پاسخ مستقیم: چه مهارتهایی واقعاً ضروریاند؟
برای بیشتر نقشهای فنی AI، هسته مشترک شامل Python، داده و SQL، Git، API، اصول مهندسی نرمافزار، ارزیابی و حل مسئله است. RAG، Agent، PyTorch، Kubernetes، Fine-tuning، MCP و ابزارهای مشابه بسته به نقش، مقیاس و مسئله ضروری میشوند؛ نه برای همه افراد و همه پروژهها.
این گزارش دقیقاً چه چیزی را بررسی میکند؟
بازار کار هوش مصنوعی با سرعت بالایی تغییر میکند و عنوانهای شغلی آن هنوز کاملاً استاندارد نشدهاند. یک شرکت ممکن است فردی را «AI Engineer» بنامد، اما از او توسعه بکاند، RAG، استقرار مدل و تحلیل داده بخواهد. شرکت دیگری همان کار را با عنوان «LLM Engineer» یا «Artificial Intelligence Expert» منتشر میکند. همین آشفتگی باعث شده فهرست مهارتها بسیار بلند و گاهی غیرواقعی به نظر برسد.
پرسش اصلی این مقاله چنین است:
برای پاسخ، مهارتها در سه سطح بررسی شدهاند:
- سطح بازار: فراوانی و روند تقاضا در دادههای آگهیهای استخدام.
- سطح وظیفه: اینکه مهارت به خروجی و مسئولیت مشخصی متصل است یا فقط نام برده شده است.
- سطح نقش: تفاوت نیازهای AI Engineer، ML Engineer، Data Scientist، LLM Engineer، MLOps، Research Engineer و AI Product Manager.
این گزارش تلاش نمیکند یک فهرست واحد برای همه بسازد. هدف آن ایجاد یک نقشه تصمیمگیری است تا فرد بداند برای مسیر انتخابی خود چه چیزی را ابتدا یاد بگیرد، چه چیزی را در پروژه تمرین کند و چه چیزی را تا زمان نیاز به تعویق بیندازد.
چطور یک تحلیل قابل دفاع از مهارتهای شغلی AI بسازیم؟
یک گزارش معتبر باید روش جمعآوری و تفسیر داده را روشن کند. شمارش خام کلمات کافی نیست؛ چون یک آگهی ممکن است ده ابزار را در بخش «مزیت محسوب میشود» بنویسد، درحالیکه کار روزانه فقط به دو مورد نیاز دارد.
منابع بررسیشده
در بخش جهانی، دادهها و گزارشهای Lightcast و Stanford AI Index 2026، Stanford HAI، World Economic Forum، Indeed Hiring Lab، Stack Overflow Developer Survey و Google DORA مبنا قرار گرفتهاند.
برای بازار ایران، آگهیهای واقعی منتشرشده در ایرانتلنت و نمونههایی از نقشهای بانکی، امنیت، داده، MLOps، مدلهای چندوجهی و اتوماسیون بررسی شدهاند. این نمونه برای شناخت الگوها مفید است، اما آمار کل بازار ایران محسوب نمیشود.
نمونه پیشنهادی برای مطالعه آماری کامل ایران
| بخش | حداقل پیشنهادی | دلیل |
|---|---|---|
| آگهیهای یکتای ایران | ۱۵۰ آگهی | کاهش اثر چند شرکت و چند عنوان خاص |
| آگهیهای جهانی | ۵۰۰ آگهی | مقایسه چند بازار و چند سطح تجربه |
| پلتفرم ایرانی | حداقل ۳ منبع | کاهش سوگیری یک وبسایت یا صنعت |
| بازه زمانی | حداکثر ۶۰ روز | جلوگیری از ترکیب آگهیهای قدیمی با نیاز فعلی |
| گروه شغلی | حداقل ۷ نقش | پرهیز از تعمیم نیاز LLM به همه AI |
قواعد ورود و حذف آگهی
- وظیفه اصلی باید ساخت، استقرار، تحلیل یا مدیریت یک سیستم AI باشد.
- آگهی باید حداقل دو مهارت تخصصی یا یک خروجی روشن مرتبط با AI داشته باشد.
- آگهیهای تکراری در چند پلتفرم فقط یک بار شمرده شوند.
- آگهیهایی که فقط عبارت «آشنایی با هوش مصنوعی» دارند، از نمونه تخصصی حذف شوند.
- نقشهایی که AI صرفاً ابزار فرعی محتوا، طراحی یا فروش است، در گروه جداگانه تحلیل شوند.
