امروز می‌خوام درباره‌ی تبدیل شدن به یک مهندس هوش مصنوعی (به انگلیسی: AI Engineer) صحبت کنم — اما نه از اون نسخه‌های رویایی که همه جا می‌بینی. بلکه با رویکردی واقع‌گرایانه که دقیقاً همون جایی شروع می‌شه که اکثر مردم واقعاً ازش آغاز می‌کنن.

این روزها کلی “نقشه راه مهندس AI” می‌بینی که وعده می‌دن تو می‌تونی در عرض چند ماه مهندس هوش مصنوعی بشی. اما من که در آمازون روی یادگیری ماشین کاربردی (Applied ML) با تمرکز روی زیرساخت‌های ML و درک محتوا با استفاده از هوش مصنوعی مولد (GenAI) کار می‌کنم، رک و پوست‌کنده بهت می‌گم:

تبدیل شدن به یک مهندس AI در یک شرکت بزرگ فناوری، زمان‌بره و نیاز به تعهد جدی داره.

اما خبر خوب اینه که برای شروع، لازم نیست همه‌ی اون مهارت‌های پیچیده رو بلد باشی! بیشتر افرادی که خودشون یاد گرفتن، از پروژه‌های شخصی یا همکاری با استارتاپ‌ها شروع کردن — یا حتی اپلیکیشن‌های خودشون رو ساختن و تو مسیر یاد گرفتن.

بیاین قدم‌به‌قدم یک نقشه راه واقعی رو بررسی کنیم که دقیقاً نشون می‌ده در هر مرحله، واقعاً به چه چیزهایی نیاز داری.

اگر فقط دنبال یه لیست مهارت‌ها هستی، یه چک‌لیست رایگان برای دانلود اینجاست.

اصلاً مهندس هوش مصنوعی کیه؟

اول از همه، باید مشخص کنیم که مهندس هوش مصنوعی دقیقاً چیکار می‌کنه، چون خیلی از نقشه‌راه‌ها حتی این نقش رو درست توضیح نمی‌دن! معمولاً دارن درباره‌ی دیتا ساینتیست یا مهندس یادگیری ماشین سنتی حرف می‌زنن.

مهندس AI کسی نیست که مدل‌ها رو از صفر آموزش بده — مثل یه دیتا ساینتیست یا ML Engineer. بلکه:

• اپلیکیشن‌هایی می‌سازه که بر اساس مدل‌های از پیش‌آموزش‌دیده مثل GPT-4 یا LLaMA کار می‌کنن
• روی تطبیق مدل‌ها تمرکز می‌کنه، با روش‌هایی مثل مهندسی پرامپت، بازیابی تقویت‌شده (RAG)، و فاین‌تیون کردن
• مقیاس‌پذیری، بهینه‌سازی استنتاج، و پیاده‌سازی در دنیای واقعی براش اولویته
• سیستم‌هایی کامل رو توسعه می‌ده که شامل امنیت، مدیریت داده و بازخورد کاربران می‌شن

این یه نقش تخصصیه که روی مهارت‌های برنامه‌نویسی سوار شده. بسته به پیش‌زمینه‌ات، مسیر ورودت می‌تونه متفاوت باشه. در ادامه در این مورد بیشتر صحبت می‌کنیم.

مهارت‌های پایه‌ای

قبل از اینکه وارد ابزارهای AI بشی، لازمه یه سری مهارت‌ پایه رو یاد بگیری:

• ریاضیات مقدماتی: یه درک پایه از آمار، احتمال و جبر خطی برای اینکه بفهمی مدل‌ها چی‌کار می‌کنن. لازم نیست دکترای ریاضی باشی، اما مفاهیمی مثل ماتریس، توزیع احتمال و واریانس رو باید بشناسی.
• برنامه‌نویسی با پایتون: برای ساختن اپلیکیشن‌های AI، باید بتونی کدی در سطح تولید (production) بنویسی. مهارت بالا در پایتون تقریباً اجتناب‌ناپذیره.
• مفاهیم پایه توسعه نرم‌افزار: کار با Git، کار کردن با ترمینال، و درک مفاهیم API. باید بفهمی که سرویس‌ها چطور با هم ارتباط می‌گیرن و چطور کدت رو مدیریت کنی.
• مفاهیم پایه یادگیری ماشین: حتی اگر قرار نیست مدل بسازی، باید تفاوت یادگیری نظارت‌شده و بدون نظارت رو بدونی، معیارهای ارزیابی مدل‌ها، و مفاهیمی مثل overfitting و underfitting رو بشناسی تا بتونی به مباحث پیشرفته‌تر برسی.

