عضو Medium نیستید؟ میتوانید این مقاله را بهصورت رایگان از اینجا مطالعه کنید.
من از طریق منابع کاربردی مانند Claude Code Ultimate Bundle به توسعهدهندگان کمک میکنم تا بر Claude Code مسلط شوند، و همچنین با استارتاپها و تیمهای مهندسی برای طراحی و ساخت محصولات AI آماده برای محیط پروداکشن همکاری میکنم (در انتهای مقاله هم یک AI Cheatsheet برای شما قرار دادهام!).
پیامهای زیادی از مخاطبانم دریافت میکنم که میپرسند: چطور میتوانم یک AI Engineer شوم؟
این روزها صدها فایل PDF با عنوان AI Roadmap دستبهدست میشود؛ فایلهایی که بخش زیادی از آنها قبل از اینکه اصطلاحاتی مثل AI Agents، MCP و Context Engineering اصلاً به گوش کسی خورده باشد نوشته شدهاند.
این در حالی است که امروزه حتی از یک نیروی تازهکار هم انتظار میرود درک خوبی از RAG داشته باشد؛ و دقیقاً به همین خاطر، ندانستن اینکه اصلاً مسیر را باید از کجا شروع کرد، میتواند بسیار گیجکننده باشد.
از طرف دیگر، توسعهدهندگان باتجربهای هم که قصد دارند وارد این حوزه شوند یا مهارتهای خود را در نقشهای AI ارتقا دهند، اغلب سردرگم میشوند؛ چرا که علاوه بر تجربیات کاری و مباحث System Design، تمامی فازها و مباحثی که در ادامه به آنها اشاره میکنم نیز به حجم یادگیریشان اضافه میشود.
این AI Engineer Roadmap یک سرفصل درسی خشک و تئوری نیست، بلکه مجموعهای از فازهای کاربردی است که مباحث را به همراه منابع و پروژههای عملی در یکجا گردآوری کرده است.
شما میتوانید از این راهنما به عنوان مکمل یادگیری خود استفاده کنید یا از همین نقطه شروع، گامبهگام با آن پیش بروید. من این مسیر را طوری طراحی کردهام که چه یک برنامهنویس تازهکار باشید و چه یک مهندس باتجربه، نقشهای شفاف برای ورود یا پیشرفت در حوزه AI Engineering در دست داشته باشید.
سرعت تحول AI بسیار فراتر از نقشههای راه قدیمی بوده است
بیشتر محتواهای AI roadmap در اینترنت، در واقع همان نقشه راه Machine Learning سال ۲۰۱۹ هستند که صرفاً یک فصل LLM را به عنوان رفع تکلیف به انتهای آن چسباندهاند.
شاید چنین نقشهای برای یک فرد تازهکار یا مبتدی تا حدی کارآمد باشد، اما از یک مهندس باتجربه انتظارات بسیار بیشتری میرود.
امروزه چه انتظاراتی از یک AI Engineer وجود دارد؟
در سال ۲۰۲۶، معنا و مفهوم AI Engineer بودن نسبت به دو سال پیش تفاوت چشمگیری پیدا کرده است (اگر در حال حاضر در این صنعت فعال باشید، احتمالاً این موضوع را کاملاً لمس کردهاید).
آیا باید از AI بترسیم؟
آیا باید نگران این باشید که AI مشاغل حوزه تکنولوژی را تصاحب کند؟ پاسخ صادقانه من «خیر» است، البته به شرطی که تلاش کنید همگام با آن پیش بروید و از غافله عقب نمانید.
باور کنید تا همین دو سال پیش حتی یک موقعیت شغلی هم برای Prompt Engineering وجود نداشت، اما ببینید امروز چه بازار کاری حول محور همین مهارت شکل گرفته است!
بنابراین اگر قرار است ماهها وقت صرف یادگیری کنید، شایسته آن هستید که از نقشهراهی استفاده کنید که مهارتهای موردنیاز بازار کار و تیمهای فنی امروز را به شما نشان دهد، نه یک مشت مبحث تاریخگذشته؛ و این راهنما دقیقاً برای همین هدف آماده شده است.
به دنبال ابزارها ندوید؛ پایههای مهندسی خود را محکم بسازید.
سلب مسئولیت: پیش از یادگیری AI، ابتدا نرمافزارسازی را یاد بگیرید
بله، بگذارید همان اول حقیقت تلخ را بگویم.
رک و بیپرده بگویم: شما قرار نیست تنها با دیدن چند ویدیوی یوتیوب درباره Transformers در یک آخر هفته، یکشبه جهش کنید و بگویید «من از طریق Fine-tuning مدلهای LLM و ساخت AI Agents کسب درآمد میکنم».
پشت تمام مهندسان AI موفقی که من برایشان احترام قائلم — یعنی کسانی که واقعاً در حال لانچ محصولات کاربردی هستند، نه فقط تولید محتوا درباره آن — یک Software Engineer قوی و مسلط قرار دارد. آنها به راحتی میتوانند:
- بدون دستپاچگی، خطاهای Stack Trace را بخوانند و موارد ناشناخته را به درستی تحلیل کنند
- کدی بنویسند که توسعهدهندگان دیگر (یا خودشان در آینده) بتوانند آن را بفهمند و توسعه دهند
- از Git مانند یک ابزار مهندسی واقعی استفاده کنند
- به درستی تحلیل کنند که وقتی به جای ۱ درخواست، ۱۰ هزار درخواست به سمت Endpoint میآید چه اتفاقی رخ میدهد (برای توسعهدهندگان باتجربه)
مهندسان AI در وهله اول، مهندسان نرمافزار هستند.
نکته:
- برای هر یک از مفاهیم این مراحل، منابع مرتبط (شامل آموزشهای ویدیویی، راهنماهای متنی و پروژههای کاربردی موردنیاز) را قرار دادهام.