سه وضعیت ثبت هر مهارت
| وضعیت | تعریف | مثال |
|---|---|---|
| الزامی | در شرایط احراز یا Required Skills آمده است | تسلط به Python و SQL |
| ترجیحی | در Preferred، Bonus یا مزیت محسوب میشود آمده است | آشنایی با Kubernetes |
| وظیفهمحور | در شرح کار، استفاده روزانه یا خروجی قابل سنجش دارد | ساخت API برای سرویس مدل و پایش Latency |
مدل پیشنهادی فیلتور برای امتیاز ضرورت مهارت
برای جلوگیری از برابر شمردن همه کلمات، میتوان برای هر مهارت یک امتیاز از ۱۰۰ تعریف کرد. این مدل یک چارچوب تحلیلی پیشنهادی است، نه استاندارد رسمی بازار:
| مولفه | وزن | سؤال کنترل |
|---|---|---|
| فراوانی در بخش الزامی | ۴۰ امتیاز | چند شرکت آن را واقعاً Required نوشتهاند؟ |
| اتصال به وظیفه روزانه | ۲۵ امتیاز | آیا خروجی مشخصی به آن وابسته است؟ |
| حضور در چند پلتفرم | ۱۵ امتیاز | فقط در یک منبع دیده شده یا در چند بازار؟ |
| حضور در چند نقش | ۱۰ امتیاز | پایه مشترک است یا تخصص یک عنوان؟ |
| تکرار در سطح جونیور و میدل | ۱۰ امتیاز | برای ورود لازم است یا فقط سطح سینیور؟ |
نتیجه میتواند به این صورت تفسیر شود: ۷۵ تا ۱۰۰ مهارت پایه و ضروری، ۵۵ تا ۷۴ بسیار مهم، ۳۵ تا ۵۴ وابسته به نقش، ۲۰ تا ۳۴ ترجیحی یا تخصصی و کمتر از ۲۰ کمتکرار یا بیشازحد تبلیغشده.
چرا تکرار یک مهارت در آگهیها الزاماً به معنی ضروری بودن آن نیست؟
آگهی استخدام همیشه توصیف دقیق کار روزانه نیست. گاهی تیم منابع انسانی چند شرح شغل را با هم ترکیب میکند، گاهی شرکت بهدنبال فرد ایدهآلی است که عملاً وجود ندارد و گاهی نام فناوریهای جدید برای جذابتر نشان دادن موقعیت اضافه میشود.
Indeed Hiring Lab چندصد هزار آگهی را براساس نزدیک به ۶۰۰ کلیدواژه AI بررسی کرد. در این نمونه، حدود ۷۴ درصد آگهیهای مرتبط از عبارت عمومی «AI» استفاده میکردند، درحالیکه فقط ۲ درصد بهطور مشخص ChatGPT را نام برده بودند. مهمتر اینکه حدود یکچهارم آگهیها در هیچ دسته کاربردی روشن قرار نگرفتند؛ نشانهای از نامبردن سطحی از AI بدون توضیح دقیق کاربرد.۴
پنج علامت آگهی فهرستآرزویی
- نام بردن از پنج یا شش فریمورک مشابه بدون تعیین معماری یا خروجی.
- ترکیب نقش Data Scientist، Backend، DevOps و Product در یک عنوان جونیور.
- الزام Fine-tuning بدون اشاره به داده آموزشی، معیار ارزیابی یا زیرساخت.
- نوشتن «تسلط به همه مدلهای روز» بدون توضیح وظیفه.
- تکرار Agent، Multi-Agent و MCP بدون Tool Calling، امنیت، مانیتورینگ یا سناریوی واقعی.
یک آگهی معتبر معمولاً از خروجی صحبت میکند: ساخت دستیار داخلی، بهبود جستوجوی اسناد، کاهش زمان پاسخ، استقرار مدل روی GPU، طراحی پایپلاین داده، ساخت سیستم پیشنهاددهنده یا سنجش کیفیت پاسخ. هرچه ارتباط میان مهارت و خروجی روشنتر باشد، احتمال ضروریبودن آن بیشتر است.
بازار جهانی درباره مهارتهای AI چه میگوید؟
تعداد تکرار واژه «AI» بهتنهایی معیار خوبی برای سنجش مهارت نیست. Indeed در تحلیل چندصد هزار آگهی گزارش کرد نزدیک به ۷۴ درصد آگهیهای مرتبط از عبارت کلی AI استفاده کردهاند، اما حدود یکچهارم آنها هیچ زمینه روشن و قابلطبقهبندی برای کاربرد AI ارائه نمیکردند.۴
نکته روششناسی: این اعداد از منابع متفاوت و جامعههای آماری متفاوت میآیند؛ کنار هم برای ساخت تصویر کلی استفاده شدهاند، نه برای محاسبه یک نرخ واحد جهانی.
دادههای Lightcast برای Stanford AI Index 2026 نشان میدهد مهارتهای AI در ۲.۵ درصد کل آگهیهای ایالات متحده در سال ۲۰۲۵ دیده شدهاند؛ سهمی که نسبت به سال قبل ۵۵ درصد رشد کرده است. Python با حضور در ۲۵۸٬۶۷۴ آگهی، پرتکرارترین مهارت تخصصی بوده است.۱
همان گزارش یک تغییر مهم را برجسته میکند: تقاضا از «آزمایش فناوری» به سمت «ساخت و مدیریت سیستم در مقیاس» حرکت کرده است. رشد مهارتهایی مثل AWS، مقیاسپذیری و مدیریت Workflow نشان میدهد توانایی استقرار و عملیات به اندازه شناخت مدل اهمیت پیدا کرده است.۱
Agentic AI سریع رشد کرده، اما هنوز مهارت عمومی نیست
ذکر مهارتهای Agentic AI از ۰.۰۶ درصد آگهیها در ۲۰۲۴ به ۰.۲۳ درصد در ۲۰۲۵ رسیده و حدود ۹۰ هزار آگهی را شامل شده است. بااینحال Stanford گزارش میکند استفاده عملیاتی از Agent در بیشتر واحدهای کسبوکار هنوز تکرقمی است. بنابراین Agent یک سیگنال رشد قوی است، نه پیشنیاز همه نقشها.۱۲
World Economic Forum در تحلیل مهارتهای مشاغل روبهرشد، برنامهنویسی و سواد فناوری را از عوامل متمایزکننده مشاغل درحال رشد میداند؛ اما همزمان انعطافپذیری، تابآوری، تفکر تحلیلی و مهارتهای انسانی را نیز مهم معرفی میکند.۳ این یافته با واقعیت پروژههای AI هماهنگ است: مدل و ابزار بدون تعریف مسئله، همکاری تیمی و قضاوت انسانی ارزش محدودی دارند.