این مهارت‌ها پایه‌ی مسیرت هستن. بدون اون‌ها توی مفاهیم پیشرفته گیج می‌شی و پیشرفتت کند می‌شه.

ساخت اولین پروژه‌های هوش مصنوعی

وقتی این مبانی رو یاد گرفتی، وقتشه وارد دنیای واقعی AI بشی. اینجا باید:

• یاد بگیری چطور با APIهای هوش مصنوعی کار کنی — مثل APIهای OpenAI که بهت این امکان رو می‌دن بدون ساخت مدل، از قدرت AI استفاده کنی.
• پرامپت‌ نویسی رو یاد بگیری — طرز حرف‌زدن با مدل‌های هوش مصنوعی خودش یه مهارته. پرامپت خوب می‌تونه خروجی رو متحول کنه.
• ساخت اپلیکیشن‌های ساده RAG — یعنی اتصال مدل‌های AI به دیتای شخصی خودت با استفاده از پایگاه داده برداری (مثل Pinecone) تا بتونن پاسخ‌های بهتری بدن.
• آزمایش با مدل‌های آماده — با استفاده از منابعی مثل Hugging Face، مدل‌های از پیش آموزش‌دیده رو امتحان کن و ساختارشون رو بشناس.
• آشنایی با معماری اپلیکیشن‌ها — یاد می‌گیری چطور یک اپ هوش مصنوعی رو ساختاربندی کنی؛ از ورودی و کانتکست گرفته تا خروجی نهایی.

اینجا تمرکزت بیشتر روی استفاده از ابزارهاست تا ساختن از صفر. خیلی از برنامه‌نویس‌های خودآموخته دقیقاً از این مرحله شروع می‌کنن! می‌تونی چت‌بات بسازی، تولیدکننده‌ی محتوا، یا سیستم‌های دسته‌بندی ساده که یه مشکل واقعی رو حل کنن.

اگر دوست داری همین حالا ساخت پروژه‌ها رو شروع کنی، سایت DataCamp چند تا دوره‌ی عالی داره:

• برای توسعه‌دهنده‌هایی که می‌خوان AI رو در اپ‌هاشون بگنجونن، مسیر Associate AI Engineer for Developers آموزش کار با OpenAI API، Hugging Face، LangChain و پایگاه‌داده‌های برداری مثل Pinecone رو پوشش می‌ده.
• اگر سابقه‌ی دیتا ساینس داری و می‌خوای وارد مهندسی هوش مصنوعی بشی، مسیر Associate AI Engineer for Data Scientists خیلی کمکت می‌کنه.
• اگه کاملاً مبتدی هستی، مسیر AI Fundamentals یه معرفی بدون کد به مفاهیم اصلی هوش مصنوعیه.

این دوره‌ها کمک می‌کنن تا:

• پروژه‌های واقعی بسازی، که بهترین راه یادگیری هست
• بفهمی از کدوم بخش‌های AI بیشتر خوشت میاد و مسیرت رو مشخص کنی

توسعه مهارت‌ها: از تازه‌کار تا متخصص

وقتی که با ابزارها و پروژه‌های AI ابتدایی دست‌و‌پنجه نرم کردی، وقتشه قدم بعدی رو برداری و مهارت‌هات رو ارتقا بدی. اینجا چند مسیر تخصصی هست که می‌تونی بسته به علاقه‌ات انتخاب کنی:

1. یادگیری عمیق (Deep Learning)

اگر عاشق ریاضی و مدل‌سازی هستی و دوست داری بدونی واقعاً پشت پرده‌ی GPT یا ResNet چی می‌گذره، این مسیر رو انتخاب کن:

• یادگیری با PyTorch یا TensorFlow
• ساخت و آموزش مدل‌های CNN، RNN و Transformer
• درک دقیق از معماری LLMها، بهینه‌سازی مدل‌ها، تنظیم‌ ابرپارامترها و آموزش توزیع‌شده (Distributed Training)

اما یادت باشه: یادگیری عمیق برای کسیه که عاشق جزئیاته و حاضر به صرف زمان زیاد روی مدل‌سازیه.

