مهندس هوش مصنوعی چیست؟ وظایف، مهارت‌ها و مسیر شغلی

معرفی

این شغل را با نام‌های دیگری نیز می‌شناسند:

• مهندس AI
• مهندس هوش مصنوعی مولد
• مهندس GenAI
• مهندس هوش مصنوعی عامل‌محور
• AI Engineer
• Generative AI Engineer
• GenAI Engineer
• Agentic AI Engineer

وظایف و مسئولیت‌ها

برای آشنایی بهتر با این شغل، مهم‌ترین وظایف آن در ادامه آمده‌اند.

• تبدیل مسئله محصول به قابلیت هوش مصنوعی

  نیاز محصول را به یک مسئله فنی مشخص تبدیل می‌کند، راه‌حل مناسب را انتخاب می‌کند و معیارهایی برای سنجش عملکرد قابلیت هوش مصنوعی تعریف می‌کند.

• ساخت سرویس و API هوش مصنوعی

  مدل‌ها و قابلیت‌های هوش مصنوعی را در قالب سرویس‌های قابل‌استفاده در محصول پیاده‌سازی می‌کند و رابط‌های برنامه‌نویسی کاربردی (Application Programming Interface یا API) لازم برای ارتباط با سایر بخش‌های سامانه را توسعه می‌دهد.

• پیاده‌سازی تولید تقویت‌شده با بازیابی (RAG)

  سامانه‌های تولید تقویت‌شده با بازیابی (Retrieval-Augmented Generation یا RAG) را برای بازیابی اطلاعات مرتبط و استفاده از آن‌ها در تولید پاسخ طراحی و پیاده‌سازی می‌کند. همچنین کیفیت بازیابی اطلاعات و پاسخ نهایی را ارزیابی می‌کند. در معماری RAG، اطلاعات مرتبط از یک منبع داده یا نمایه بازیابی و همراه با پرسش کاربر در اختیار مدل قرار می‌گیرد.

• طراحی پرامپت و جریان اجرای مدل

  مهندسی پرامپت (Prompt Engineering) را برای طراحی و بهینه‌سازی دستورهای متنی، قالب ورودی و خروجی و نحوه استفاده مدل از اطلاعات انجام می‌دهد. همچنین جریان اجرای مدل را طراحی می‌کند تا پاسخ‌ها از نظر دقت، ساختار و انطباق با نیاز محصول کیفیت مناسبی داشته باشند.

• ارزیابی کیفیت، هزینه و تأخیر پاسخ

  کیفیت پاسخ مدل را با معیارهایی مانند دقت، مرتبط‌بودن، کامل‌بودن و میزان اتکا به اطلاعات بازیابی‌شده ارزیابی می‌کند. همچنین هزینه پردازش و تأخیر (Latency) پاسخ را برای استفاده در محیط تولید بررسی و بهینه می‌کند.

• مدیریت داده و ذخیره‌سازی برداری

  داده‌های موردنیاز مدل را آماده، پاک‌سازی و مدیریت می‌کند و در صورت نیاز از پایگاه داده برداری (Vector Database) و جست‌وجوی برداری (Vector Search) برای ذخیره و بازیابی اطلاعات استفاده می‌کند. این فرایند در سامانه‌های RAG معمولا با تبدیل داده‌ها به بردارهای تعبیه‌شده (Embeddings) و جست‌وجوی اطلاعات مشابه انجام می‌شود.

• استقرار، پایش و رفع خطای سرویس

  سرویس‌های هوش مصنوعی را در محیط تولید (Production Environment) مستقر می‌کند، عملکرد و خطاهای آن‌ها را پایش می‌کند و با استفاده از گزارش‌های ثبت‌شده (Logs) و داده‌های عملیاتی، مشکلات سرویس را شناسایی و رفع می‌کند.

• اعمال ملاحظات امنیت و حریم خصوصی

  دسترسی به داده و مدل را کنترل می‌کند و ملاحظات امنیتی، حریم خصوصی، مدیریت اطلاعات حساس و محدودیت‌های استفاده از مدل را در طراحی و پیاده‌سازی سرویس در نظر می‌گیرد.

نیازمندی‌ها و مهارت‌ها

پیش از ورود به این شغل، نگاهی به نیازمندی‌های زیر داشته باشید.

