Andrew Ng : پیش از این درباره «نقشه مهارت‌های مهندسی هوش مصنوعی» (AI Engineering Skills Map) صحبت کرده بودم؛ نقشه‌ای که بالاترین سطوح مهارتی آن عبارتند از:

ساخت و استقرار کاربردهای هوش مصنوعی (Building and deploying AI applications)
اصول و بنیادهای مهندسی نرم‌افزار (Software engineering fundamentals)
استفاده از ایجنت‌های کدنویسی (Using coding agents)
طراحی و هدایت فرآیند ساخت محصول (Shaping the build)

در این مقاله قصد دارم اولین و مهم‌ترین بخش این نقشه، یعنی ساخت و استقرار کاربردهای هوش مصنوعی را به‌طور کامل و دقیق تشریح کنم.

مهارت در ساخت و استقرار سیستم‌های هوش مصنوعی شامل چه مواردی است؟

تسلط بر ساخت و استقرار کاربردهای هوش مصنوعی مستلزم دانستن ۶ محور کلیدی است:

مبانی و اصول مدل‌های زبانی بزرگ (LLM Foundations)
تغذیه و متصل‌کردن مدل به داده‌ها (Grounding Models with Data)
ساخت سیستم‌های ایجنتی (Building Agentic Systems)
توسعه مبتنی بر ارزیابی و سنجش (Evaluation-Driven Development)
عملیات و نگهداری در محیط پروداکشن (Operating in Production)
مبانی یادگیری ماشین (Machine Learning Foundations)

📌 نکته: این نقشه مهارتی بر اساس تحلیل دقیق تعداد زیادی از آگهی‌های شغلی، مصاحبه‌های ساختاریافته با متخصصان برتر و نظرسنجی‌های گسترده به دست آمده است.

تفاوت بنیادین نرم‌افزارهای مبتنی بر هوش مصنوعی با نرم‌افزارهای سنتی

تفاوت اصلی میان کاربردهای هوش مصنوعی و نرم‌افزارهای سنتی در غیرقابل‌پیش‌بینی بودن خروجی آن‌هاست. شما از قبل دقیقاً نمی‌دانید یک مدل زبانی بزرگ (LLM) چه پاسخی تولید خواهد کرد یا یک الگوریتم یادگیری نظارت‌شده (Supervised Learning) چه پیش‌بینی‌ای انجام می‌دهد.

به دلیل همین عدم قطعیت، فرآیند ساخت سیستم‌های هوش مصنوعی بسیار تکرارشونده‌تر (Iterative) از نرم‌افزارهای سنتی است و برنامه‌ریزی خطی و از پیش تعیین‌شده برای آن بسیار دشوارتر خواهد بود. مهندسان خبره هوش مصنوعی مدام یک بخش از نرم‌افزار را می‌سازند، عملکرد آن را می‌سنجند و سپس بر اساس نتایج میانی، برای گام بعدی تصمیم‌گیری می‌کنند.

توانایی تصمیم‌گیری هوشمندانه برای «گام بعدی»، همان مهارتی است که به شما امکان می‌دهد سیستم‌های نرم‌افزاری کاملاً قابل اعتماد را بر پایه مؤلفه‌های هوش مصنوعی غیرقابل اعتماد (Unreliable AI Components) خلق کنید. این مسیر نیازمند تسلط بر مفاهیم زیر است:

مبانی و اصول مدل‌های زبانی بزرگ (LLM Foundations)

درک این موضوع که مدل‌های زبانی بزرگ چگونه ورودی‌ها را توکنایز (Tokenize) کرده و خروجی تولید می‌کنند، به شما نشان می‌دهد چه زمانی می‌توانید به آن‌ها تکیه کنید و در چه شرایطی ممکن است دچار خطا و توهم شوند.

همچنین به شما کمک می‌کند بدانید:

چه زمانی به سراغ مدل‌های چندحالته (Multimodal) بروید.
چگونه برای انتخاب محتوای پنجره زمینه (Context Window) بده‌بستان (Trade-off) مهندسی انجام دهید.
مسائلی چون نرخ اصابت کش (Cache Hits)، تاریخ انقضای دانش مدل (Knowledge Cutoff)، سطح تلاش استدلالی (Reasoning Effort Level)، پارامترهای نمونه‌برداری (Sampling Parameters) و قابلیت‌های ویژه‌ای نظیر فراخوانی ابزارها (Tool Calling) را تحلیل کنید.