- با هر منبعی که برایتان مناسبتر است شروع کنید. همیشه به یاد داشته باشید که بهترین راه یادگیری، پیادهسازی و تمرین عملی است.
بیایید شروع کنیم!
فاز ۱: مبانی Python ،Git و اصول برنامهنویسی
اگر از قبل به Python مسلط هستید، مستقیم به سراغ مباحث Git، محیطهای مجازی (Virtual Environments) و Debugging بروید.
نقطه شروع واقعی Python for AI دقیقاً همینجاست.
من ماهها وقتم را صرف دیدن آموزشهای مختلف کردم تا در نهایت متوجه شدم پیادهسازی عملی صدها بار بیشتر از یادگیری منفعلانه به آدم درس میدهد.
تنها زمانی که تمرین مباحث DSA و پیادهسازی الگوریتمها را شروع کردم، ذهنم منظم شد و پیشرفت چشمگیری را تجربه کردم.
پیشنهاد من این است که به زبان خالص Python یا هر زبانی که ترجیح میدهید (مثل ++C، اگر شروع مباحث DSA با آن برایتان راحتتر است) کاملاً مسلط شوید؛ البته فراموش نکنید که در نهایت باید به Python سوییچ کنید :)
تسلط بر Python باعث میشود کتابخانههای تخصصی هوش مصنوعی دیگر برایتان نامفهوم و ناآشنا به نظر نرسند (این موضوع را کمی جلوتر متوجه خواهید شد).
مواردی که باید روی آنها تسلط کامل پیدا کنید:
۱. مبانی و هسته اصلی Python (Core Python)
ساختارهای داده (Lists، Dicts و Sets)، توابع (Functions)، کلاسها (Classes)، مفهوم List/Dict Comprehensions، ژنراتورها (Generators) و دکوراتورها (Decorators) که در تمام فریمورکهای AI مدام با آنها روبهرو خواهید شد.
منابع آموزشی 💻
- CS50’s Introduction to Programming with Python | Harvard University
- The Complete Python Bootcamp From Zero to Hero in Python (بهترین دوره برای دریافت مدرک)
کمترین زمان ممکن را صرف وسواس در انتخاب منبع کنید؛ کافی است یکی از آنها را بردارید و همین حالا شروع کنید.
پیشنهاد میکنم کار را با یک دوره آموزشی یا تماشای ویدیو شروع کنید. به محض اینکه به یک درک پایهای رسیدید، حل مسائل DSA را در پلتفرمهایی مثل LeetCode آغاز کنید و رفتهرفته مهارتتان را ارتقا دهید.
۲. محیطهای مجازی و مدیریت پکیجها (Virtual environments & package management)
ابزارهایی مثل venv، pip و این روزها بهطور فزایندهای uv.؛ اگر از این مرحله سرسری بگذرید، ساعتها از وقت باارزشتان را به خاطر تداخل وابستگیها (dependency conflicts) هدر خواهید داد!
- Git و GitHub: مفاهیمی مثل branchها، commitها، pull requestها و حل تعارضهای ادغام (merge conflicts) بدون اینکه اشکتان دربیاید! (اصلاً نیازی به حفظ کردن نیست؛ فقط دستبهکد شوید و استفاده کنید تا کمکم ملکه ذهنتان شود).
- کار با فایلها و دادهها: خواندن و نوشتن فایلهای JSON ،CSV و متن ساده (plain text)؛ چرا که ۸۰ درصد شکل و شمایل دادهها پیش از تبدیل شدن به یک DataFrame شیک و مرتب، دقیقاً به همین صورت است.
- ترمینال (Terminal): دستورات پایهای bash، جابهجایی بین دایرکتوریها و اتصال دستورات به یکدیگر با pipe.
- دیباگ کردن (Debugging): قبل از اینکه بلافاصله متن ارور را کپی کرده و داخل چتباتها پیست کنید، واقعاً سعی کنید متن خطا را بخوانید و درکش کنید! همچنین از ابزارهای دیباگ داخل محیط توسعه خودتان (IDE) مثل تعریف Breakpointها در VS Code استفاده کنید. (البته ناگفته نماند که دستورات print هم همیشه فرشته نجات هستند!)
دامی که خیلی از افراد مبتدی در این مرحله گرفتارش میشوند این است که فکر میکنند باید آنقدر آموزش ویدیویی ببینند تا موضوع برایشان جا بیفتد. اما واقعیت این است که هیچچیز صرفاً با تماشا کردن جا نمیافتد؛ این مهارت فقط و فقط با کد زدن، برطرف کردن باگها و تکرار مداوم این چرخه شکل میگیرد.
زمان ورود به میدان عمل: اولین پروژه واقعی شما 🎯
کار را با پروژههای سادهای مثل محاسبهگر شاخص توده بدنی (BMI Calculator)، سودوکو (Sudoku) یا دوز (Tic-tac-toe) شروع کنید تا مهارتهای اولیهتان صیقل بخورد؛ سپس سراغ ساخت پروژههایی بروید که با دادههای واقعی یا یک مسئله ملموس سروکار دارند؛ مواردی مثل:
- یک ابزار CLI (خط فرمان) که دادهها را از یک API عمومی استخراج و پاکسازی کرده و در قالب یک فایل ساختاریافته ذخیره کند.
- یک اسکریپت کوچک که خروجی CSV صورتحساب بانکی یا فایلهای خروجی Splitwise شما را تحلیل و پردازش کرده و هزینهها را دستهبندی کند.
- یک Web Scraper ساده به همراه پاکساز داده برای مجموعهدادهای (Dataset) که خودتان شخصاً به آن علاقهمندید.
