بر اساس قالب استاندارد رودمپ‌های فانوس
| نام حوزه | AI Engineering |
| عنوان رودمپ | مسیر ورود به مهندسی هوش مصنوعی (AI Engineering) در عصر هوش مصنوعی |
| نسخه | نسخه نهایی |
| تاریخ آخرین به‌روزرسانی | ۲۵/۹/۲۰۲۶ |
| مسئول رودمپ | زهرا کمالی |
| اعضای مشارکت‌کننده | — |
| سطح مخاطب | مناسب برای همه افراد؛ از فردی بدون هیچ پیش‌زمینه تا کسی که تجربه برنامه‌نویسی یا داده دارد |
| پیش‌نیاز کلی | پیش‌نیاز اجباری وجود ندارد؛ آشنایی مقدماتی با منطق برنامه‌نویسی یا ریاضیات پایه مسیر را سریع‌تر می‌کند. توانایی خواندن مستندات فنی به انگلیسی و پشتکار در یادگیری مستقل، مهم‌تر از رشته تحصیلی یا پیش‌زمینه رسمی است. |
AI Engineer کسی است که با استفاده از تکنولوژی‌های هوش مصنوعی، قابلیت‌ها و سیستم‌های هوشمند را طراحی و پیاده‌سازی می‌کند و آن‌ها را به یک نرم‌افزار یا محصول واقعی تبدیل می‌کند. این حوزه بین برنامه‌نویسی، هوش مصنوعی و ساخت نرم‌افزار قرار دارد و تمرکز اصلی آن، به‌جای صرفاً ساختن یا آموزش یک مدل، حل یک مسئله واقعی با کمک AI است.
سازمان‌ها امروز به مدل‌های آماده هوش مصنوعی (مثل LLMها) دسترسی دارند، اما تبدیل این مدل‌ها به یک محصول قابل‌اتکا، امن و قابل نگهداری کار جداگانه‌ای می‌طلبد: باید داده مناسب فراهم شود، مدل یا API درست انتخاب شود، سیستم بازیابی اطلاعات (RAG) یا Agent طراحی شود، و در نهایت همه اینها به شکل یک سرویس واقعی Deploy و مانیتور شود.
برای شروع این مسیر پیش‌نیاز اجباری وجود ندارد. اما آشنایی مقدماتی با منطق برنامه‌نویسی (در هر زبانی) و ریاضیات پایه دبیرستانی (جبر، احتمال ساده) روند یادگیری Level 0 را سریع‌تر می‌کند. نکته‌ای مهم‌تر از رشته تحصیلی یا سابقه دانشگاهی، توانایی خواندن مستندات فنی به انگلیسی و پشتکار در یادگیری مستقل است؛ چون بخش بزرگی از منابع این مسیر (مستندات رسمی، مقالات، دوره‌های آنلاین) اصولاً انگلیسی‌زبان است.
چیست: نحو زبان، ساختارهای داده (لیست، دیکشنری)، توابع، کار با فایل و کتابخانه‌ها.
چرا یاد بگیرم: زبان اصلی تقریباً تمام ابزارهای AI/ML/Backend است.
چه زمانی: همین اول مسیر، قبل از هر چیز دیگر.
چطور یاد بگیرم: حل مسئله‌های کوچک، نوشتن اسکریپت‌های واقعی.
تأثیر AI: ابزارهایی مثل Copilot سرعت نوشتن کد را بالا می‌برند، اما بدون درک منطق برنامه نمی‌توان خروجی آن‌ها را ارزیابی کرد.
چیست: جبر خطی مقدماتی، احتمال، آمار توصیفی.
چرا یاد بگیرم: پایه فهم مدل‌های یادگیری ماشین و ارزیابی آن‌هاست.
چه زمانی: موازی با یادگیری Python.
چطور یاد بگیرم: دوره‌های کوتاه آنلاین + حل مثال‌های عددی ساده.
تأثیر AI: محدود و غیرمستقیم؛ مدل‌های زبانی می‌توانند محاسبات و مسائل ریاضی را حل کنند، اما نمی‌توانند جای شهود آماری، تفسیر داده و تشخیص یک نتیجه غلط را بگیرند.
چیست: کنترل نسخه، کار با GitHub، خواندن/نوشتن مستندات فنی.
چرا یاد بگیرم: هر پروژه واقعی باید نسخه‌بندی و مستند شود.