تسلط بر این مبانی به شما در انتخاب مدل مناسب (یا ترکیبی از مدل‌ها) و استفاده از تکنیک‌های تخصصی نظیر فاین‌تیونینگ (Fine-tuning) یا میزبانی شخصی مدل‌ها (Self-hosting) کمک شایانی خواهد کرد.

تغذیه و متصل‌کردن مدل به داده‌ها (Grounding Models with Data)

مدل‌های زبانی برای تولید خروجی‌های کاربردی و دقیق، نیازمند «بستر و زمینه ورودی باکیفیت» هستند. سیستم‌های RAG (تولید مبتنی بر بازیابی) با استفاده از جستجوی برداری، تلاشی اولیه برای رساندن کانتکست مرتبط به مدل بودند؛ اما امروزه جعبه‌ابزار تکنیک‌های اتصال مدل به داده بسیار گسترده‌تر شده است.

به عنوان یک مهندس AI، شما باید تصمیم بگیرید:

چه داده‌هایی مستقیماً در پرامپت قرار گیرند و چه داده‌هایی هنگام نیاز توسط مدل و از طریق ابزارها بازیابی شوند.
کدام ساختار بازنمایی داده برای داده‌ها و کوئری‌های جستجوی شما مناسب‌تر است: یک نمایه برداری (Vector Index)، یک گراف دانش (Knowledge Graph)، یا یک لایه معنایی (Semantic Layer) روی داده‌های ساختاریافته (مانند سوابق مشتریان).
تبدیل اسناد مختلف (متن، PDF، HTML، تصویر) به ورودی‌های آماده برای LLM و مهندسی پایپ‌لاین‌هایی جهت تمیز و به‌روز نگه داشتن داده‌ها.

وقتی منوی کاملی از ابزارهای بازیابی و آماده‌سازی داده را بشناسید، زمینه‌سازی (Contextualization) بسیار دقیق‌تری برای مدل خود رقم خواهید زد.

ساخت سیستم‌های ایجنتی (Building Agentic Systems)

سیستم‌های ایجنتی طیف وسیعی را شامل می‌شوند؛ از ورک‌فلوهایی که توالی مشخصی از فراخوانی‌های LLM را اجرا می‌کنند تا سیستم‌هایی بر پایه مهار ایجنت (Agent Harness) که در آن‌ها مدل خودش درباره اقدام بعدی تصمیم می‌گیرد.

در این بخش باید بتوانید:

معماری سیستم را انتخاب کنید: کدام مراحل زنجیره‌ای (Chained) و کدام موازی (Parallelized) باشند؟ کجا باید از کد معمولی و کجا از LLM استفاده شود؟
حلقه کاری ایجنت (Agent Loop) و سناریوهای بازگشت به عقب (Fallbacks) را مهندسی کنید.
تعیین کنید مدل به چه ابزارهایی دسترسی داشته باشد (شامل پروتکل‌های MCP، محیط‌های CLI و جعبه‌های شنی اجرای کد/Sandbox).
معماری حافظه (Memory Architecture)، مدیریت زمینه در نشست‌های طولانی (Long Sessions) و زمان نیاز به ارکستراسیون چند ایجنتی (Multi-Agent Orchestration) در برابر تک ایجنت را پیاده‌سازی کنید.
پروتوتایپ‌های اولیه را به سیستم‌های امن و پایدار پروداکشن تبدیل کنید؛ این امر مستلزم درک گاردریل‌ها (Guardrails)، مقابله با ورودی‌های مخرب (Adversarial Inputs)، شناسایی ریسک‌هایی نظیر نشت داده (Data Exfiltration) و مباحث حاکمیت داده (Governance) است.

همچنین آشنایی با تکنیک‌های نوظهوری همچون ایجنت‌های صوتی (Voice Agents)، ایجنت‌های کار با کامپیوتر (Computer-Use Agents) و واسط‌های کاربری زایشی (Generative UI) مزیت رقابتی بزرگی به شمار می‌رود.

توسعه مبتنی بر ارزیابی و سنجش (Evaluation-Driven Development)

از دیدگاه تجربی من، مهم‌ترین ویژگی که یک مهندس برجسته سیستم‌های هوش مصنوعی را از دیگران متمایز می‌کند، توانایی هدایت یک چرخه منضبط «ارزیابی و تحلیل خطا» (Evals / Error Analysis Loop) در طول فرآیند توسعه است.

این چرخه به شما اجازه می‌دهد تلاش‌های فنی خود را همواره روی مسیرهایی متمرکز کنید که بالاترین شانس به ثمر نشستن را دارند. تسلط بر ارزیابی (Evals) مهارتی عمیق و چالش‌برانگیز است، زیرا رویکرد مناسب بسته به هر پروژه و حتی فاز توسعه آن پروژه تغییر می‌کند.