نظرسنجی Stack Overflow 2025 نشان میدهد ۴۶ درصد توسعهدهندگان به دقت خروجی ابزارهای AI بیاعتمادند، درحالیکه ۳۳ درصد اعتماد دارند. تنها حدود ۳ درصد گفتهاند اعتماد بسیار بالایی دارند.۵ این فاصله اعتماد توضیح میدهد چرا ارزیابی، تست، بازبینی و مانیتورینگ باید جزو مهارتهای اصلی باشند.
Google DORA نیز در مطالعه نزدیک به پنج هزار متخصص فناوری گزارش کرده است که پذیرش AI در توسعه نرمافزار بسیار گسترده شده، اما خروجی مفید همچنان به کیفیت سیستم مهندسی، کنترل کیفیت و فرایند تحویل وابسته است. در این مطالعه ۹۰ درصد مشارکتکنندگان از AI استفاده میکردند و در کنار افزایش بهرهوری، یک «پارادوکس اعتماد» نیز مشاهده شد.۶
Microsoft نیز گزارش کرده است ۷۸ درصد رهبران، استخدام برای نقشهای جدید AI را بررسی میکنند. این عدد جهت حرکت سازمانها را نشان میدهد، اما به معنی تبدیل همه مشاغل به نقش تخصصی AI نیست؛ بسیاری از این نقشها ترکیبی از تخصص دامنه، محصول، داده و استفاده مسئولانه از Agentها خواهند بود.۱۵
بازار ایران چه تصویری از مهارتهای واقعی نشان میدهد؟
بازار ایران از نظر تعداد آگهی، استانداردبودن عنوانها و تفکیک تیمها کوچکتر و ناهمگونتر از بازارهای بزرگ جهانی است. به همین دلیل در بسیاری از آگهیها یک نفر باید بخشی از وظایف AI Engineer، Backend Developer، Data Engineer و حتی MLOps را باهم انجام دهد. این وضعیت فهرست مهارتها را بلند میکند، اما به معنی نیاز به تسلط عمیق همزمان بر همه آنها نیست.
در نمونه مقدماتی هفت آگهی منتخب، مهارتها به سه شکل ثبت شدند: «الزام صریح»، «اتصال مستقیم به وظایف روزانه» و «مزیت ترجیحی». نتیجه زیر فقط برای تشخیص الگو است و نماینده آماری کل بازار کشور نیست:
سه الگوی مهم در آگهیهای ایرانی
| الگو | شاهد آگهی | نتیجه عملی |
|---|---|---|
| ترکیب چند نقش | آگهی AI Platform Engineer اسنپباکس، Python، Backend، RAG، Vector DB، Observability، Docker و Kubernetes را کنار هم قرار داده است. | برای نقشهای سینیور و پلتفرمی، مهارت T-shaped مهم است: پایه گسترده و عمق واقعی در یک حوزه. |
| تفکیک Strong Experience و Nice-to-have | همان آگهی Python، API، LLM و RAG را هسته اصلی و MCP، Multi-Agent و Fine-tuning را مزیت معرفی میکند. | نام ابزارهای جدید را نباید هموزن پایههای مهندسی حساب کرد. |
| تخصصیبودن مسیر پژوهش | آگهی Reinforcement Learning بر مدرک مرتبط، Python، الگوریتمهای RL، Deep Learning، تحلیل داده و ارزیابی مدل تأکید دارد. | ریاضیات و پژوهش برای این مسیر ضروریاند، اما الزام عمومی Applied AI نیستند. |
در یک آگهی جدی LLM نیز توسعه API با FastAPI، RAG، ارزیابی و Benchmark، مانیتورینگ و همکاری با تیم محصول کنار مفاهیم مدل زبانی قرار گرفتهاند. این ترکیب نشان میدهد بازار برای محصول واقعی، «مدل» را از «مهندسی نرمافزار و ارزیابی» جدا نمیبیند.۸
نمونههای کلیدی این بخش شامل آگهی AI Platform Engineer اسنپباکس، مهندس مدلهای زبانی دمیس و موقعیت تخصصی Reinforcement Learning هستند.۷۸۹
هشت مهارتی که بیشترین ارزش واقعی را در مشاغل AI دارند
حل مسئله و شناخت کسبوکار
تشخیص اینکه مسئله چیست، آیا AI انتخاب مناسبی است، موفقیت چگونه سنجیده میشود و خطا چه هزینهای دارد. این مهارت در آگهیها کمتر با نام مشخص دیده میشود، اما تفاوت میان پروژه نمایشی و پروژه ارزشآفرین را میسازد.
Python و مهندسی نرمافزار
نه فقط سینتکس؛ بلکه کد ماژولار، مدیریت خطا، تست، Async، مدیریت وابستگی، ساخت پکیج و خوانایی کد. Python بدون اصول نرمافزار برای محصول حرفهای کافی نیست.
داده، SQL و کیفیت داده
پاکسازی، مدلسازی، ETL، Metadata، نسخهبندی و کنترل کیفیت. حتی یک پروژه LLM مبتنی بر API نیز بدون داده منظم، اسناد معتبر و SQL مناسب شکست میخورد.