چه زمانی: از همان هفته‌های اول.
چطور یاد بگیرم: ساخت یک ریپازیتوری شخصی، تمرین Commit و Branch روی یک پروژه کوچک، مشارکت در یک پروژه متن‌باز ساده.
تأثیر AI: محدود؛ ابزارهای AI می‌توانند پیام Commit یا خلاصه Pull Request پیشنهاد دهند، اما نیاز به کنترل نسخه، بازبینی کد و مستندسازی درست تغییری نکرده است.
خواندن/تمیزکاری داده با pandas، نوشتن کوئری‌های SQL. هر سیستم AI روی داده ساخته می‌شود؛ کیفیت داده کیفیت مدل را تعیین می‌کند.
چه زمانی: بعد از تسلط نسبی به Python، همزمان یا بلافاصله پس از Level 0.
چطور یاد بگیرم: تمرین با دیتاست‌های عمومی (Kaggle)، نوشتن کوئری روی یک دیتابیس واقعی، انجام چند تمرین EDA کامل.
تأثیر AI: ابزارهایی مثل Copilot یا دستیارهای SQL می‌توانند کوئری پیشنهاد دهند، اما تشخیص داده کثیف، مقادیر گمشده و انتخاب استراتژی تمیزکاری همچنان به قضاوت انسانی نیاز دارد.
رگرسیون، دسته‌بندی، خوشه‌بندی، معیارهای ارزیابی مدل. درک ML پیش‌نیاز فهم درست LLMها و Deep Learning است.
چه زمانی: پس از یادگیری داده و SQL، پیش از ورود جدی به Deep Learning.
چطور یاد بگیرم: یک دوره مقدماتی ML + پیاده‌سازی چند مدل ساده با scikit-learn روی یک دیتاست واقعی.
تأثیر AI: بخشی از انتخاب و تنظیم مدل با ابزارهای AutoML خودکار شده، اما فهم چرایی عملکرد یک مدل و تشخیص Overfitting هنوز مهارتی انسانی است.
شبکه‌های عصبی، لایه‌ها، آموزش مدل، Backpropagation؛ زیرساخت تمام مدل‌های زبانی و بینایی مدرن.
چه زمانی: پس از تسلط به مبانی ML.
چطور یاد بگیرم: پیاده‌سازی یک شبکه عصبی ساده از صفر، سپس کار با PyTorch روی یک دیتاست تصویر یا متن.
تأثیر AI: دستیارهای کدنویسی، نوشتن لایه‌های استاندارد را سریع‌تر می‌کنند، اما درک Backpropagation و انتخاب معماری درست همچنان به دانش پایه نیاز دارد.
Tokenization، Embedding، معماری Transformer در سطح مفهومی؛ پایه درک نحوه کار مدل‌های زبانی.
چه زمانی: موازی با یا بلافاصله پس از Deep Learning پایه.
چطور یاد بگیرم: کار عملی با یک مدل زبانی از طریق Hugging Face، پیاده‌سازی یک Tokenizer ساده.
تأثیر AI: خود این موضوع محصول مستقیم پیشرفت هوش مصنوعی است؛ سرعت تغییر این حوزه بسیار بالاست و نیازمند به‌روز ماندن مداوم است.
طراحی و اصلاح Promptها برای دریافت خروجی بهتر از LLM؛ سریع‌ترین راه استفاده عملی از توانایی مدل‌های زبانی.
چه زمانی: بلافاصله پس از آشنایی مفهومی با LLMها.
چطور یاد بگیرم: تمرین عملی روی چند Use Case واقعی و مقایسه خروجی Promptهای مختلف.
تأثیر AI: این مهارت خودش نتیجه مستقیم گسترش LLMهاست و به‌سرعت در حال گسترش به سمت «Context Engineering» (طراحی کل زمینه‌ای که در اختیار مدل قرار می‌گیرد، نه فقط متن Prompt) است — روندی که در تحلیل بازار کار داخلی این رودمپ هم به‌عنوان یک مهارت نوظهور دیده شده [۹].
انتخاب یکی از مسیرهای تخصصی؛ جزئیات کامل هر مسیر (چیستی، مهارت‌ها، ابزارها و تأثیر AI) در بخش «مسیرهای تخصصی و شغلی» آمده است.
تنظیم دقیق یک مدل از پیش‌آموزش‌دیده روی داده اختصاصی؛ برای نیازهایی که Prompt به‌تنهایی کافی نیست.
