نقشهٔ راه هوش مصنوعی: ML، LLM و مهندسی محصول

«مهندس هوش مصنوعی» عنوانی است که برای شغل‌های بسیار متفاوت به کار می‌رود: کسی که مدل می‌آموزد، کسی که با API یک مدل زبانی محصول می‌سازد و کسی که زیرساخت را اداره می‌کند. نقشهٔ راه واحد برای همه مفید نیست و گاهی گمراه‌کننده است. این مقاله سه شاخه را جدا می‌کند، پیش‌نیازها را واقع‌بینانه می‌گوید و برای هر کدام مرحله‌هایی با پروژه و مهارت سنجش‌پذیر می‌دهد. مستندات Google (ML Crash Course)، Hugging Face (LLM Course) و OWASP (Top 10 for LLM Apps)، خوانده‌شده ۱۹ اکتبر ۲۰۲۶، فقط برای ادعاهای مشخص به‌کار رفته‌اند. تقسیم‌بندی سه‌شاخه‌ای و ترتیب پیشنهادی از نویسنده است و زمان یا حقوق نمی‌دهد. برای زمینهٔ محصول آماده تولید نرم‌افزار آمادهٔ تولید را ببینید.

سه شاخه: ML، LLM و مهندسی محصول

این تقسیم‌بندی تفسیر نویسنده است؛ مرزها در عمل مبهم است و بسیاری از نقش‌ها ترکیبی‌اند. اما برای یادگیرنده کمک می‌کند بپرسد: می‌خواهم مدل بسازم، مدل موجود را به‌کار ببرم یا محصول بسازم؟ پاسخ مسیر را تعیین می‌کند.

پایهٔ مشترک

برنامه‌نویسی (معمولاً پایتون)، کار با داده و درک مفهوم ارزیابی. Google ML Crash Course را به‌عنوان نمونهٔ مسیر ساخت‌یافته می‌توان دید: ماژول‌های آن چهار دسته‌اند — مدل‌های پایه (رگرسیون خطی و لجستیک، طبقه‌بندی با معیارهایی مثل precision، recall و AUC)، داده (داده عددی و دسته‌ای، تعمیم و overfitting)، مدل‌های پیشرفته (شبکهٔ عصبی، embeddings، مقدمهٔ LLM) و ML در دنیای واقعی (سیستم‌های تولید، AutoML، انصاف). دوره می‌گوید ماژول‌ها مستقل‌اند و کسی که تجربه دارد می‌تواند مستقیم به موضوع دلخواه برود. مهارت سنجش‌پذیر: برای یک مسئلهٔ طبقه‌بندی ساده، داده را تقسیم کنم، مدل را بیاموزم و با confusion matrix توضیح دهم کجا اشتباه می‌کند.

شاخهٔ ML: مدل و ارزیابی

ترتیب پیشنهادی: رگرسیون و طبقه‌بندی، کار با داده و overfitting، شبکه عصبی، و سپس ML در تولید. پروژه: مدلی روی یک مجموعه‌داده عمومی با گزارش ارزیابی شامل خطاها و محدودیت‌ها. مهارت: بتوانم overfitting را تشخیص دهم و با داده یا تنظیم مدل کاهش دهم. در این شاخه ریاضی و آمار پایه اهمیت بیشتری دارد؛ میزان لازم به نقش بستگی دارد و ما عدد قطعی نمی‌دهیم.

شاخهٔ LLM: مدل‌های زبانی

Hugging Face توضیح می‌دهد NLP حوزه‌ای گسترده‌تر برای فهم و تولید زبان است و LLMها زیرمجموعه‌ای قدرتمند از مدل‌های NLP با اندازهٔ بزرگ و آموزش گسترده‌اند که با آموزش حداقلی وظایف مختلف زبانی را انجام می‌دهند. دورهٔ آن‌ها دانش خوب پایتون را لازم می‌داند و پیشنهاد می‌کند پس از یک دورهٔ مقدماتی یادگیری عمیق گذرانده شود. فصل‌ها از مفاهیم Transformers تا tokenizer، ساخت دمو و موضوع‌های پیشرفته مثل fine-tuning و curating داده می‌روند. پروژه: یک مدل آماده را روی یک مجموعه‌داده کوچک تنظیم یا ارزیابی کنم و نتیجه را با مدل پایه مقایسه کنم. مهارت: توضیح دهم token چیست و چرا طول ورودی محدودیت دارد.

شاخهٔ مهندسی محصول هوش مصنوعی

این شاخه به مهندسی نرم‌افزار نزدیک‌تر است: API، داده، ارزیابی، امنیت و آمادگی تولید (نرم‌افزار آمادهٔ تولید). OWASP فهرست ۲۰۲۵ ریسک‌های اپلیکیشن‌های LLM را منتشر کرده که شامل Prompt Injection، افشای اطلاعات حساس، ضعف زنجیرهٔ تأمین، Improper Output Handling، Excessive Agency، System Prompt Leakage، Misinformation و Unbounded Consumption است. هر کسی که محصول می‌سازد باید این‌ها را بشناسد. پروژه: یک اپلیکیشن کوچک که از یک مدل زبانی از طریق API استفاده می‌کند، ورودی و خروجی را اعتبارسنجی می‌کند، مصرف را محدود می‌کند و مجموعه‌ای از نمونه‌های آزمون برای ارزیابی دارد. مهارت: برای هر یک از چهار ریسک OWASP یک کنترل مشخص در برنامهٔ خودم نشان دهم.