API و یکپارچهسازی
REST، احراز هویت، Webhook، Rate Limit، Retry، Timeout، Queue و اتصال به دیتابیس. بخش بزرگی از بازار امروز ساخت مدل از صفر نیست؛ اتصال هوشمندانه مدل به سیستم واقعی است.
ارزیابی، تست و Benchmark
دقت، Recall، Precision، Hallucination، Latency، هزینه، نرخ خطا و آزمون سناریوهای واقعی. فردی که کیفیت AI را میسنجد از فردی که فقط یک دمو میسازد ارزشمندتر است.
Git، Linux، Docker و استقرار پایه
کنترل نسخه، محیط اجرا، Container، Logging، Secret Management و CI/CD پایه. این مجموعه مرز میان Notebook شخصی و سرویس قابل استفاده برای مشتری یا سازمان است.
امنیت، حریم خصوصی و دسترسی
Prompt Injection، نشت داده، سطح دسترسی اسناد، ثبت رویداد، داده حساس و کنترل ابزار. اهمیت این مهارت در بانک، درمان، بیمه و سامانههای سازمانی چند برابر میشود.
ارتباط، مستندسازی و قضاوت
تبدیل نیاز مبهم به مشخصات فنی، توضیح محدودیت مدل، مستندسازی تصمیمها و همکاری با محصول و متخصص صنعت. AI مسئولیت انسانی را حذف نمیکند؛ نیاز به قضاوت را بیشتر میکند.
✅ پایه و ضروری
- حل مسئله و تفکر تحلیلی
- Python و مهندسی نرمافزار
- داده، SQL و Git
- API، تست و ارزیابی
🔵 مهم برای محصول واقعی
- Linux و Docker
- Logging و Monitoring
- امنیت و مدیریت خطا
- مستندسازی و CI/CD پایه
🟡 ضروری در نقشهای LLM
- Embedding و Chunking
- Retrieval و RAG
- Vector Search
- Tool Calling و ارزیابی پاسخ
⚠️ تخصصی و وابسته به نقش
- PyTorch و Fine-tuning
- Kubernetes و Spark
- CUDA و GPU
- MCP و Multi-Agent
از مطالعه به ساخت پروژه واقعی بروید
در بخش خدمات فیلتور میتوانید مسیر طراحی سایت، ربات، اتوماسیون و راهکارهای هوش مصنوعی را براساس مسئله واقعی کسبوکار بررسی کنید.
مهارتهایی که مهماند، اما برای همه نقشها ضروری نیستند
| مهارت | زمانی که واقعاً ضروری است | زمانی که میتوان بعداً یاد گرفت |
|---|---|---|
| PyTorch و Transformers | آموزش، Fine-tuning، پژوهش، NLP و مدلسازی | محصولی که فقط از API مدل آماده استفاده میکند |
| ریاضیات و آمار پیشرفته | Data Science، ML Engineer و Research | اتوماسیون ساده و اتصال مدل آماده |
| RAG و Vector Search | دستیار دانش، جستوجوی سازمانی و پاسخ مبتنی بر سند | بینایی ماشین، تحلیل عددی یا پروژه متنی ساده |
| Docker | تقریباً همه نقشهای محصولمحور و استقرار | مرحله کاملاً مقدماتی یادگیری الگوریتم |
| Kubernetes | سرویس پرترافیک، چندکلاستری یا تیم Platform | MVP، فریلنس کوچک یا جونیور Applied AI |
| Airflow و Spark | پایپلاینهای بزرگ، زمانبندی و داده حجیم | چتبات یا API سبک با داده محدود |
| n8n | اتوماسیون کسبوکار و اتصال سرویسها | پژوهش مدل و آموزش عمیق |
| Fine-tuning و LoRA | داده کافی، معیار روشن و نیاز تخصصی | زمانی که Prompt، RAG یا مدل بهتر مسئله را حل میکند |
| CUDA و بهینهسازی GPU | Serving، Training و MLOps سنگین | استفاده مستقیم از API ابری |
| React و TypeScript | ساخت محصول کامل و رابط کاربری | نقش پژوهشی یا زیرساخت خالص |
اصل تصمیمگیری ساده است: ابتدا تواناییهایی را یاد بگیرید که بین ابزارها جابهجا میشوند. مفهوم Retrieval ماندگارتر از نام یک Vector Database است؛ مفهوم Orchestration ماندگارتر از نام یک فریمورک Agent؛ و اصول Serving ماندگارتر از یک محصول ابری خاص.
کدام مهارتها و اصطلاحات بیشتر از اندازه واقعیشان برجسته میشوند؟
Prompt Engineering بهعنوان شغل مستقل
پرامپتنویسی واقعی شامل تعریف Context، محدودیت، نمونه، خروجی ساختاریافته، نسخهبندی و ارزیابی است. این مهارت مفید است، اما در بیشتر آگهیهای فنی کنار LLM، RAG، Python، محصول یا اتوماسیون قرار میگیرد. مجموعهای از پرامپتهای آماده بدون توانایی ارزیابی و اتصال به سیستم، ارزش شغلی محدودی دارد.
Agent و Multi-Agent بدون زیرساخت
Agent واقعی باید ابزار فراخوانی کند، وضعیت و دسترسی را مدیریت کند، شکست را تشخیص دهد، امن باشد و قابل مانیتورینگ بماند. اگر آگهی فقط Agent میخواهد اما درباره API، Tool Calling، مجوز، Logging، Evaluation و Human-in-the-loop چیزی نمیگوید، احتمالاً اصطلاح مد روز را بهجای معماری واقعی استفاده کرده است.