چه زمانی: بعد از تسلط به Prompt Engineering و زمانی که محدودیت‌های آن مشخص شد.
چطور یاد بگیرم: Fine-tune کردن یک مدل کوچک متن‌باز روی یک دیتاست کوچک اختصاصی با Hugging Face.
تأثیر AI: با رشد مدل‌های بزرگ‌تر و توانمندتر، سهم Fine-tuning سنتی نسبت به RAG و Prompt کمی کاهش یافته، اما برای نیازهای تخصصی و محصولات با حجم بالا همچنان جایگاه دارد.
Embedding، Vector Database، Retrieval چندمرحله‌ای، ارزیابی کیفیت پاسخ؛ پرکاربردترین الگو برای وصل‌کردن LLM به دانش سازمانی.
چه زمانی: پس از یادگیری مفاهیم پایه RAG (بخش «AI × Domain»).
چطور یاد بگیرم: ساخت یک سیستم RAG واقعی روی مجموعه‌ای از اسناد، تست چند استراتژی Retrieval و ارزیابی کیفیت پاسخ.
تأثیر AI: طبق تحلیل داخلی بازار کار این رودمپ، RAG امروز در حدود ۴۲٪ از آگهی‌های شغلی AI Engineering بررسی‌شده به‌عنوان مهارت مطرح شده است [۹].
طراحی Agent با قابلیت استفاده از ابزار، حافظه و برنامه‌ریزی چندمرحله‌ای؛ مسیر رو به رشد صنعت برای خودکارسازی وظایف پیچیده.
چه زمانی: پس از تسلط به Prompt Engineering و آشنایی با RAG.
چطور یاد بگیرم: ساخت یک Agent ساده با یک ابزار واحد، سپس افزودن حافظه و چند ابزار دیگر.
تأثیر AI: پرتقاضاترین و سریع‌الرشدترین مهارت بازار کار امروز؛ در تحلیل داخلی این رودمپ «Agentic AI» در حدود نیمی از آگهی‌های بررسی‌شده مطرح شده [۹]، و گزارش AI Index دانشگاه استنفورد نیز رشد ۲۸۰٪ آگهی‌های شغلی مرتبط با Agentic AI را در یک سال تأیید می‌کند [۷].
ساخت سرویس با FastAPI/Flask، طراحی API؛ بدون این لایه هیچ مدلی به محصول واقعی تبدیل نمی‌شود.
چه زمانی: موازی با یا بلافاصله پس از یادگیری اولین مسیر تخصصی.
چطور یاد بگیرم: ساخت یک API واقعی با FastAPI برای یکی از پروژه‌های شخصی و Deploy آن.
تأثیر AI: ابزارهای AI کدنویسیِ Boilerplate این لایه را سریع‌تر می‌کنند، ولی طراحی درست API و مدیریت خطا همچنان مهارتی مهندسی است.
Containerization، استقرار روی Cloud، مانیتورینگ مدل در Production؛ مرحله پایانی مسیر یادگیری اصلی.
چه زمانی: مرحله پایانی مسیر یادگیری اصلی، پیش از ورود جدی به بازار کار.
چطور یاد بگیرم: Containerize کردن یک پروژه شخصی با Docker و Deploy آن روی یک سرویس رایگان.
تأثیر AI: تشخیص افت کیفیت مدل در Production به‌طور فزاینده با ابزارهای خودکار انجام می‌شود، اما طراحی زیرساخت و تصمیم‌گیری درباره مقیاس‌پذیری همچنان نیاز انسانی دارد.
مدل‌های LLM (از طریق API یا Open Source)، فریم‌ورک‌های Agent و RAG مانند LangChain و LlamaIndex، Vector Databaseها، و دستیارهای کدنویسی مانند GitHub Copilot.
ترکیب AI Engineering با هر حوزه دیگری مسیرهای جدیدی مثل «مهندس امنیت مدل‌های زبانی»، «مهندس AI حوزه سلامت» یا «توسعه‌دهنده محصولات مبتنی بر Agent» ایجاد می‌کند که هنوز رقابت کمتری در آن‌ها وجود دارد.
چیست: مهندسی که دانش و اسناد داخلی یک سازمان (PDF، ویکی، پایگاه‌داده) را از طریق Retrieval به یک مدل زبانی وصل می‌کند تا پاسخ‌ها بر پایه دانش واقعی و به‌روز باشد، نه فقط دانش از پیش آموزش‌دیده مدل.