برای پیاده‌سازی ارزیابی استاندارد باید:

خروجی‌ها و تریس‌های سیستم (Traces) را تحلیل کرده، تحلیل اکتشافی داده (EDA) انجام دهید و با ترکیب بینش محصولی و تجاری مشخص کنید چه شاخص‌هایی باید اندازه‌گیری شوند.
جعبه‌ابزار ارزیابی را بشناسید: چه زمانی ارزیابی قطعی مبتنی بر کد (Deterministic) به کار ببرید، چه زمانی از مدل زبانی به عنوان داور (LLM-as-a-judge) استفاده کنید و کجا حضور انسان در حلقه (Human-in-the-loop) الزامی است.
خودِ سیستم‌های ارزیابی را اعتبارسنجی کنید تا فرآیند ارتقای سیستم نظام‌مند (Systematic) باشد، نه تصادفی.

عملیات و نگهداری در محیط پروداکشن (Operating in Production)

مدیریت و بهره‌برداری از نرم‌افزارهای هوش مصنوعی در پروداکشن به دلیل ماهیت پیش‌بینی‌ناپذیر، هزینه‌های بالا (Cost) و زمان پاسخ‌دهی (Latency) تفاوت‌های عمده‌ای با سیستم‌های سنتی دارد.

مهارت‌های لازم در این حوزه عبارتند از:

مشاهده‌پذیری (Observability): پایش عملکرد زنده سیستم، شناسایی تغییر توزیع داده‌ها (Drift)، و واکنش سریع به خطاهای مدل یا حملات امنیتی (مانند Prompt Injection).
تست‌های رگرسیون و پایپ‌لاین CI/CD: در مقایسه با نرم‌افزارهای سنتی نیازمند ارزیابی‌های آماری و تنظیم دقیق حجم آزمون‌ها متناسب با ریسک خطای هر بخش است.
بهینه‌سازی هزینه و تأخیر: انتخاب ترکیب درستی از تکنیک‌ها از جمله انتخاب مدل بهینه، تقطیر دانش (Distillation)، فاین‌تیونینگ و ساده‌سازی ورک‌فلوهای ایجنتی به‌ویژه برای مقیاس‌های با ترافیک بالا.

مبانی یادگیری ماشین (Machine Learning Foundations)

مدل‌های زبانی بزرگ مدرن بر پایه تکنیک‌های یادگیری ماشین از جمله یادگیری نظارت‌شده (Supervised Learning) و یادگیری تقویتی (Reinforcement Learning) بنا شده‌اند. تمامی مهندسانی که در کار با LLMها مهارت بالایی دارند، یادگیری ماشین و یادگیری عمیق (Deep Learning) را نیز در سطحی قابل توجه درک می‌کنند.

علاوه بر این، بسیاری از سیستم‌ها همچنان نیازمند استفاده از مدل‌های تخصصی یادگیری ماشین (چه از پیش‌آموزش‌دیده و چه آموزش‌داده‌شده توسط خودتان) هستند. این بخش نیازمند:

شناخت مدل‌های پرکاربرد و سنجش بده‌بستان‌های دقت (Accuracy)، سرعت آموزش (Training Speed) و سرعت استنتاج (Inference Speed).
درک عمیق مفاهیمی چون بایاس و واریانس (Bias / Variance)، تحلیل خطا (Error Analysis) و مهندسی داده‌های آموزشی. این مفاهیم چهارچوب‌های ذهنی بنیادینی هستند که به شما در کنترل و تصمیم‌گیری درباره سیستم‌هایی با خروجی‌های نامعین کمک می‌کنند.

جمع‌بندی

تسلط بر ساخت و استقرار سیستم‌های هوش مصنوعی حوزه‌ای با عمق فنی بسیار بالاست و نیازمند یادگیری پیوسته است. با این حال، هر گامی که در یادگیری این مبانی برمی‌دارید، مستقیماً مهارت شما را در مهندسی هوش مصنوعی ارتقا داده و امکان ساخت محصولاتی هیجان‌انگیزتر و پایدارتر را برایتان فراهم می‌سازد.مکمل اساسی این مهارت‌ها، «اصول مهندسی نرم‌افزار» (Software Engineering Fundamentals) است که در پست‌های آینده به تشریح آن خواهم پرداخت.

منبع

AI Engineering Skills Map: Building and Deploying AI Applications