فهرست طولانی فریمورکهای مشابه
LangChain، LlamaIndex، LangGraph، CrewAI، AutoGen، Haystack و DSPy ابزارهای متفاوتیاند، اما یادگیری همزمان همه آنها معمولاً لازم نیست. کارفرمای حرفهای باید بیشتر به درک Retrieval، State، Tool Calling، Orchestration، Error Handling و Evaluation اهمیت دهد.
تسلط به همه Vector Databaseها
شناخت Embedding، Hybrid Search، Metadata Filtering، Indexing و سنجش Retrieval مهم است. اما حفظ Qdrant، Pinecone، Weaviate، Milvus، FAISS و pgvector بهصورت همزمان، بدون پروژه واقعی، مزیت اصلی محسوب نمیشود.
Fine-tuning برای هر مسئله
Fine-tuning تخصص ارزشمندی است، اما همیشه اولین راهحل نیست. گاهی Prompt بهتر، RAG دقیقتر، پاکسازی داده یا انتخاب مدل مناسبتر با هزینه کمتر نتیجه بهتری میدهد. آگهیای که Fine-tuning میخواهد اما داده، هدف و معیار ندارد باید با احتیاط خوانده شود.
MCP بهعنوان پیشنیاز عمومی
MCP برای استانداردسازی اتصال مدل به ابزار و منبع داده اهمیت روبهرشد دارد، اما هنوز پایه مشترک همه نقشهای AI نیست. فرد باید ابتدا API، احراز هویت، داده، Tool Calling و امنیت را بفهمد؛ سپس MCP را در پروژه مناسب اضافه کند.
هر شغل هوش مصنوعی دقیقاً به چه مهارتهایی نیاز دارد؟
Machine Learning Engineer
مدلسازی، Feature Engineering، ارزیابی، بهینهسازی و تبدیل مدل آزمایشی به سرویس.
- ضروری: Python، آمار، ML، SQL، Scikit-learn، Git
- معمولاً مهم: PyTorch/TensorFlow، API، Docker
- وابسته: Spark، MLflow، Kubernetes، CUDA
Data Scientist
تحلیل داده، آزمایش، پیشبینی، مصورسازی و ارائه نتیجه به کسبوکار.
- ضروری: SQL، Python/R، آمار، Pandas، مصورسازی
- معمولاً مهم: مدلسازی، A/B Test، شناخت کسبوکار
- وابسته: Spark، Airflow، Deep Learning
Applied AI / AI Engineer
ترکیب مدل آماده، داده، API و نرمافزار برای حل مسئله مشخص.
- ضروری: Python، API، دیتابیس، تست، Git، حل مسئله
- معمولاً مهم: Docker، Cloud پایه، Evaluation
- وابسته: RAG، Vision، Speech، Agent، Fine-tuning
LLM / RAG Engineer
Chunking، Embedding، Retrieval، Tool Calling و کنترل Hallucination.
- ضروری: Python، API، LLM، RAG، Vector Search، Evaluation
- معمولاً مهم: Docker، Observability، Security
- وابسته: LangGraph، MCP، LoRA، vLLM
AI Automation Engineer
اتصال CRM، ERP، پیامرسان، دیتابیس و سرویس AI به Workflow واقعی.
- ضروری: تحلیل فرایند، API، Webhook، دیتابیس، Error Handling
- معمولاً مهم: Python/JavaScript، n8n، Queue، Logging
- وابسته: RAG، Agent، Airflow، MCP
MLOps / AI Platform Engineer
استقرار، نسخهبندی، GPU، مانیتورینگ، CI/CD و مدیریت هزینه.
- ضروری: Linux، Docker، Python/Bash، Monitoring، شبکه
- معمولاً مهم: Cloud، CI/CD، Model Serving، Security
- وابسته: Kubernetes، Terraform، CUDA، MLflow
Research Engineer / Applied Scientist
خواندن مقاله، طراحی آزمایش، آموزش مدل و بازتولید نتایج پژوهش.
- ضروری: ریاضیات عمیق، Python، PyTorch، الگوریتم، انگلیسی فنی
- معمولاً مهم: طراحی آزمایش و نوشتن گزارش
- وابسته: CUDA، C++، RL، Distributed Training
AI Product Manager
انتخاب Use Case، اولویتبندی، ارزیابی ریسک و هماهنگی تیم فنی و کسبوکار.
- ضروری: محصول، داده، KPI، ارتباط، سواد AI
- معمولاً مهم: امنیت، Vendor Evaluation، آزمایش
- غیرضروری عمومی: PyTorch، CUDA، Kubernetes
ماتریس مهارتها بر اساس نقش شغلی
| مهارت | AI Engineer | ML Engineer | Data Scientist | LLM Engineer | MLOps | AI Product |
|---|---|---|---|---|---|---|
| Python | ضروری | ضروری | ضروری | ضروری | مهم | آشنایی |
| SQL و داده | ضروری | مهم | ضروری | مهم | آشنایی | مهم |
| API و Backend | ضروری | مهم | آشنایی | ضروری | مهم | آشنایی |
| آمار و ریاضیات | پایه | ضروری | ضروری | پایه | کم | پایه |
| RAG و Vector Search | وابسته | کم | کم | ضروری | آشنایی | آشنایی |
| PyTorch | وابسته | ضروری | وابسته | وابسته | آشنایی | کم |
| Docker | مهم | مهم | مفید | مهم | ضروری | کم |
| Kubernetes | تخصصی | تخصصی | کم | تخصصی | مهم/ضروری | کم |
| ارزیابی و تست | ضروری | ضروری | ضروری | ضروری | مهم | ضروری در سطح KPI |
| شناخت کسبوکار | ضروری | مهم | ضروری | مهم | مفید | ضروری |
انتظار بازار از جونیور، میدل و سینیور یکسان نیست
جونیور
پایه فنی، توانایی یادگیری، یک یا دو پروژه تمیز، Git، تست پایه و توضیح روشن تصمیمها مهمتر از فهرست طولانی ابزارهاست.