مناسب برای: علاقه‌مند به وصل‌کردن دانش سازمانی/اسناد به مدل‌های زبانی.
مهارت‌ها: Embedding، Vector Database، طراحی Retrieval، ارزیابی کیفیت پاسخ.
ابزارها: LangChain / LlamaIndex، Pinecone / Chroma / Weaviate / FAISS / Qdrant.
پروژه‌ها: دستیار پرسش‌وپاسخ روی اسناد داخلی یک سازمان.
مشاغل: AI Engineer، ML Engineer با تمرکز RAG. |
ورود: Junior تا Mid.
تأثیر AI: این مسیر خودش مستقیماً محصول گسترش LLMهاست؛ طبق تحلیل بازار کار داخلی این رودمپ، RAG در حدود ۴۲٪ و Vector Database در حدود یک‌چهارم آگهی‌های شغلی AI Engineering بررسی‌شده دیده می‌شود [۹].
چیست: مهندسی که به یک مدل زبانی توانایی استفاده از ابزار، حافظه و برنامه‌ریزی چندمرحله‌ای می‌دهد تا بتواند وظایف پیچیده را به‌صورت خودمختار انجام دهد، نه صرفاً به یک پیام پاسخ دهد.
مناسب برای: علاقه‌مند به خودکارسازی وظایف چندمرحله‌ای با AI.
مهارت‌ها: طراحی Agent، مدیریت حافظه و ابزار، Orchestration.
ابزارها: LangGraph یا مشابه، APIهای مدل‌های زبانی.
پروژه‌ها: Agentی که چند کار روزمره را زنجیره می‌کند.
مشاغل: AI Engineer، Automation Engineer. |
ورود: Junior تا Mid.
تأثیر AI: پرتقاضاترین مسیر تخصصی امروز؛ گزارش AI Index دانشگاه استنفورد رشد ۲۸۰٪ آگهی‌های شغلی Agentic AI را در یک سال ثبت کرده است [۷].
چیست: مهندسی که به‌جای استفاده مستقیم از یک مدل عمومی، آن را روی داده اختصاصی تنظیم دقیق می‌کند یا برای اجرای سریع‌تر و ارزان‌تر بهینه/فشرده می‌سازد.
مناسب برای: علاقه‌مند به لایه‌های عمیق‌تر مدل‌سازی.
مهارت‌ها: Deep Learning، Fine-tuning، بهینه‌سازی و فشرده‌سازی مدل.
ابزارها: PyTorch، Hugging Face Transformers.
پروژه‌ها: Fine-tune یک مدل کوچک متن‌باز روی یک دیتاست تخصصی.
مشاغل: ML Engineer، Applied AI Researcher. |
ورود: معمولاً Mid.
تأثیر AI: با قدرت گرفتن RAG و Prompt Engineering، سهم این مسیر نسبت به قبل کمی کاهش یافته، اما برای نیازهای تخصصی یا حجم بالای درخواست همچنان جایگاه مشخصی دارد.
چیست: مهندسی که مسئول انتقال یک مدل از محیط توسعه به یک سرویس واقعی، پایدار و قابل‌مانیتور در Production است.
مناسب برای: علاقه‌مند به زیرساخت، استقرار و پایداری سیستم‌ها.
مهارت‌ها: Docker، Cloud، CI/CD، مانیتورینگ مدل.
ابزارها: Docker، AWS/GCP/Azure، MLflow.
پروژه‌ها: Deploy کامل یک سرویس AI با مانیتورینگ ساده.
مشاغل: MLOps Engineer، DevOps با تمرکز AI. |
ورود: Junior تا Mid.
تأثیر AI: با افزایش سریع تعداد مدل‌ها و Agentهای در حال اجرا در شرکت‌ها، نیاز به این نقش برای نگهداری و مانیتورینگ پایدار رو به افزایش است.
چیست: مهندسی که خروجی مدل‌های تولیدکننده متن/تصویر/صدا را به یک محصول واقعی با تجربه کاربری قابل‌استفاده تبدیل می‌کند.
مناسب برای: علاقه‌مند به ساخت محصول نهایی مبتنی بر تولید متن/تصویر/صدا.