2. ساخت اپلیکیشن‌های مبتنی بر هوش مصنوعی

اگه به ساخت اپلیکیشن‌های واقعی علاقه داری (نه لزوماً آموزش مدل‌ها)، این مسیر جذابه:

• تسلط بر مهندسی پرامپت
• ساخت سیستم‌های RAG پیشرفته
• ادغام LLMها با پایگاه‌های داده، ابزارهای سرچ، یا حتی APIهای خارجی (مثل Zapier یا Notion)

اینجا تمرکزت بیشتر روی حل مسئله برای کاربر نهاییه تا ساخت مدل از صفر.

3. مهندسی داده + هوش مصنوعی

اگه به دیتا علاقه داری، می‌تونی از این زاویه وارد AI بشی:

• پردازش داده‌های متنی، تصویری یا صوتی برای آماده‌سازی مدل‌ها
• استفاده از ابزارهایی مثل Apache Spark، Pandas، یا Airflow
• طراحی پایپ‌لاین‌های داده برای سیستم‌های AI

چطور وارد بازار کار بشی؟

حالا که کلی مهارت یاد گرفتی، وقتشه دنبال شغل بگردی. اما چطور؟

1. پروژه‌های واقعی بساز

• رزومه‌ات فقط یک کاغذ نیست، بلکه مجموعه‌ای از پروژه‌های توئه.
• چند پروژه در GitHub بذار — مثلاً یک چت‌بات که روی دیتای شخصی آموزش دیدست، یا یک سیستم تشخیص تصویر ساده.

2. در پلتفرم‌هایی مثل Kaggle و Hugging Face فعال باش

• در چالش‌های AI شرکت کن و اسم‌ت رو تو جامعه جا بنداز.
• اگر مدلی رو fine-tune کردی، حتماً تو Hugging Face پابلیشش کن.

3. درک خوبی از مدل‌ها و محدودیت‌هاشون داشته باش

• فقط کدنویس نباش — بتون از مدل دفاع کنی، بهینه‌اش کنی و بدونی کجاها جواب نمی‌ده.
• امنیت، خطاهای احتمالی و نحوه‌ی پایش (Monitoring) مدل‌ها رو هم بشناس.

4. مصاحبه‌ها رو جدی بگیر

مصاحبه‌ مهندس AI شامل این بخش‌هاست:

• طراحی سیستم: مثلاً «چطور یه اپ FAQ مبتنی بر GPT طراحی می‌کنی؟»
• ارزیابی مدل: مثلاً «چرا این مدل overfit کرده؟ چه‌کارش کنیم؟»
• حل مسئله: مثل Leetcode یا HackerRank — فقط هوش مصنوعی نیست، باید برنامه‌نویسی هم بلد باشی.

ابزارهایی که واقعاً باید بلد باشی

در ادامه فهرستی از ابزارهایی که تو اکثر موقعیت‌های شغلی مهندسی AI کاربرد دارن رو آوردیم:

درآمد مهندسان هوش مصنوعی چقدره؟

درآمد این حوزه بسیار متغیره و بستگی به تجربه، کشور، و نوع پروژه داره. اما به‌طور میانگین:

در کشور ما ایران هم با تخصص در این زمینه می‌تونی از پروژه‌های بین‌المللی درآمد دلاری داشته باشی.

و در نهایت: مسیر تو خاصه

هیچ دو مهندس هوش مصنوعی‌ای مثل هم نیستن. یکی از برنامه‌نویسی وب شروع می‌کنه، یکی از علم داده، یکی هم از علاقه‌اش به ChatGPT. مهم اینه که:

✅ پشتکار داشته باشی
✅ مدام پروژه بسازی
✅ و هیچ‌وقت دست از یادگیری برنداری

تجربیاتی که مارینا ویس از مسیر واقعی‌اش در مهندسی هوش مصنوعی به اشتراک گذاشت، نشان می‌دهد موفقیت در این مسیر با تلاش مستمر و پروژه‌های عملی ممکن است؛ حتی اگر از صفر شروع کنید.