ارزیابی: مهارت مشترک و مهم

در هر سه شاخه، توانایی ارزیابی تعیین‌کننده است. در ML معیارهایی مثل precision و recall؛ در LLM مجموعهٔ نمونه‌های آزمون و بازبینی انسانی؛ در محصول، آزمون رگرسیون پاسخ‌ها. اینکه ارزیابی چگونه انجام شود به مسئله بستگی دارد و در این مقاله فقط اصل را می‌گوییم: بدون ارزیابی، «بهتر شدن» یک حدس است. این توصیهٔ نویسنده است.

مثال ساختگی از انتخاب شاخه

توسعه‌دهندهٔ فرضی بک‌اند با دو سال تجربه می‌خواهد وارد حوزه شود. هدفش ساخت محصول است نه آموزش مدل. او مسیر مهندسی محصول را با یادگیری مفاهیم پایهٔ ML و LLM به‌اندازهٔ نیاز انتخاب می‌کند و پروژه‌ای با ارزیابی و کنترل ریسک می‌سازد. دانشجوی فرضی ریاضی که به پژوهش علاقه دارد مسیر ML و سپس LLM را انتخاب می‌کند. مثال ساختگی است.

اشتباهات رایج

• رفتن سراغ LLM بدون پایهٔ پایتون و مفاهیم ارزیابی.
• یکی‌گرفتن «مهندس هوش مصنوعی» با «ساخت مدل».
• ساخت دمو بدون ارزیابی و بدون توجه به ریسک.
• انتظار زمان یا درآمد قطعی.
• جمع‌کردن دوره بدون پروژه.
• نادیده‌گرفتن امنیت در اپلیکیشن‌های LLM.

پیش‌نیازها: واقع‌بینانه

پیش‌نیاز را بر پایهٔ منبعی که می‌خواهید بخوانید تعیین کنید، نه شایعه. دورهٔ LLM در Hugging Face صراحتاً «دانش خوب پایتون» می‌خواهد و پیشنهاد می‌کند ابتدا یک دورهٔ مقدماتی یادگیری عمیق را گذرانده باشید؛ دانش قبلی PyTorch یا TensorFlow را لازم نمی‌داند ولی آشنایی کمک می‌کند. Google ML Crash Course ماژول‌های مستقلی دارد و اگر تجربه ندارید ترتیب پیشنهادی آن‌ها را توصیه می‌کند. پس پیش‌نیاز واقعی شما این‌هاست: پایتون روان، کار با داده و درک اولیهٔ ارزیابی مدل. اینکه چه سطحی از ریاضی لازم است به شاخه بستگی دارد و ما در این مقاله سطح مشخصی ادعا نمی‌کنیم.

اگر مهندس نرم‌افزار هستید و می‌خواهید محصول بسازید، پیش‌نیاز بیشتر مهندسی است: API، پایگاه‌داده، استقرار و امنیت. ممکن است نیاز نداشته باشید مدل را از صفر آموزش دهید. اما باید مفاهیم پایه (token، embedding، overfitting، معیارهای ارزیابی) را در حدی بدانید که ارزیابی و رفع اشکال سیستم ممکن شود. دوره‌های بالا برای همین سطح مفیدند.

اگر آغاز کار هستید، توصیه نویسنده این است که به‌جای تلاش برای «همه چیز»، یک پروژهٔ کوچک واقعی انتخاب کنید (مثلاً دسته‌بندی متن‌های پشتیبانی یا خلاصه‌ساز اسناد داخلی) و بر اساس آن نیازهای یادگیری را مشخص کنید. پروژه نشان می‌دهد کدام مفهوم را کم دارید و یادگیری را هدفمند می‌کند. مراقب باشید دادهٔ شخصی یا محرمانه را بدون بررسی به سرویس‌های بیرونی ندهید؛ این ملاحظهٔ امنیتی و حریم خصوصی بخشی از مهندسی محصول است و تصمیم حقوقی در این مقاله اتخاذ نمی‌شود.

چک‌لیست

1. شاخهٔ هدف (ML، LLM یا محصول) مشخص شده است.
2. پایهٔ پایتون و داده پیش از شاخه تمرین شده است.
3. هر مرحله پروژه و مهارت سنجش‌پذیر دارد.
4. ارزیابی با نمونه‌های آزمون یا معیار مناسب انجام می‌شود.
5. ریسک‌های OWASP برای اپلیکیشن LLM بررسی شده است.
6. هیچ ادعای زمان یا شغل قطعی در برنامه نیست.

منابع و مراجع

• Machine Learning Crash Course — Google for Developers، 2026-10-19.
• Welcome to the Hugging Face LLM Course — Hugging Face، 2026-10-19.
• OWASP Top 10 for LLM Applications 2025 — OWASP Gen AI Security Project، 2026-10-19.