میدل
انتظار میرود فرد یک قابلیت را از داده تا API و استقرار پیش ببرد، خطا را تحلیل کند و درباره هزینه، کیفیت و Trade-off تصمیم بگیرد.
سینیور
معماری، انتخاب فناوری، امنیت، مقیاس، راهبری تیم، طراحی معیار و تبدیل نیاز کسبوکار به نقشه اجرایی بخش اصلی ارزش است.
اشتباه رایج این است که فرد جونیور زمان زیادی را صرف Kubernetes، Distributed Training یا پنج فریمورک Agent میکند، درحالیکه هنوز نمیتواند یک API تمیز، تستپذیر و قابل استقرار بسازد. عمق در پایهها معمولاً بازده بیشتری از پراکندگی در فناوریهای پیشرفته دارد.
مهارتهایی که در مصاحبه سنجیده میشوند با کار روزانه چه تفاوتی دارند؟
| حوزه | در مصاحبه | در کار روزانه |
|---|---|---|
| Python | خواندن کد، حل مسئله، ساختار داده، طراحی تابع | کد قابل نگهداری، خطا، تست، Async و Integration |
| Machine Learning | Bias/Variance، Metric، Overfitting، انتخاب مدل | کیفیت داده، Monitoring، Drift و تصمیم اقتصادی |
| LLM و RAG | Embedding، Chunking، Retrieval، Hallucination | داده خراب، Permission، Latency، Cost و Evaluation |
| System Design | معماری سرویس، Cache، Queue و Scaling | محدودیت واقعی تیم، بودجه، امنیت و نگهداری |
| ارتباط | توضیح پروژه و Trade-off | هماهنگی با محصول، کاربر، مدیر و متخصص صنعت |
در مصاحبه ممکن است الگوریتم و مفاهیم پایه پررنگتر باشند، اما در کار روزانه بخش بزرگی از زمان صرف داده، Debug، هماهنگی، تست، نسخهبندی، دسترسی، هزینه و نگهداری میشود. رزومه و پروژه باید هر دو جنبه را نشان دهند.
چطور یک آگهی استخدام AI را درست بخوانیم؟
- اول خروجی را پیدا کنید: شرکت دقیقاً میخواهد چه چیزی ساخته یا بهبود داده شود؟
- مهارتهای Required را از Preferred جدا کنید: همه موارد ارزش یکسان ندارند.
- ابزارها را به مفهوم تبدیل کنید: LangGraph یعنی Orchestration و State؛ Pinecone یعنی Vector Search.
- سناریوی Production را جستوجو کنید: آیا درباره تست، مانیتورینگ، امنیت و استقرار صحبت شده؟
- سطح نقش را با مسئولیت مقایسه کنید: وظایف چهار نقش در عنوان جونیور علامت هشدار است.
- صنعت را در نظر بگیرید: بانک، سلامت و امنیت نیازهای کنترل و حریم خصوصی بیشتری دارند.
- از خودتان بپرسید کدام شکاف در سه ماه قابل جبران است: نبود یک فریمورک معمولاً سادهتر از نبود Python، SQL یا تجربه پروژه است.
قاعده ۷۰ درصد
برای بسیاری از موقعیتها لازم نیست صد درصد فهرست را داشته باشید. اگر بیشتر مهارتهای الزامی، خروجی اصلی نقش و پایههای فنی را دارید، نبود چند ابزار ترجیحی نباید مانع درخواست شود. ابزار قابل یادگیری است؛ نبود پایه و تجربه حل مسئله سختتر جبران میشود.
نقشه یادگیری بهینه برای ورود به بازار AI
این نقشه برای مسیر Applied AI و LLM Engineering طراحی شده؛ مسیری که برای بسیاری از توسعهدهندگان و افراد فنی، ورود عملیتری به بازار دارد. مسیر Research یا Data Science عمیق به ریاضیات و مطالعه تخصصی بیشتری نیاز خواهد داشت.
Python، Git و داده
Python کاربردی، ساختار پروژه، Git، Pandas، SQL، مدیریت خطا و تست ساده. خروجی: یک پروژه دادهای تمیز با README.
API و مهندسی نرمافزار
FastAPI، REST، احراز هویت پایه، دیتابیس، Async، Logging و Docker. خروجی: سرویس قابل اجرا و مستند.
مدلهای زبانی و ارزیابی
Prompt ساختاریافته، Tool Calling، Embedding، RAG، Metric، Hallucination و هزینه. خروجی: دستیار مبتنی بر سند با مجموعه آزمون.
Production و امنیت
CI/CD پایه، Secret، Rate Limit، Retry، Monitoring، Permission و تهدیدهای Prompt Injection. خروجی: نسخه قابل استفاده توسط کاربر واقعی.
تخصص نقش
براساس هدف، یکی از RAG پیشرفته، MLOps، Fine-tuning، Data Science، Vision یا Automation را عمیق کنید.