مهارت‌ها: کار با API مدل‌های چندوجهی، طراحی تجربه کاربری برای محصولات AI.
ابزارها: APIهای Generative AI، FastAPI، فریم‌ورک‌های فرانت‌اند ساده.
پروژه‌ها: اپلیکیشنی که از متن یا داده ورودی، خروجی چندرسانه‌ای تولید می‌کند.
مشاغل: AI Product Engineer، Full-stack AI Developer. |
ورود: Junior.
تأثیر AI: لایه محصول کمتر از لایه مدل خودکار شده؛ طراحی تجربه کاربری مناسب برای رفتار غیرقطعی مدل‌های تولیدی همچنان به قضاوت انسانی نیاز دارد.
ساختار استاندارد هر مرحله: Learn → Try → Build → Challenge → Real Project.
زبان و کتابخانه‌های پایه: Python، pandas، NumPy، scikit-learn
Deep Learning و LLM: PyTorch، Hugging Face Transformers
RAG و Agent: LangChain، LlamaIndex، Vector Databaseها (Pinecone، Chroma، Weaviate، FAISS، Qdrant)
Backend و API: FastAPI، Flask
زیرساخت و استقرار: Docker، AWS/GCP/Azure، MLflow
ابزارهای همکاری: Git و GitHub
این تحلیل حاصل بررسی میدانی ۴۳ آگهی شغلی واقعی (عمدتاً تهران) است که در تسک جمع‌آوری داده فانوس طی مرداد تا شهریور ۱۴۰۵ پردازش شده‌اند [۹]. نمونه کوچک است و عمدتاً محدود به آگهی‌های انگلیسی‌زبان روی یک پلتفرم کاریابی؛ نتیجه یک عکس‌فوری واقعی از بازار است، نه یک سرشماری کامل.
چه موقعیت‌های شغلی وجود دارد؟
عناوین شغلی به‌شدت پراکنده‌اند: از ۴۳ آگهی، ۳۲ عنوان نرمال‌شدهٔ متفاوت دیده شده (مثل AI Engineer، AI Specialist، AI/ML Engineer، AI Automation Engineer، Speech AI Engineer، AI Security Engineer). این پراکندگی نشان می‌دهد بازار داخلی هنوز به یک عنوان شغلی استاندارد برای این نقش نرسیده و شرح‌شغل باید با دقت خوانده شود، نه فقط عنوان آگهی. از نظر سطح ارشدیت، حدود ۶۰٪ آگهی‌ها اصلاً سطح را ذکر نکرده‌اند؛ از میان مواردی که ذکر شده، Senior با فاصله زیاد پرتکرارترین است (نزدیک به دوسوم)، Mid حدود یک‌چهارم، و Junior کمترین سهم (حدود یک‌دهم) را دارد — یعنی ورود به این حوزه معمولاً از یک نقش نزدیک (Backend، Data) راحت‌تر از ورود مستقیم Junior است. از نظر نوع همکاری، اکثریت قاطع آگهی‌ها حضوری (۸۶٪) و تمام‌وقت (۸۸٪) هستند؛ فرصت دورکاری اقلیت است.
چه مهارت‌هایی بیشتر درخواست می‌شوند؟
در صدر فهرست: Python (۶۱٪ آگهی‌ها)، Prompt Engineering (۶۱٪)، LLM (۵۸٪) و Agentic AI (۵۱٪). پس از آن‌ها RAG (۴۲٪)، Embedding (۳۰٪) و Vector Database (۲۶٪) قرار دارند. جالب توجه است که سهم Vector Database در این نمونه داخلی (۲۶٪) به‌مراتب بیشتر از میانگین جهانی گزارش‌شده توسط 365 Data Science (حدود ۴.۵٪ از ۹۰۳ آگهی آمریکایی) است [۶]؛ این می‌تواند نشانه‌ی تمرکز نسبتاً بالای استارتاپ‌های تهران روی محصولات مبتنی بر RAG باشد. REST API نیز در ۴۲٪ آگهی‌ها به‌عنوان مهارت مستقل ذکر شده، که تأکیدی است بر جایگاه لایه Backend/API در این نقش (بخش ۵ و Level 5).