مهارت‌های مورد نیاز

• مهارت توسعه اپلیکیشن‌های هوش مصنوعی AI Application Development
• مهارت برنامه‌نویسی پایتون Python Programming
• مهارت توسعه بک‌اند Backend Development
• مهارت توسعه سامانه‌های تولید تقویت‌شده با بازیابی (RAG) Retrieval-Augmented Generation Development
• مهارت مهندسی پرامپت و طراحی زمینه مدل Prompt Engineering and Context Design
• مهارت ارزیابی سامانه‌های هوش مصنوعی Artificial Intelligence System Evaluation
• مهارت عملیاتی‌سازی یادگیری ماشین Machine Learning Operations (MLOps)
• مهارت توسعه امن و ایمن اپلیکیشن‌های هوش مصنوعی Secure AI Application Development
• مهارت کنترل نسخه Version Control

ابزارهای رایج

• ابزار پایتون Python
• ابزار فست‌ای‌پی‌آی FastAPI
• ابزار گیت Git
• ابزار داکر Docker
• ابزار پایتورچ PyTorch
• ابزار ترنسفورمرز هاگینگ فیس Hugging Face Transformers
• ابزار پستگرس‌کیوال PostgreSQL
• ابزار پی‌جی‌وکتور (pgvector) pgvector

سایر نیازمندی‌ها

جدای از مهارت‌ها و ابزارهای بالا، این موارد هم در آگهی‌های استخدام این شغل دیده می‌شوند:

• توانایی تبدیل مسئله مبهم کسب‌وکار به معیار فنی
• دقت در بررسی نمونه‌های خطا و بازخورد کاربران
• توانایی توضیح محدودیت‌ها و ریسک‌های مدل به افراد غیرفنی
• آشنایی عملی با فرایند توسعه تیمی و بازبینی کد
• انگلیسی فنی برای مطالعه مستندات، مقالات و منابع تخصصی

چشم‌انداز شغلی

موارد زیر برخی از ملاحظات مهم درباره آینده این شغل را نشان می‌دهند.

• ارزش نقش در ساخت قابلیت قابل‌استفاده است.

  مهندس هوش مصنوعی با ترکیب برنامه‌نویسی، مدل‌های هوش مصنوعی و داده، قابلیت‌هایی را به محصول اضافه می‌کند که مستقیما در فرایندهای کاربر یا کسب‌وکار استفاده می‌شوند.

• عنوان شغلی باید با شرح وظایف خوانده شود.

  عنوان AI Engineer در شرکت‌های مختلف می‌تواند به نقش‌های متفاوتی اشاره کند. برای ارزیابی یک موقعیت، شرح وظایف، فناوری‌های مورد استفاده و میزان مسئولیت فرد در توسعه و استقرار سامانه را بررسی کنید.

• رشد شغلی به عمق فنی یا مالکیت محصول می‌رسد.

  با افزایش تجربه، مسیر رشد می‌تواند به تخصص‌هایی مانند مهندسی سامانه‌های هوش مصنوعی، LLM و RAG، زیرساخت و MLOps یا نقش‌های فنی و محصولی با مسئولیت بیشتر منتهی شود.

• ارزش پیشنهادی را با شواهد عملی نشان دهید.

  برای ورود به این حوزه، داشتن نمونه‌کارهایی که یک مسئله واقعی را از طراحی راه‌حل تا پیاده‌سازی، ارزیابی و ارائه سرویس نشان دهند، می‌تواند مهارت‌های فنی فرد را بهتر از فهرست ابزارها نشان دهد.

• کار دورکار به دسترسی و همکاری تیمی وابسته است.

  بخش زیادی از توسعه سامانه‌های هوش مصنوعی با ابزارهای نرم‌افزاری انجام می‌شود، اما موفقیت در کار دورکار به ارتباط مؤثر، مستندسازی، همکاری تیمی و دسترسی مناسب به داده و زیرساخت نیز وابسته است.

پرسش‌های رایج درباره مهندس هوش مصنوعی

اگر درباره این شغل پرسشی دارید، ممکن است پاسخ آن را در میان موارد زیر پیدا کنید.

آموزش‌های مرتبط در فرادرس

• آموزش Retrieval Augmented Generation RAG در هوش مصنوعی مولد + گواهینامه آموزش ویدئویی
• آموزش هوش مصنوعی مولد Generative AI + پروژه‌های عملی + گواهینامه آموزش ویدئویی
• آموزش مهندسی پرامپت + بهینه‌سازی عملکرد پرامپت‌ها در مدل‌های زبانی + گواهینامه آموزش ویدئویی
• آموزش برنامه نویسی پایتون Python، مقدماتی + گواهینامه آموزش ویدئویی
• آموزش یادگیری ماشین با پایتون، ماشین لرنینگ با Python + گواهینامه آموزش ویدئویی
• رشته هوش مصنوعی چیست؟ – هر آنچه باید بدانید آموزش متنی
• زبان برنامه نویسی پایتون (Python) چیست؟ – از صفر تا صد و به زبان ساده آموزش متنی

منابع پیشنهادی

• Develop generative AI apps on Microsoft Foundry, Training دوره آموزشیlearn.microsoft.com
• What is Retrieval-Augmented Generation (RAG)? مقالهcloud.google.com