هدف اصلی این پروژه صرفاً رسیدن به خروجی نهایی نیست، بلکه هدف این است که خودتان را به چالش بکشید و با بخشهای خستهکننده و ناخوشایند برنامهنویسی دستوپنجه نرم کنید؛ چیزهایی مثل: دادههای ناقص و بدشکل، خطاهای مرزی (off-by-one errors) یا APIهایی که درست وسط اجرای اسکریپت ساختار پاسخشان عوض میشود!
برای پیدا کردن ایدههای پروژهمحور از سطوح مبتدی گرفته تا پروژههای واقعی دنیای کار، میتوانید از این منبع استفاده کنید.
نکته: هر مبحث ریاضیاتی که در فاز دوم یاد میگیرید را سعی کنید در قالب کد پیادهسازی نمایید. با این روش، هم با کتابخانههای کاربردی آشنا میشوید و هم یاد میگیرید که چه زمانی باید از آنها استفاده کنید.
فاز دوم: ریاضیاتی که واقعاً به کار میآید
افراد معمولاً خیلی بیشتر از آنچه لازم است، از بخش ریاضیاتِ هوش مصنوعی میترسند. برای شروع اصلاً نیازی نیست کل مباحث جبر خطی را بلد باشید؛ بلکه فقط بخش مشخص و کوچکی از آن کفایت میکند (همیشه وقت برای عمیقتر شدن و گسترش آن خواهید داشت!).
۱. جبر خطی (Linear Algebra)
- بردارها (Vectors)، ماتریسها (Matrices)، تانسورها (Tensors) و درک مفهوم هندسی حاصلضرب آنها.
- ضرب داخلی (Dot products)، ضرب ماتریسها، مقادیر ویژه (Eigenvalues) و بردارها (که خیلی زود در مکانیزمهای Attention و Embeddingها دوباره با آنها روبهرو خواهید شد).
منابع 💻
اگر عاشق یادگیری با تصاویر و نمودارها هستید:
۲. حساب دیفرانسیل و انتگرال (Calculus)
شاید بیشتر ما این مباحث را در دوران دبیرستان خوانده باشیم؛ با این حال، در ادامه عناوین اصلی و منابعی را آوردهایم که میتوانند به مرور و یادآوری مفاهیم به شما کمک کنند.
- پیشحسابان (Precalculus)، حساب دیفرانسیل، حساب انتگرال و حساب چندمتغیره (Multivariate Calculus).
- مشتقها و بهطور خاص، مفهوم گرادیان (Gradient).
منابع 💻
۳. آمار و احتمال (Probability & Statistics)
- توزیعها (Distributions)، میانگین و واریانس (Mean/Variance) و احتمال شرطی (Conditional probability).
- این مباحث دقیقاً همان زبانی هستند که خروجی مدلها، عدمقطعیتها (Uncertainty) و معیارهای ارزیابی (Evaluation metrics) بر اساس آن تعریف و بیان میشوند.
منابع 💻
۴. بهینهسازی (Optimization)
- الگوریتم Gradient descent، نرخ یادگیری (Learning rates)، توابع زیان (Loss functions) و همان سازوکاری که در طول زمان اشتباهات را به اشتباهات کمتر تبدیل میکند.
منابع 💻
نکته جالب: من از کلاس هشتم عاشق حل جدول سودوکو بودم و از زمانی که شروع به استفاده از احتمالات کردم، شگفتی ریاضیات تمام وجودم را گرفت (در حالی که قبل از آن به شدت از ریاضی متنفر بودم!).
نکته: به خودتان سخت نگیرید، بیش از حد غرق جزئیات نشوید و کار را برای خودتان پیچیده نکنید.
اگر هنوز هم برایتان سوال است که این همه ریاضی دقیقاً کجا به کار میآید:
ابزارهای کار با داده
- کتابخانههای پرطرفداری مثل Pandas و NumPy را برای دستکاری و تحلیل دادهها یاد بگیرید.
- ابزارهای مصورسازی داده مثل Matplotlib و Seaborn را بررسی کنید (بهتر است کار را با Matplotlib شروع کنید، چون سادهتر است).
منابع 💻
مصورسازی دادهها میتواند افق دید شما را در تفکر تحلیلی و روایتگری داستان دادهها متحول کند:
زمان کار عملی: پیادهسازی Linear Regression از صفر 🎯
این پربازدهترین تمرین در کل این نقشه راه است و بیشتر افراد چون به نظرشان خیلی ساده میآید از آن رد میشوند؛ اما شما این اشتباه را نکنید و اصلاً از آن نگذرید.
به محض اینکه کدتان اجرا شد و خروجی داد، نتایج آن را با خروجی sklearn.linear_model.LinearRegression روی همان دادهها مقایسه کنید.
وقتی اعداد تقریباً با هم همخوانی پیدا کردند، به خودتان ثابت کردهاید که دقیقاً میدانید در پشت صحنهٔ مدلهایی که از این پس با آنها کار خواهید کرد چه میگذرد.
هر زمان که با تکنیکهای مشابه روبرو شدید، سعی کنید الگوریتم پایه را خودتان پیادهسازی کنید تا درک عمیقتری نسبت به نحوه کارکرد آن به دست آورید.
شاید کتابخانهها همهچیز را بسیار آسان کنند، اما تسلط بر الگوریتم و ریاضیات پشت صحنه اهمیت فوقالعادهای دارد.
فاز ۳: یادگیری ماشین کلاسیک (Classical Machine Learning)
قبل از اینکه سراغ شبکههای عصبی بروید، لازم است با مباحث کلاسیک به خوبی آشنا شوید؛ چرا که بخش بزرگی از مسائل واقعی Machine Learning در دنیای واقعی، هنوز هم با همین روشها به شکلی بهتر، سریعتر و ارزانتر از مدلهای Deep Learning حل میشوند.
سعی کنید به این درک برسید که چرا یک تکنیک را به بقیه ترجیح میدهیم و هر روش چطور گره از یک مسئله باز میکند.
