داشتم دسته‌بندی "چیپ هوین" توی کتاب مصاحبه‌های ماشین‌لرنینگ رو نگاه می‌کردم؛ لیست دقیقی از عنوان‌های شغلی این حوزه درآورده. واقعیت اینه که توی شرکت‌های مختلف، این اسم‌ها خیلی سلیقه‌ای استفاده می‌شه و همپوشانی زیادی دارن، اما برای اینکه موقع اپلای کردن گیج نشیم، فهمیدن تفاوت‌هاشون لازمه...

AI/ML Research Scientist
تمرکزش روی خلق ایده‌ها، معماری‌های جدید و نوشتن مقاله‌های علمیه. موفقیتش با نوآوری و آزمایش‌های تئوری سنجیده می‌شه و معمولاً مدرک دکترا یا رزومه پژوهشی خیلی قوی می‌خواد.

AI/ML Research Engineer
کارش اینه که اون ایده‌های تئوری و مقاله‌ها رو به کدهای واقعی تبدیل کنه تا بشه روشون آزمایش انجام داد. زیرساخت‌های لازم برای آموزش مدل و جمع‌آوری دیتا رو می‌سازه و بیشتر از دانشمند تحقیق، دست به کد هست.

Applied Scientist
چیزی بین تحقیق و صنعته. از روش‌های علمی جدید استفاده می‌کنه تا یه مشکل واقعی و بیزنسی رو توی یه دامنه خاص حل کنه. یعنی لزوماً دنبال انتشار مقاله نیست، دنبال حل مسئله با متدهای جدیده.

Machine Learning Engineer
مسئولیتش اینه که مدل رو به یه نرم‌افزار پایدار و قابل استفاده برای کاربر تبدیل کنه. از مدیریت مسیرهای انتقال داده (Data Pipelines) گرفته تا مانیتورینگ و نگهداری مدل توی محیط واقعی؛ در واقع یه مهندس نرم‌افزاره که تخصصش یادگیری ماشینه.

Data Scientist
بیشتر دنبال استخراج تحلیل و آمار از داده‌هاست تا به مدیران کمک کنه تصمیم‌های بیزنسی بهتری بگیرن. برخلاف مهندس ماشین‌لرنینگ، لزوماً قرار نیست کدش وارد چرخه تولید محصول بشه.

ML/AI Platform Engineer
ابزارهای داخلی می‌سازه تا بقیه مهندس‌های همون شرکت بتونن راحت‌تر کارهای ماشین‌لرنینگی رو انجام بدن؛ مثلاً سیستم‌های خودکار برای تست مدل یا ثبت نسخه‌های مختلف مدل (Model Registry).

ML/AI Infrastructure Engineer
تمرکزش روی لایه‌های زیرساختی و سخت‌افزاریه. مدیریت سرورها، پردازش‌های موازی سنگین، خوشه‌بندی پردازنده‌ها و کلاً هر چیزی که به پایداری و مقیاس‌پذیری سیستم محاسباتی ربط داره.

ML Framework Engineer
روی هسته اصلی کتابخانه‌ها و ابزارهای پایه کار می‌کنه. مثلاً بهینه‌سازی کدهای سطح پایین برای کتابخانه‌هایی مثل PyTorch یا کار روی کامپایلرهایی که مدل رو برای اجرا روی سخت‌افزار آماده می‌کنن.

AI Hardware Engineer
کارش طراحی و بهینه‌سازی تراشه‌ها و قطعات سخت‌افزاریه که مخصوص پردازش‌های سنگین هوش مصنوعی ساخته می‌شن؛ مثل کار روی پردازنده‌های گرافیکی یا تراشه‌های مخصوص پردازش عصبی.

ML/AI Solutions Architect
قبل از پیاده‌سازی، نیاز مشتری رو بررسی می‌کنه و طراحی می‌کنه که چطور ابزارهای هوش مصنوعی باید توی سیستم‌های بزرگ مشتری جا بگیرن و با بقیه بخش‌ها کار کنن.

AI/ML Solutions Engineer
بیشتر نقش اجرایی و پشتیبانی داره. به مشتری‌ها کمک می‌کنه تا محصول رو عملاً راه بندازن، کدها رو یکپارچه کنن و اگه موقع نصب یا استفاده مشکلی پیش اومد حلش کنن.

Developer Advocate
رابط بین شرکت و جامعه برنامه‌نویس‌هاست. آموزش می‌سازه، توی کنفرانس‌ها صحبت می‌کنه و بازخوردهای توسعه‌دهنده‌ها رو به تیم محصول برمی‌گردونه تا ابزارها بهتر بشن.

خلاصه اینکه اگه دنبال اسمی هستی که به کارت بیاد، به جای عنوان، به این نگاه کن که چقدر قراره مدل بسازی، چقدر قراره زیرساخت کد بزنی و آیا اصلاً با مشتری در تماسی یا نه...

منبع: کتاب Machine Learning Interviews اثر Chip Huyen

🛠 Join @LLMEngineers Community