوانید مفاهیمی مثل DMA، SIMD، NEON و memory map را در مصاحبه دقیق توضیح دهید. حداقل ۳ سال تجربه واقعی firmware لازم است.
ضروریDeep understanding of neural network architectures and TensorFlow Lite Micro
نه فقط استفاده از TFLite Micro بلکه درک internals آن. آشنایی با memory planner و op resolver در مصاحبه فنی پرسیده میشود. Contribution به repo اصلی Google امتیاز بزرگ است.
ضروریExperience with CMSIS-NN, model quantization, and INT8 arithmetic
تجربه عملی با CMSIS-NN روی پروژههای واقعی. باید بتوانید توضیح دهید چگونه quantization پارامترها را تعیین میکنید و چرا scale و zero point مهم هستند.
ضروریExperience with MLPerf Tiny benchmarks or similar evaluation frameworks
اگر روی benchmarking کار کردهاید، حتماً در رزومه ذکر کنید. اگر نه، چند روز با MLPerf Tiny کار کنید و یک blog کوتاه بنویسید — بهسرعت سطح را نشان میدهد.
مهمPublications in top-tier ML/Systems venues (NeurIPS, ICML, MLSys)
این برای رولهای Research-leaning مهم است. اگر paper ندارید اما blog و talk قوی دارید (مثلاً در tinyML Summit)، آن را بهجای publication ذکر کنید.
مفیدتحلیل مسئولیتها
Design and optimize ML kernels for Arm Ethos-U and Cortex-M processors
نوشتن kernel های assembly یا intrinsic C برای maximizing throughput. این کار سطح پایین واقعی است — اگر CMSIS-NN را خوانده و درک کرده باشید، شروع خوبی دارید.
Collaborate with silicon and architecture teams on next-gen NPU design
feedback به تیم طراحی سختافزار درباره workload های واقعی. مهارت ارتباط با hardware engineer ها و درک trade-off های silicon لازم است.
Contribute to open-source projects (TFLite Micro, CMSIS-NN, ExecuTorch)
Arm یکی از contributors اصلی این پروژهها است. در رزومه PR های merged خود را ذکر کنید — این بهترین کارت visiting است.
Represent Arm at conferences such as tinyML Summit, Embedded World, and MLSys
talk دادن در tinyML Summit نشان از سطح senior است. شروع با blog post و سپس lightning talk در meetup های محلی، مسیر تمرین خوبی است.
نتیجهگیری کلی
این آگهی نشان میدهد Arm به دنبال کاندیدای T-shaped است: عمق فنی شدید در Cortex-M و quantization، با وسعت کافی برای تعامل با silicon team و community. اگر همه نیازها را ندارید، روی ۳ مورد اول (C/C++، TFLite Micro، CMSIS-NN) عمیق شوید و یک open-source contribution داشته باشید — این بهترین مسیر برای ورود به شرکتهایی مثل Arm، STM یا Nordic است.
آینده و روندها
پیشبینی ۵–۱۰ ساله و مهارتهایی که باید یاد بگیرید
رشد ۳۲٪ سالانه (CAGR) تا ۲۰۳۰ — بازار TinyML از ۲ میلیارد دلار در ۲۰۲۵ به بیش از ۸ میلیارد دلار در ۲۰۳۰
منبع: ABI Research TinyML Market Forecast 2024 / tinyML Foundation Industry Report 2025
مهارتهای نوظهور که باید یاد بگیرید
پیشبینیهای آینده
تعداد device های TinyML فعال در دنیا از مرز ۲.۵ میلیارد عبور میکند — بیشتر از تعداد گوشی هوشمند
اولین مدلهای Generative کوچک (زیر ۱۰۰MB) روی MCU های میانرده اجرا خواهند شد — انقلاب در voice assistant محلی
Federated learning بین میلیونها edge device به استاندارد آموزش در حوزه predictive maintenance تبدیل میشود
TinyML به یک تخصص پایه در embedded engineering تبدیل میشود — هر embedded engineer حداقل پایه ML خواهد دانست
بزرگترین ریسک، فشار از سمت silicon هوشمندتر است — اگر MCU های آینده NPU داخلی قوی داشته باشند، خود quantization دستی کمارزشتر میشود. اما این چالش، فرصت هم هست: مهندس TinyML آینده باید بالاتر از kernel optimization، روی معماری سیستم، sensor fusion و architecture-aware NAS کار کند. نقش از «فشردهسازی» به «همکاری با hardware برای طراحی workload» تکامل مییابد.
ویدیوهای آموزشی
یک روز در زندگی یک TinyML Developer
ویدیوهای واقعی از متخصصان این حوزه که روزانه چه کارهایی انجام میدهند
EMEA 2021 Lightning Talks: Remote Birding with TensorFlow Lite and Raspberry Pi
EDGE AI FOUNDATION
I Made The Smallest (And Dumbest) LLM
Codeically
Five Steps to Create a New AI Model
IBM Technology
What is a Digital Twin?
IBM Technology
The Ultimate Roadmap for Embedded Systems | How to become an Embedded Engineer in 2025
Sanchit Kulkarni
Edge Impulse Fireside Chat: Zach Shelby and Adam Benzion
Edge Impulse