مباحث کلیدی
- Supervised learning: رگرسیون، دستهبندی (Classification)، درختهای تصمیم (Decision Trees)، جنگلهای تصادفی (Random Forests) و گرادیان بوستینگ (XGBoost/LightGBM)
- Unsupervised learning: خوشهبندی (k-means) و کاهش ابعاد (PCA)
- ارزیابی مدل (Model evaluation): تقسیم دادهها به train/test، اعتبارسنجی متقاطع (Cross-validation)، معیارهای Precision/Recall/F1، ROC-AUC و مهمتر از همه، تشخیص اینکه کدام متریک واقعاً برای یک مسئلهٔ بیزینسی اهمیت حیاتی دارد
- Feature engineering: مهارتی کلیدی که تفاوت بین یک مدل درخشان و یک مدل معمولی را تعیین میکند
- تسلط بر scikit-learn، پایپلاینها (Pipelines)، پیشپردازش دادهها (Preprocessing) و انتخاب مدل (Model selection)
منابع 💻
یکی از دوستانم این دوره را به من معرفی کرد (از بس ساده، تعاملی و روان بود واقعاً لذت بردم و همیشه ممنون او هستم):
اگر میخواهید عمیقتر یاد بگیرید:
من از این دوره Udemy هم استفاده کردم که مفاهیم تمام فازهای بالا را به خوبی پوشش داده است:
پروژه اول پورتفولیو: پیشبینی ریزش مشتریان (Customer Churn Prediction) 🎯
این پروژه بیدلیل حکم آزمون ورود و مرحلهٔ گذار به دنیای حرفهای را پیدا نکرده است؛ چرا که شما را وادار میکند کل چرخه حیات یک پروژه را دقیقاً همانطور که در دنیای واقعی وجود دارد تجربه کنید:
از کار با دادههای جدولی نامرتب، عدم توازن کلاسها (Class imbalance) و Feature engineering گرفته تا مقایسه مدلها و ارزیابی منطبق بر نیازهای بیزینس (جایی که یک خطای False Negative رسماً به قیمت از دست رفتن یک مشتری برای شرکت تمام میشود).
یک نمونه قوی و استاندارد از این پروژه باید شامل موارد زیر باشد:
- تحلیلی شفاف از اینکه چرا یک متریک ارزیابی خاص را انتخاب کردهاید (متریک Accuracy در مسئله Churn تقریباً همیشه انتخابی اشتباه است)
- مقایسه حداقل دو مدل مختلف با هم؛ نه صرفاً گفتن اینکه «چون XGBoost معروف بود از آن استفاده کردم»
- تفسیرپذیری (Explainability): بهرهگیری از مقادیر SHAP، ماتریس درهمریختگی (Confusion matrix) یا اهمیت ویژگیها (Feature importances) تا بتوانید دلیل پیشبینیهای مدل را مستند و منطقی بیان کنید
پروژه دوم پورتفولیو: سیستمهای پیشنهاددهنده (Recommendation Systems) 🎯
این پروژه به شما یاد میدهد که بر مبنای «شباهت» (Similarity) فکر کنید؛ مفهومی کلیدی که کمی جلوتر در این نقشه راه، هنگام کار با Embeddings و RAG مدام به آن تکیه خواهید کرد.
یک سیستم پیشنهاددهنده ساده مبتنی بر محتوا (Content-based) یا فیلترینگ مشارکتی (Collaborative-filtering) بسازید (مجموعهدادههای فیلم، کتاب یا کالاها گزینههای بسیار مناسبی هستند).
هدف این است که ایدهٔ نمایش دادن آیتمها به شکل بردارها (Vectors) و اندازهگیری فاصله بین آنها در ذهن شما نهادینه شود، زیرا همین مفهوم در فاز ۵ دوباره پیش روی شما قرار خواهد گرفت.
من شخصاً روی سیستم پیشنهاددهنده کتاب کار کردم و درسهایی که در ابتدای مسیر گرفتم، در تشخیص اینکه چه رویکردی نتیجهبخش است و چه رویکردی نه، بسیار کمکم کردند.
برای دسترسی به پروژههای بیشتر 🚀
فاز ۴: یادگیری عمیق (Deep Learning)
این مرحله در واقع مشخص میکند که آیا اصلاً Deep Learning برای شما ساخته شده است یا نه. اینجا همان نقطهای است که بسیاری از مهندسان و افراد خودآموخته، یا شیفتهٔ این دنیا میشوند یا بعد از یادگیری صرفاً چند مفهوم مقدماتی، مسیر خود را کج میکنند.
در هر حال، پیشنهاد میکنم قبل از هرگونه تصمیمی، یک شانس واقعی و تمامعیار به آن بدهید تا جایگاه خود را پیدا کنید!
مباحث کلیدی
- مبانی شبکههای عصبی (Neural networks): لایهها، توابع فعالسازی (Activation functions) و گذر رفتوبرگشت (Forward/backward pass)
- دینامیک آموزش مدل: بیشبرازش (Overfitting)، تکنیکهای Regularization، روش Dropout و Batch normalization
- بهینهسازها (Optimizers): روشهای SGD و Adam و اینکه چرا این انتخاب در پروژههای واقعی تأثیر چشمگیری دارد
- کارتهای گرافیک (GPUs): نه در سطح تئوریهای سنگین، بلکه صرفاً در حدی که دیگر تعجب نکنید چرا لپتاپتان هنگام اجرای یک مدل با میلیاردها پارامتر مثل کوره داغ میشود!
منابع 💻
برای یادگیری به شیوهای جذاب و لذتبخش: (رویکرد آموزشی او واقعاً گیرا و هوشمندانه است)
اما صبر کنید… بالاخره PyTorch یا TensorFlow؟
این یک پرسش کاملاً بجا و طبیعی است که تقریباً همهٔ افراد تازهکار میپرسند، و پاسخی سرراست و شفاف میطلبد:
PyTorch عملاً به استاندارد پیشفرض در دنیای پژوهش و تحقیقات، اکثر مدلهای متنباز مدرن و بخش عمده پروژههای عملیاتی مهندسی AI در سال ۲۰۲۶ تبدیل شده است.