رزومه و مصاحبه
سه پروژه را مستند کنید، Trade-offها را بنویسید، System Design تمرین کنید و برای آگهیهای متناسب درخواست بفرستید.
برای مطالعه تکمیلی میتوانید راهنمای مهندسی پرامپت، مقاله Loop Engineering و مجموعه مقالات هوش مصنوعی و کسبوکار فیلتور را ببینید.
چه پروژههایی ارزش شغلی واقعی را نشان میدهند؟
دستیار دانش سازمانی
RAG با اسناد واقعی، Metadata، سطح دسترسی، Citation، مجموعه ارزیابی و گزارش Hallucination.
اتوماسیون فرایند فروش یا پشتیبانی
اتصال API، CRM، پیامرسان، Queue، Retry، Logging و انتقال مکالمه به انسان.
سرویس پیشبینی داده
داده خام، پاکسازی، مدل پایه، Metric، API، Docker و پایش Drift یا خطا.
Model Serving محلی
اجرای مدل روی GPU، Quantization، Streaming، Benchmark سرعت و حافظه، Monitoring و مستندات استقرار.
هر پروژه باید این هفت بخش را نشان دهد
- مسئله و کاربر هدف بهصورت روشن
- معماری و دلیل انتخاب فناوری
- داده، محدودیت و نحوه پاکسازی
- Metric و نتیجه عددی یا آزمون سناریویی
- مدیریت خطا، امنیت و حریم خصوصی
- روش اجرا با Docker یا دستور دقیق
- محدودیتها و کارهای بعدی، بدون ادعای اغراقآمیز
اشتباهات رایج در یادگیری مهارتهای هوش مصنوعی
۱. یادگیری ابزار بدون ساخت پروژه
تماشای دوره LangChain، Docker یا PyTorch بدون تحویل خروجی واقعی، حس پیشرفت ایجاد میکند اما توانایی حل مسئله را ثابت نمیکند.
۲. شروع با پیشرفتهترین فناوری
فردی که هنوز API، SQL و تست را بلد نیست، با شروع Kubernetes یا Multi-Agent بیشتر سردرگم میشود. ترتیب یادگیری مهمتر از تعداد دورههاست.
۳. نادیده گرفتن ارزیابی
یک چتبات که در دمو خوب جواب میدهد ممکن است روی پرسش واقعی، داده ناقص یا ورودی مخرب شکست بخورد. بدون مجموعه آزمون، کیفیت فقط یک برداشت شخصی است.
۴. ساخت رزومه با نام ابزارها
نوشتن OpenAI، Claude، Gemini، LangChain، Pinecone و Kubernetes بدون توضیح مسئله، معماری و نتیجه، سیگنال ضعیفی است. رزومه باید نشان دهد با ابزار چه چیزی ساختهاید.
۵. تقلید از مسیر دیگران
مسیر Research Scientist با AI Automation یکی نیست. علاقه، سابقه، بازار هدف و زمان در دسترس باید مسیر را تعیین کند.
۶. بیتوجهی به انگلیسی فنی و مستندسازی
بخش بزرگی از مستندات، مقالهها، Issueها و گفتگوهای تخصصی به انگلیسی است. توانایی خواندن و نوشتن فنی، سرعت رشد و کیفیت همکاری را بالا میبرد.
ادامه مسیر در فیلتور
این گزارش نقطه شروع انتخاب مهارت است. برای ساخت ابزار، توسعه سایت، ربات و راهکارهای هوش مصنوعی، بخشهای مرتبط فیلتور را ببینید.
سؤالات متداول درباره مهارتهای مشاغل هوش مصنوعی
برای ورود به بازار کار هوش مصنوعی باید همه ابزارها را بلد باشیم؟
خیر. پایه مشترک بیشتر نقشهای فنی شامل حل مسئله، Python، داده و SQL، Git، API، تست و ارزیابی است. Kubernetes، MCP، LangGraph، CUDA یا Fine-tuning به نوع نقش و پروژه وابستهاند.
مهمترین مهارت برای شغل AI Engineer چیست؟
ترکیب Python و مهندسی نرمافزار با توانایی اتصال مدل به API، دیتابیس و فرایند کسبوکار مهمترین پایه است. ساخت دمو بدون تست، ارزیابی و استقرار کافی نیست.
آیا Prompt Engineering بهتنهایی یک شغل پایدار است؟
پرامپتنویسی مهارت مفیدی است، اما در بیشتر موقعیتهای فنی بهعنوان مهارت مکمل در کنار LLM، داده، RAG، ارزیابی، محصول یا اتوماسیون ارزش پیدا میکند.
آیا RAG برای همه مشاغل هوش مصنوعی ضروری است؟
خیر. RAG برای دستیار دانشی و جستوجوی سازمانی مهم است، اما برای بینایی ماشین، تحلیل داده کلاسیک، پژوهش الگوریتمی یا بسیاری از پروژههای MLOps الزام عمومی نیست.
برای استخدام در مشاغل هوش مصنوعی پروژه مهمتر است یا مدرک؟
در نقشهای کاربردی و مهندسی، پروژه قابل اجرا که مسئله، داده، ارزیابی و استقرار را نشان دهد معمولاً سیگنال قویتری از گواهینامههای متعدد است. در نقشهای پژوهشی، تحصیلات و سابقه تحقیق اهمیت بیشتری دارد.
