بررسی آگهیهای استخدام نشان میدهد که نرمافزار تولیدی، زیرساخت ابری، ارزیابی، RAG و ایجنتسازی امروز از دانش مجزای مدلها اهمیت بیشتری دارد.
مسیر ورود به حرفهی مهندسی هوش مصنوعی سالهای قبل سادهتر بود: پایتون یاد بگیر، به یک مدل زبانی وصل شو، یک چتبات بساز، یک پایگاهدادهی برداری هم کنارش بگذار. این هنوز آغاز خوبی است، اما دیگر یک راهنمای شغلی کامل نیست.
کارفرمای امروز مهندسی میخواهد که رفتار نامطمئن هوش مصنوعی را به نرمافزاری قابلاتکا تبدیل کند. یعنی علاوه بر درک مدلها، باید در API ، پلتفرمهای ابری، پایگاهداده، کانتینر، تست، امنیت، مانیتورینگ، ارزیابی و کنترل هزینه هم دست داشته باشد.
آگهیها چه میگویند
برای اینکه حس شخصیام را با داده بسنجم، ۲۱ آگهی استخدام از ۱۶ کارفرمای آمریکایی را کدگذاری کردم و مهارتهای تکرارشده را شمردم. الگو روشن بود: مهارتهای زیرساختی تقریباً در همهی آگهیها بودند، و مفاهیم خاص هوش مصنوعی روی آنها سوار میشدند، نه جایشان.
خواندن این نمودار از راست به چپ یک نتیجهی ساده دارد: ابر و پایتون بلیت ورود هستند؛ LLM و ایجنت تمایز میسازند؛ و RAG — که بیشترین سر و صدا را در آموزشها دارد — کمتر از نیمی از آگهیها آن را بهصراحت خواستهاند.
کارفرما دنبال کسی نیست که مدل را بشناسد؛ دنبال کسی است که بتواند مدل را به سیستمی برساند که شبها بیدردسر کار کند.
در عمل چه چیزی را تمرین کنیم
- یک سرویس کوچک بنویسید و آن را واقعاً منتشر کنید: کانتینر، متغیرهای محیطی، لاگ، و یک هشدار ساده وقتی خطا زیاد شد.
- برای همان سرویس یک مجموعهی ارزیابی بسازید؛ حتی ۵۰ نمونهی دستی بهتر از هیچ سنجهای است.
- هزینه را اندازه بگیرید: هر درخواست چند توکن و چند سِنت است، و کدام بخش را میتوان کَش کرد.
- یک مسیر بازگشت طراحی کنید؛ وقتی مدل پاسخ بیربط داد، سیستم باید چه کند؟
هیچکدام از اینها موضوع جذابی برای دمو نیست، ولی همینها فاصلهی میان یک نوتبوک و یک محصول است — و همین فاصله است که در مصاحبه پرسیده میشود.
دانشمند ارشد داده · مهندسی داده و هوش مصنوعی — دربارهی پروژهها، تجربهها و یادداشتهای خودم مینویسم.