TensorFlow هنوز هم جایگاه خود را دارد—بهویژه در ابعاد سازمانی و پیادهسازی روی دستگاههای همراه به کمک TensorFlow Lite؛ اما اگر در یک زمان مشخص تنها فرصت یادگیری عمیق یک فریمورک را دارید، قطعاً به سراغ PyTorch بروید.
دلیلش هم این است که تقریباً تمام مدلهای Hugging Face، فریمورکهای Agent و کدهای پژوهشی که با آنها مواجه میشوید، روی همین فریمورک ساخته شدهاند.
منابع آموزشی 💻
حوزههای NLP، Computer Vision و مدلهای Transformer
لازم است در موضوعات زیر به درک و تسلط کاربردی دست پیدا کنید:
- مبانی NLP: مفاهیم Tokenization، Embeddingها و Sequence Models
- مبانی Computer Vision: شبکههای CNN، پیشپردازش تصویر و Transfer Learning
- معماری Transformer: مفاهیم Attention، Self-Attention و چرایی اینکه اساساً پیدایش تکتک LLMهای امروزی مدیون این معماری شگفتانگیز است.
تنها چیزی که نیاز دارید توجه است (Attention is all you need)! (به معنای واقعی کلمه)
سازوکار مکانیزم Attention را در معماری Transformer به شکلی عمیق و اصولی درک کنید؛ زیرا تمام مباحث فاز ۵ دقیقاً روی همین شالوده بنا شدهاند. (منابع زیر را بررسی کنید)
پروژه سوم پورتفولیو: تحلیل احساسات (Sentiment Analysis)
یک مدل پیشآموزشدیده بر پایه Transformer (نسخههای سبکتر و تقطیرشدهٔ BERT نقطه شروع عالی و کمهزینهای هستند) را روی یک دیتاست دستهبندی احساسات، Fine-tune کنید.
این پروژه کل فرآیند و پایپلاین مدرن Fine-tuning را به شکلی کاربردی و خلاصه به شما آموزش میدهد:
از لود کردن مدل پیشآموزشدیده و توکنایز کردن صحیح دادهها گرفته تا اعمال Fine-tuning و در نهایت ارزیابی مدل؛ یعنی دقیقاً همان گردش کاری که تیمهای فنی در مقیاسهای بزرگ عملیاتی به کار میگیرند.
پروژه چهارم پورتفولیو: پیادهساز و خلاصهساز جلسات (Meeting Transcriber)
یک خط لوله کامل و سرتاسری (End-to-End) بسازید: ورودی فایل صوتی، تبدیل به متن پیادهشده، و در نهایت تولید خلاصه.
در این پروژه، فناوری تبدیل صوت به متن (مدل Whisper انتخابی فوقالعاده و بینقص است) با مرحله خلاصهسازی متنی توسط یک LLM ترکیب میشود.
این اولین اپلیکیشن واقعی و کاربردی شما در حوزه AI خواهد بود، نه صرفاً اجرای یک مدل تئوری! علاوه بر این، ابزاری بسیار مفید و دستساز خودتان است که واقعاً میتوانید در کارهای روزمره از آن بهره ببرید.
منابع آموزشی 💻
اگر شما هم مثل من یادگیری بصری و تعاملی را دوست دارید، این منبع را از دست ندهید:
فاز ۵: مهندس هوش مصنوعی (AI Engineer)
این همان نقطهای است که تمام مسیر این نقشهراه برای رسیدن به آن طراحی شده؛ جایی که کارهای واقعی و پیشرفته AI Engineering رقم میخورد.
نکته: اگر هدف شما احراز موقعیتهای شغلی در حوزه یادگیری ماشین (ML) است، از این قسمت به بعد مسیر یادگیری متفاوت میشود. تمام مراحل پیشین، پایهای و میان هر دو دنیای AI و ML مشترک بودند؛ چه یک توسعهدهنده تازهکار باشید و چه باتجربه، آن مباحث پیشنیازهایی هستند که تخصص خود را روی آنها میسازید.
Context Engineering
Context Engineering جانشین واقعی و تحولیافتهٔ Prompt Engineering در سال ۲۰۲۶ است.
یک Prompt Engineer میپرسد: «چه کلماتی را درون پرامپت قرار دهم؟»
در حالی که یک Context Engineer میپرسد: «مجموعه کامل دادهها—شامل اسناد بازیابیشده، خروجی ابزارها، تاریخچه مکالمه، دستورالعملهای سیستمی و حافظه—که مدل برای انجام عالی این تسک در Context Window خود به آن نیاز دارد چیست، و چگونه باید همهٔ این اطلاعات را ساختاردهی و اولویتبندی کنم؟»
کل ماجرا همین است: تغییر زاویه دید به تفکر مبتنی بر سیستم.
مفاهیم کلیدی برای تمرکز
- تشخیص اینکه دقیقاً چه دادههایی باید درون Context قرار گیرند و چه مواردی صرفاً نویز اضافی هستند و سیگنال اصلی را مخدوش میکنند.
- چگونگی ساختاردهی به این Context (چیدمان، فرمتبندی و فشردهسازی) تا مدل بتواند به بهترین شکل از آن استفاده کند.
- مدیریت بودجه Context Window: توکنهای شما نامحدود نیستند، و گنجاندن فلهایِ اطلاعات به بهانهٔ «شاید لازم شود»، معمولاً به افت کیفیت خروجی مدل منجر میشود، نه بهبود آن.