کدام مهارتها بیشتر در آگهیها بزرگنمایی میشوند؟
فهرست طولانی فریمورکهای Agent، نام چندین پایگاه برداری، الزام Fine-tuning بدون داده و معیار مشخص و عبارتهایی مانند «تسلط به تمام ابزارهای AI» باید با دقت بررسی شوند.
برای بازار ایران از کدام مسیر هوش مصنوعی شروع کنیم؟
برای بسیاری از افراد، Applied AI شامل Python، API، SQL، مدلهای آماده، RAG پایه، Docker و دو یا سه پروژه واقعی، مسیر عملیتری نسبت به شروع مستقیم با پژوهش عمیق یا زیرساخت سنگین است.
آیا Agent و MCP مهارتهای ضروری سال ۱۴۰۵ هستند؟
رو به رشد و در بعضی پروژهها مهماند، اما هنوز پایه عمومی همه مشاغل AI نیستند. ابتدا مهندسی نرمافزار، API، داده، ارزیابی و امنیت را یاد بگیرید.
بازار به «متخصص همه ابزارها» نیاز ندارد؛ به حلکننده مسئله نیاز دارد
نتیجه این بررسی روشن است: Python، داده، SQL، API، مهندسی نرمافزار، ارزیابی، استقرار پایه و توانایی ارتباط با کسبوکار، بیشترین ارزش انتقالپذیر را دارند. این مهارتها با تغییر مدل و فریمورک از بین نمیروند.
RAG، Agent، PyTorch، MLOps، n8n، Airflow، Kubernetes، CUDA و Fine-tuning همگی واقعی و ارزشمندند؛ اما ارزش آنها به نقش، مقیاس، صنعت و مسئله وابسته است. کسی که میخواهد وارد بازار شود نباید بهدلیل ندیدن همه این نامها در رزومه خود متوقف شود.
بهترین استراتژی این است که یک نقش مشخص انتخاب کنید، پایههای مشترک را عمیق یاد بگیرید، دو یا سه پروژه قابل اجرا بسازید و سپس ابزار تخصصی همان نقش را اضافه کنید. عمق در حل مسئله و تحویل محصول از پراکندگی میان دهها ابزار ارزشمندتر است.
منابع اصلی گزارش
- Lightcast & Stanford University — Annual AI Index 2026؛ آمار مهارتهای AI در آگهیهای آمریکا، Python، Agentic AI و حرکت از آزمایش به اجرا.
- Stanford HAI — 2026 AI Index, Economy؛ پذیرش سازمانی AI، استفاده از GenAI و وضعیت اولیه استقرار Agentها.
- World Economic Forum — Future of Jobs Report 2025, Skills Outlook؛ تغییر مهارتها تا ۲۰۳۰، تفکر تحلیلی و رشد AI و کلانداده.
- Indeed Hiring Lab — How Employers Are Talking About AI in Job Postings؛ فاصله میان ذکر عمومی AI و کاربرد واقعی و قابل توضیح در آگهیها.
- Stack Overflow Developer Survey 2025 — AI؛ میزان استفاده، اعتماد به خروجی، وظایف روزانه و نگرش توسعهدهندگان.
- Google Cloud — 2025 DORA Report؛ رابطه استفاده از AI با کیفیت سیستم مهندسی، بهرهوری، تحویل و اعتماد.
- جابویژن — AI Platform Engineer اسنپباکس؛ تفکیک مهارتهای اصلی از Familiarity و Nice-to-have در یک نقش پلتفرمی سینیور.
- جابویژن — مهندس مدلهای زبانی بزرگ دمیس؛ Python، FastAPI، RAG، Evaluation، Benchmarking، Monitoring و همکاری محصول.
- ایرانتلنت — موقعیت تخصصی Reinforcement Learning؛ نمونهای از نیاز واقعی به ریاضیات، Python، Deep Learning، پژوهش و ارزیابی.
- ایرانتلنت — جستوجوی فرصتهای Artificial Intelligence؛ نمونه تنوع عنوانها و همپوشانی نقشهای AI در بازار ایران.
- جابینجا — آگهیهای دارای مهارت هوش مصنوعی؛ نمونهای از اینکه فیلتر AI میتواند مشاغلی را شامل شود که AI ابزار جانبی آنهاست.
- LinkedIn Economic Graph — AI Labor Market Update, April 2026؛ رشد مهارتهای AI Agents، LLMOps، AI Productivity و تمرکز بر عملیاتیسازی در تیمهای کوچک و متوسط.
- Lightcast — Job Posting Analytics Methodology؛ روش گردآوری، استانداردسازی و حذف تکرار آگهیهای شغلی.
- Stack Overflow Developer Survey 2025 — Technology؛ روند استفاده از زبانها، ابزارها و فناوریهای توسعه نرمافزار.
- Microsoft — 2025 Annual Work Trend Index؛ بررسی نقشهای جدید AI، مدیریت Agent و تغییر ترکیب نیروی انسانی و دیجیتال.
- World Economic Forum — Future of Jobs Report 2025؛ نسخه کامل گزارش و روششناسی نظرسنجی کارفرمایان.
- Google Search Central — Article structured data؛ راهنمای رسمی نشانهگذاری مقاله و اطلاعات نویسنده، ناشر و تاریخ.
- Google Search Central — FAQ structured data؛ راهنمای رسمی داده ساختاریافته FAQ و محدودیت نمایش نتایج غنی.
تولید راهنماهای کاربردی درباره هوش مصنوعی، طراحی سایت، ربات و اتوماسیون برای کسبوکارهای ایرانی.