چه ابزارهایی رایج هستند؟
Docker (۴۰٪) پرتکرارترین ابزار است، و پس از آن Git و PyTorch (هرکدام ۳۰٪). در میان ابزارهای اتوماسیون/Agent، n8n (۲۳٪) و LangChain (۱۹٪) پرتکرارند — نشانه‌ی اهمیت پلتفرم‌های no-code/low-code Automation در کنار کدنویسی مستقیم، که در بسیاری از رودمپ‌های بین‌المللی این‌قدر برجسته نیست. در سمت Vector Database، Qdrant (۱۴٪) پرکاربردترین گزینه در آگهی‌های داخلی بوده است.
حوزه در چه جهتی حرکت می‌کند؟
روند غالب، جابه‌جایی از «تحقیق روی مدل» به «مهندسی سیستم‌های تولیدی» است: گزارش «Jobs on the Rise 2026» لینکدین، عنوان AI Engineer را برای دومین سال متوالی پررشدترین عنوان شغلی آمریکا اعلام کرده [۸]، و در تحلیل داخلی این رودمپ نیز عناوین حول «مهندسی» (نه صرفاً «پژوهش») غالب‌اند. همزمان، مرز بین AI Engineering و Backend/Data Engineering کم‌رنگ‌تر می‌شود: در نمونه بین‌المللی 365 Data Science، مهارت‌های Data Pipeline (۱۲٪) و Big Data (۹٪) به‌طور مشخص در آگهی‌های AI Engineer دیده می‌شوند [۶]، هم‌راستا با یافته گزارش WEF درباره AI و Big Data به‌عنوان دو مهارت به‌هم‌پیوسته در صدر رشد پنج‌ساله آینده [۱].
AI چه تأثیری بر آن دارد؟
هوش مصنوعی همزمان دو طرف بازار کار خودش را شکل می‌دهد: از یک طرف نوشتن کد تکراری و Boilerplate را خودکار می‌کند (بخش ۸.۱)، و از طرف دیگر خودِ رشد سریع Agentic AI بازار کار تازه‌ای ساخته — گزارش AI Index دانشگاه استنفورد رشد ۲۸۰٪ آگهی‌های شغلی مرتبط با Agentic AI را در یک سال ثبت کرده [۷]. نتیجه این است که ارزش نسبی مهارت‌های «اجرای دستی یک کار مشخص» کاهش و ارزش «طراحی، ارزیابی و نظارت بر سیستم‌هایی که خودشان کار را انجام می‌دهند» افزایش می‌یابد.
چه مهارت‌هایی احتمالاً اهمیت بیشتری پیدا می‌کنند؟
در تحلیل داخلی آگهی‌های شغلی این رودمپ، چند مهارت به‌عنوان سیگنال نوظهور (نه‌چندان جاافتاده، ولی رو به رشد) شناسایی شده‌اند [۹]: MCP – Model Context Protocol (استاندارد نوظهور برای اتصال Agentها به ابزارها و منابع داده)، Context Engineering (طراحی زمینه‌ای که به مدل داده می‌شود، فراتر از Prompt ساده)، رهبری فنی تیم‌های AI (AI Team Leadership)، و پایگاه‌های داده برداری تخصصی‌تر مثل Qdrant و Milvus. این یافته‌ها با روند جهانی هم‌خوانی دارد: هم گزارش WEF از تغییر ۴۰٪ مهارت‌های موردنیاز شغل‌ها تا ۲۰۳۰ می‌گوید [۱]، و هم گزارش‌های صنعتی از ظهور عناوین تازه‌ای مثل Forward Deployed Engineer و Context Engineer در کنار AI Agent Architect خبر می‌دهند.
اگر هیچ پیش‌زمینه‌ای نداری: از Level 0 (Python و ریاضیات پایه) شروع کن.
اگر Python را بلدی: از Level 1 (داده و SQL و ML پایه) شروع کن.
اگر قبلاً ML/Data Science کار کرده‌ای: از Level 2 به بعد شروع کن.
اگر هدفت ورود سریع‌تر به بازار کار است: پس از Level 2، مستقیم یک مسیر تخصصی را انتخاب کن و روی یک پروژه واقعی تمرکز کن.
روش استنادرسانی: ادعاهای مربوط به بازار کار و روند صنعت به گزارش‌ها/مستندات رسمی و مجموعه‌داده داخلی زیر ارجاع داده شده‌اند. مفاهیم فنی پایه (تعریف RAG، Fine-tuning، Prompt Engineering) دانش عمومی صنعت است و مستقیماً از مستندات رسمی ابزارهای مرتبط قابل پیگیری است.