- خروجیهای ساختاریافته (Structured Outputs): یاد بگیرید چطور کاری کنید که مدلهای LLM به جای متن آزاد، پاسخها را در قالب ساختارهای مشخص و اعتبارسنجیشده (مانند JSON، Pydantic و غیره) تولید کنند. این مهارت، برنامههای AI را بسیار پایدارتر کرده و اتصال آنها به سیستمهای نرمافزاری دیگر را تسهیل میکند.
منابع آموزشی 💻
تولید مبتنی بر بازیابی یا Retrieval-Augmented Generation (RAG)
تکنیک RAG همان رویکردی است که به مدلهای LLM امکان میدهد به پرسشها با تکیه بر اطلاعات و اسنادی پاسخ دهند که اساساً در دادههای آموزشی آنها وجود نداشته است.
مباحث و سرفصلهای اصلی
- استراتژیهای Chunking: مقایسه تکهتکه کردن ساده با اندازه ثابت (naive fixed-size chunking) در برابر تکهتکه کردن معنایی (semantic chunking)، و اینکه چطور این انتخاب بیسروصدا سقف کیفیت بازیابی اطلاعات (retrieval quality) شما را تعیین میکند.
- مفاهیم Embeddings و پایگاههای داده برداری (Vector databases): چگونگی تبدیل متن به بردار، و ابزارهایی مثل Pinecone، Weaviate، Chroma یا pgvector برای ذخیرهسازی و جستوجوی آنها.
- بازیابی اطلاعات (Retrieval): جستوجوی شباهت (similarity search)، جستوجوی ترکیبی (hybrid search با تلفیق کلمات کلیدی + معنایی) و رتبهبندی مجدد (re-ranking).
- تکنیکهای RAG: بازنویسی پرسوجو (Query Rewriting) (بهبود پرامپت یا پرسش کاربر پیش از بازیابی)، تکنیک Agentic RAG (دادن امکان برنامهریزی و بازیابی چندمرحلهای و تکرارشونده به ایجنتها) و تکنیک Graph RAG (استفاده از گرافهای دانش برای درک روابط بین موجودیتها جهت بازیابی غنیتر و عمیقتر).
- ارزیابی و سنجش (Evaluation): اندازهگیری کیفیت بازیابی، بررسی پدیده توهم (hallucinations - نه صرفاً اینکه پاسخ نهایی بهظاهر درست به نظر برسد)، و استفاده از معیارهایی مانند context precision و recall.
منابع یادگیری 💻
این دوره شخصاً برای من در درک تمام و کمال مفاهیم RAG فوقالعاده مفید و کارساز بود:
در ادامه، میتوانید استراتژیهای پیشرفتهٔ RAG را در اینجا عمیقتر بررسی کنید:
بهعنوان یک پروژهٔ عملی، میتوانید RAG را روی یادداشتها و خاطرات شخصی خودتان پیادهسازی کنید؛ واقعاً پروژهٔ جذاب و هیجانانگیزی است.
Model Context Protocol (MCP)
اگر بخواهیم در یک جمله بگوییم، MCP یک روش استاندارد است تا اپلیکیشنهای مبتنی بر LLM بتوانند به ابزارها و منابع دادهٔ خارجی متصل شوند؛ بهجای اینکه هر تیمی مجبور باشد برای هر ابزاری که ایجنت با آن سروکار دارد، یک یکپارچهسازی (integration) اختصاصی از اول بنویسد.
مباحث اصلی
- درک معماری و مدل کلاینت/سرور در MCP
- اتصال یک MCP server موجود به ایجنتی که خودتان ساختهاید
- ساخت یک MCP server اختصاصی و کمینه (minimal) برای ابزاری که هنوز سروری برای آن وجود ندارد
منابع یادگیری 💻
هر ابزاری که در ChatGPT یا Claude با آن کار میکنید — چه برای نوشتن و چه برای خواندن اطلاعات از Canva، Notion یا هر ابزار خارجی دیگری — نیروی محرکه و قلب تپندهٔ پشت آن، پروتکل MCP است.
ایجنتهای هوش مصنوعی (AI Agents)
یک ایجنت هوش مصنوعی (AI Agent) سیستمی است که در آن LLM بهجای تولید یک پاسخ متنی ساده و ایستا مانند چتباتها، میتواند دربارهٔ یک هدف (goal) استدلال کند، تصمیم بگیرد از چه ابزاری (tool) استفاده کند، یک اقدام (action) انجام دهد، نتیجه را مشاهده و بررسی (observe) کند و این فرایند را در یک حلقه (loop) تکرار نماید.
سرفصلهای اصلی
- حلقهٔ استدلال (The reasoning loop): برنامهریزی (plan) ← اقدام (act) ← مشاهده (observe) ← تکرار (repeat) (الگوهای سبک ReAct)
- استفاده از ابزار و فراخوانی توابع (Tool use / function calling): چگونگی تصمیمگیری مدل برای اینکه چه زمانی و کدام تابع یا ابزار را فراخوانی کند
- حافظه (Memory): مقایسهٔ حافظه کوتاهمدت (محدود به یک نشست یا Session) در برابر حافظه بلندمدت (ماندگار در میان نشستهای مختلف)
- نردههای محافظ (Guardrails): سازوکارهایی که مانع از انجام کارهای مخرب، پرهزینه یا اشتباه توسط ایجنت میشوند
پیش از آنکه به سراغ فریمورکهایی مثل LangChain یا LangGraph بروید، حتماً حداقل یک ایجنت را از پایه و فقط با فراخوانی مستقیم API (raw API calls) بسازید.
این کار تفاوت بین فهمیدن عمیق سازوکار پشتصحنهٔ LangChain یا فریمورکهای مشابه با صرفاً شناخت سطحی توابع و API آنهاست.
