AI Engineer یه شغل مستقله، نه یه اسم جدید برای ML
هوش مصنوعیخلاصهٔ کاملتر
اگه تا حالا یه ایجنت هوش مصنوعی ساختی که توی دمو عالی کار میکرد ولی با کاربر واقعی خراب شد، تجربهات دقیقاً همون چیزیه که Scott Moss، مهندس ارشد Netflix، داره توضیح میده. به گفته اون، شکاف بین «توی دمو خوبه» و «توی پروداکشن قابلاعتماده» دقیقاً همون جاییه که کار AI Engineer تعریف میشه.
تفاوت AI Engineer با ML Engineer اینه که ML Engineer روی آموزش مدل، مدیریت داده و بهینهسازی معماری شبکه کار میکنه — یعنی لایه مدل. AI Engineer اما در لایه اپلیکیشن کار میکنه؛ مدلهای از پیش آموزشدیده رو میگیره و ازشون محصول میسازه. گاهی این کار به خوندن مقالات تخصصی ML هم میرسه، اما خروجی نهایی همیشه یه محصول کاره، نه یه مدل آموزشدیده.
چهار مهارت که توی آگهیهای شغلی AI Engineer بارها تکرار میشن اینان: RAG (بازیابی اطلاعات برای غنیسازی پرامپت)، Evals (ارزیابی خروجی مدل)، Agents (ایجنتهای هوشمند)، و Production Deployment. اما زیر این سرفصلها، کارهای روزمرهای نشسته که حرفه رو میسازن:
- Context Engineering: ارسال توکنهای درست به مدل در زمان درست — چون توکن مستقیماً با هزینه انرژی رابطه داره.
- Tool Design: دادن ابزار مناسب به ایجنتها، طوری که کار درست انجام بشه و از کار اشتباه پرهیز بشه.
- Evaluation: سنجش واقعی عملکرد ایجنت، نه فقط احساس پیشرفت.
- Production Reliability: مدیریت خطا، لیتنسی، و تجربه کاربر وقتی چیزی خراب میشه.
ذهنیت اصلی این حرفه چیزیه که Moss بهش «لوپ Build-Eval-Improve» میگه: بساز، ارزیابی کن، بهبود بده، دوباره ارزیابی کن. این لوپ هیچوقت تموم نمیشه، چون با یه سیستم غیرقطعی (non-deterministic) طرفی که باید قابلاعتماد باشه. برخلاف برنامهنویسی سنتی، اینجا «تحویل بده و برو سراغ بعدی» وجود نداره.
سختترین بخش کار هم به گفته Moss نوشتن کد نیست — انتخاب معیارهای درست برای ارزیابیه. اگه متریک اشتباه بگیری، لوپت تو خلاء میچرخه. اگه متریک درست بگیری، کل سیستم بهصورت مرکب رشد میکنه. همین نکته نشون میده چرا این نقش با بقیه فرق داره: یه software engineer مسیرهای قطعی کد رو بهینه میکنه، ML engineer مدل رو، اما AI engineer یه فیدبک لوپ روی یه سیستم غیرقطعی رو — و بیشترین اهرم از انتخاب چیزی میاد که قراره اندازهگیری بشه.
نکات کلیدی:
- AI Engineer نه ML Engineer هست، نه «کسی که API مدل زبانی صدا میزنه» — یه دیسیپلین مستقله.
- این نقش در لایه اپلیکیشن کار میکنه و خروجیش محصول قابلاعتماده، نه مدل آموزشدیده.
- چهار مهارت کلیدی: RAG، Evals، Agents، Production Deployment.
- لوپ Build-Eval-Improve هیچوقت تموم نمیشه — این ذهنیت اصلی کاره.
- سختترین چالش انتخاب متریکهای درست برای ارزیابی سیستمه، نه نوشتن کد.
- شرکتهای AI-native مثل OpenAI دارن تیمهای بزرگ میسازن که هرکدوم روی یه بخش خاص سیستم کار میکنن.