منابع یادگیری 💻
این منابع را بسیار کاربردی و مفید دیدم:
هرچند درک مفاهیم بنیادی ایجنتها از یادگیری فریمورکها بسیار مهمتر است، اما ارزش دارد فریمورکهای مدرنی مثل OpenAI Agents SDK، LangGraph، CrewAI، Google ADK، Agno، AutoGen و Smolagents را نیز بررسی کنید تا با رویکردهای گوناگون در توسعهٔ سیستمهای ایجنتی آماده برای محیط پروداکشن (production-ready) آشنا شوید.
سیستمهای چندایجنت (Multi-Agent Systems)
سیستمهای چندایجنت (Multi-Agent Systems) همان الگوی تکایجنتی بالا را برمیدارند و یک تسک پیچیده را میان چندین ایجنت تخصصی و هماهنگ با یکدیگر تقسیم میکنند.
اهمیت این موضوع از آنجاست که ایجنتهای تکی در انجام تسکهای پیچیده و چندمرحلهای با محدودیت جدی مواجه میشوند؛ مشکلاتی مانند سرریز شدن کانتکست (context overload)، و اینکه وقتی یک ایجنت بخواهد همهکاره باشد، معمولاً در اکثر کارها عملکردی در حد متوسط ارائه میدهد!
ایجنتهای تخصصی که هرکدام وظیفهای مشخص و محدود همراه با زمینه و کانتکست ویژه خود را دارند، عملکرد به مراتب بهتری نسبت به یک ایجنت عمومی همهفنحریف دارند؛ درست مثل ما انسانها که در یک کار متخصص میشویم و آن را با دقت بالا انجام میدهیم!
الگوهای کلیدی که ارزش یادگیری دارند:
- الگوی رهبر و کارگر (Orchestrator-worker): یک ایجنت، زیروظایف را به کارگران تخصصی تفویض و واگذار میکند
- خطوط لوله ترتیبی (Sequential pipelines): خروجی ایجنت A مستقیماً به ورودی ایجنت B تبدیل میشود
- الگوهای مناظره و نقد (Debate/critique patterns): خروجی یک ایجنت پیش از نهاییسازی، توسط ایجنت دیگر بازبینی و به چالش کشیده میشود
منابع یادگیری 💻
ارزیابی و سنجش در هوش مصنوعی (AI Evaluation)
بهعنوان یک مهندس هوش مصنوعی (AI Engineer)، هرچقدر بر اهمیت این موضوع تأکید کنم باز هم کم است. ارزیابی دقیق، در حقیقت همان مرز باریکی است که یک دمو و پروژهٔ ساده را از یک سیستم واقعی و آماده برای محیط پروداکشن جدا میکند.
مباحث و سرفصلهای کلیدی
- ساخت یک مجموعه داده آزمایشی (Test set) از ورودیهای واقعی و شاخص، پیش از انتشار نهایی سامانه
- تعریف دقیق اینکه معیار کیفیت خوب (Good) برای تسک مشخص شما چه معنایی دارد (صحت پاسخ؟ وفاداری به منابع بازیابیشده؟ لحن مناسب؟ میزان تاخیر؟)
- بهکارگیری الگوهای LLM-as-judge در سناریوهایی که ارزیابی انسانی مقیاسپذیر نیست، همزمان با شناخت دقیق سوگیریهایی (Biases) که این روش با خود به همراه دارد
- فریمورکهای ارزیابی مانند DeepEval، Promptfoo، LangSmith، Ragas و Arize Phoenix جهت بنچمارک و پایش پسرفتها (Regressions) در پرامپتها، پایپلاینهای RAG و فرایندهای مبتنی بر Agent
- رهگیری و پایش پسرفتها (Regressions) در طول زمان، همزمان با تغییر پرامپتها، مدلها یا منطق بازیابی (Retrieval)
منابع و مراجع 💻
منابع زیر شامل معیارهایی نظیر Relevance score، Precision، Recall، ROUGE و BLEU به همراه تکنیکها، ابزارها و فریمورکهای ارزیابی هستند:
LLMOps
با تبدیل شدن سیستمهای هوش مصنوعی به برنامههای کاربردی محیط عملیاتی (Production)، یادگیری LLMOps روزبهروز اهمیت بیشتری پیدا میکند.
مباحث و سرفصلهای کلیدی
- مدیریت نسخههای پرامپت (Prompt versioning)
- مسیریابی هوشمند میان مدلها (Model routing)
- ردیابی جریان اجرا (Tracing) و مشاهدهپذیری (Observability)
- پایش و نظارت بر هزینهها (Cost monitoring)
- کشسازی (Caching)
- رهگیری و مدیریت آزمایشها (Experiment tracking)
تسلط بر LLMOps به شما کمک میکند سیستمهای هوش مصنوعی مطمئن، پایدار و مقیاسپذیر بسازید.
منابع و مراجع 💻
استقرار و پیادهسازی برنامههای کاربردی هوش مصنوعی (Deploying AI Applications)
اصول و مهارتهای پایهای استقرار که تسلط بر آنها ضروری است:
- APIها: قرار دادن مدل یا Agent در قالب سرویس با استفاده از FastAPI یا فریمورکهای مشابه
- کانتینرسازی (Containerization): ابزار Docker، در حدی که دلیل وجودی آن و نحوه کار با آن را بهخوبی درک کنید
- ابزارهای استنتاج (Inference) و سرویسدهی مدل: ابزار vLLM برای سرویسدهی مدلهای زبانی با ظرفیت و توان پردازشی بالا (High-throughput) و ابزار LiteLLM برای مسیریابی درخواستها میان ارائهدهندگان مختلف مدل از طریق یک رابط یکپارچه
- استقرار پایهای در کلاد (Basic cloud deployment): امکان پیادهسازی سراسری (End-to-End) بر روی ارائهدهنده ابری که با آن آشناترید
- پایش و رهگیری هزینهها (Monitoring & cost tracking): فراخوانیهای مدلهای زبانی بهازای هر توکن هزینه واقعی دارند و سیستمهای پروداکشن به دید کامل و شفاف روی تاخیر (Latency) و هزینهها نیاز دارند. این بخش، یکی از مهمترین و موردتوجهترین حوزههاست
- مفاهیم پایه CI/CD: برای استقرار مطمئن و خودکارسازی پایپلاینها
اشتباهات رایجی که در کار تمام افراد تازهکار میبینم
- شیرجه زدن مستقیم به سراغ LLMها و Agentها بدون پشت سر گذاشتن فازهای ۱ تا ۳
- نگاه کردن به فریمورکها (مثل LangChain) به عنوان موضوع اصلی یادگیری، بهجای دیدن آنها به شکل ابزاری که روی مفاهیم پایهای بنا شدهاند؛ مفاهیمی که ابتدا باید خودتان مستقلاً آنها را عمیق درک کنید
- جمعآوری بیپایان آموزشها بهجای ساخت پروژههای واقعی؛ صرفاً تماشا کردن هرگز جای دستبهکد شدن را نمیگیرد و دقیقاً در همین شکاف است که اکثر افراد بدون اینکه متوجه شوند متوقف شده و درجا میزنند
- پایپلاین ارزیابی (Eval) را از همان ابتدای توسعه بسازید، نه در انتهای کار؛ چرا که با هر تغییر کوچک، فوراً متوجه میشویم عملکرد سیستم بهتر شده یا افت کرده است.
کلام آخر
اگر قرار باشد فقط یک نکته را از این نقشهراه به خاطر بسپارید، بگذارید این باشد: تبدیل شدن به یک AI Engineer به معنای تسلط بر تکتک ابزارهای نوظهور نیست، بلکه ساخت پایههای علمی و مفهومی محکم و بهکارگیری مداوم آنهاست.
در پیمودن این مراحل هیچ عجلهای نداشته باشید. پروژه بسازید، دست به آزمونوخطا بزنید، اشتباه کنید و در عمل یاد بگیرید؛ چرا که رشد واقعی دقیقاً در همین مسیر رقم میخورد.
امیدوارم این نقشهراه مسیر روشنی را پیش رویتان قرار دهد و در زمانی که خودم برای فهمیدن گام بعدی صرف کردم، برای شما صرفهجویی کند.
این صفحه را بوکمارک کنید، با جامعه دوستان و همکارانتان به اشتراک بگذارید، در طول مسیر بارها به آن سر بزنید و از همه مهمتر: فقط هوش مصنوعی را یاد نگیرید؛ با آن خلق کنید ❤️
چیتشیت واژهنامه هوش مصنوعی (AI Glossary 2026) ☃️
-> بیش از ۱۵۰ اصطلاح هوش مصنوعی با زبانی ساده و روان، شامل LLMs، RAG، AI Agents، MCP، Context Engineering، LLMOps و فراتر از آن.
راهنمایی عالی و کاربردی اگر بهتازگی سفر خود را در مسیر مهندسی هوش مصنوعی آغاز کردهاید.
آمادهاید از خواندن فراتر بروید و وارد گود شوید؟
من میتوانم در این مسیر به شما کمک کنم:
> توسعهدهندگان: بسته جامع Claude Code Ultimate Bundle را در ادامه بررسی کنید تا به Claude Code مسلط شوید و سیستمهای هوش مصنوعی آماده محیط پروداکشن پیادهسازی کنید.
> بنیانگذاران، استارتاپها و تیمهای فنی: اگر در حال توسعه محصولات AI، ایجنتهای هوشمند، سیستمهای RAG، سرورهای MCP یا ابزارهای داخلی هوش مصنوعی هستید و به پشتیبانی فنی نیاز دارید، بیایید با هم در ارتباط باشیم. (جزئیات در ادامه)
۱. Claude Code Ultimate Bundle
اگر برای ساخت و توسعه پروژه با Claude Code کاملاً جدی هستید، این بسته دقیقاً همان جعبهابزاری است که ای کاش از همان روز اول در اختیار داشتم.
این مجموعه شامل موارد زیر است:
- راهنمای جامع تسلط بر Claude Code (شامل ۲۹ فصل)
- ۷ محیط کاری مهندسی هوش مصنوعی آماده پروداکشن
- بیش از ۲۱۰ پرامپت اختصاصی برای Claude Code
- AI Agents
- Multi-Agent Systems
- RAG
- MCP Servers
- AI SaaS
- AI Evaluation
- آپدیتهای مادامالعمر
به جای اینکه هر پروژه را از صفر شروع کنید، کار خود را با یک زیرساخت مهندسی استاندارد و آماده برای محیط پروداکشن آغاز خواهید کرد. هدف این است که زمان کمتری را صرف ساخت مجدد چرخ و زیرساختها کنید و در عوض، تمام تمرکزتان روی عرضه سریعتر محصولات واقعی باشد.
۲. در حال کار روی پروژهای بزرگتر هستید؟
اگر در حال ساخت یک محصول هوش مصنوعی هستید، قصد دارید فرایندهای مهندسی تیمتان را مدرن کنید یا مشغول پیادهسازی سیستمهای مبتنی بر Agent هستید، با کمال میل آمادهام تا در این زمینه همصحبت شویم.
من با بنیانگذاران، استارتاپها و تیمهای مهندسی در پروژههایی با این محورها همکاری میکنم:
- AI Agents
- Multi-Agent Systems
- RAG Platforms
- MCP Servers
- LLM Applications
- AI Automation
- AI Evaluation
- Claude Code Workflows
- Technical Architecture
- AI Product Prototyping
اطلاعات بیشتر 🌐 https://moonpiecreates.vercel.app/services
ارتباط با من 📤 LinkedIn
با آرزوی خلق محصولاتی فوقالعاده ❤️