برای کار مهندسی هوش مصنوعی در فرانسه چه چیزهایی باید بلد باشید؟

در آگهی های مهندسی هوش مصنوعی فرانسه، «صنعتی سازی» بیشتر از یک واژه به چشم می آید: کارفرما می خواهد نمونه اولیه به سرویسی تبدیل شود که تیم بتواند راه اندازی، پایش و پشتیبانی کند. دانستن مدل و ساختن یک دمو نقطه شروع است، نه پایان کار.

در نمونه ای که بررسی کردم، پایتون، مدل های زبانی و RAG کنار مهندسی نرم افزار، ابر، امنیت و تحویل سازمانی آمده اند. این تصویر گزینشی است، اما برای کسی که دنبال کار است یک پیام روشن دارد: نمونه کار باید نشان دهد سامانه را می شود آزمود و اداره کرد، نه فقط اجرا کرد.

این نمونه کوچک است؛ آمار را با احتیاط بخوانید

خروجی ای که در اختیار داشتم شامل ۲۵ آگهی فعال بود که در دسته ی «مهندس هوش مصنوعی» در فرانسه قرار گرفته بودند و در ۲ اوت ۲۰۲۶ جمع آوری شدند. این آگهی ها میان ۲ ژوئن تا ۱ اوت منتشر شده بودند.

فقط ۱۳ آگهی شرح کامل شغل داشتند. ۱۲ آگهی دیگر، که همه از لینکدین بودند، فقط عنوان، نام کارفرما، محل کار و نشانی داشتند و متن شرح شغل نداشتند. از این ها می شود برای شمارش محل ها یا فهرست کارفرمایان استفاده کرد، اما نمی شود درباره ی مهارت های خواسته شده از آن ها نتیجه گرفت.

دو پلتفرم فریلنسری شرح تقریباً یکسانی برای یک مأموریت «مهندس طراحی هوش مصنوعی» نزد یک مشتری بانکی در مونتروی منتشر کرده بودند. اگر این دو را یک کار واحد حساب کنیم، ۱۲ نقش متمایز با شرح کامل باقی می ماند.

همه ی درصد های مهارتی که در ادامه می بینید بر پایه ی همین ۱۲ نقش است. این یک تصویر گزینشی از اواخر تابستان است، نه اندازه گیری همه ی آگهی های مهندس هوش مصنوعی در فرانسه.

پنج آگهی را هم به عنوان «یادداشت میدانی» آورده ام. هر کدام کنار همان الگویی از بازار قرار گرفته که به توضیحش کمک می کند.

کار از پایتون شروع می شود و به نگهداری سرویس می رسد

پایتون و کار با مدل های زبانی بزرگ هر کدام در ۹ نقش از ۱۲ نقش آمده بودند. RAG در ۸ نقش دیده می شد. هفت آگهی به یکی از پلتفرم های اصلی ابری اشاره داشتند: پنج مورد AWS، پنج مورد Google Cloud و چهار مورد Azure. Docker و Kubernetes هر کدام در چهار آگهی آمده بودند و FastAPI در دو آگهی.

این جدول مفید است، اما مسئولیت های شغلی بیشتر از کلیدواژه ها حرف می زنند. بانک Crédit Agricole خط های پردازش تکرارپذیر، خروجی های امن، داشبورد پایش، قابلیت ممیزی، عیب یابی رخداد ها و پلی کارآمد میان دانشمندان داده، تیم های پلتفرم، عملیات و کاربران کسب وکار می خواهد.

اگر این مسیر را هدف گرفته اید، دوره ی پایتون برای تحلیل داده پایه ی زبان را پوشش می دهد. دوره های FastAPI: ساخت API عملیاتی با پایتون و Docker و Kubernetes برای داده هم به همان گذار اصلی می پردازند: از کدی که روی لپ تاپ شما اجرا می شود به سرویسی که تیم دیگری بتواند آن را اجرا کند.

RAG و ایجنت باید در محصول واقعی جا بیفتند

تعداد بالای RAG به این معنا نیست که هشت کارفرما یک چت بات یکسان می خواهند. شرح ها بازیابی اطلاعات را به زمینه های کاری متفاوتی وصل می کنند: دانش بانکی، گردش کار مدیریت دارایی، عملیات برند های لوکس، پروژه های مشاوره و پلتفرم های داخلیِ تحت حاکمیت.

Kering نمونه ی خوبی است، چون آگهی اش لایه ی پرطرفدار را به یک پشته ی آشنای سازمانی پیوند می زند.

Kering تسلط به انگلیسی را الزامی می داند و فرانسوی را امتیاز حساب می کند، نه شرط ورود. همین باعث می شود این نقش برای یک متقاضی بین المللی دسترس پذیرتر از نقش های مشاوره ای همین نمونه باشد؛ هرچند زبان فقط یکی از عوامل تناسب است.

پیام استخدامی این نیست که «یک کتابخانه ی هماهنگ سازی یاد بگیرید». پیام این است که بتوانید بازیابی را اندازه پذیر و ایجنت ها را کنترل پذیر کنید. یک پروژه ی معتبر باید نشان دهد اسناد از کجا می آیند، دسترسی چطور اعمال می شود، کیفیت بازیابی چطور آزموده می شود، وقتی شاهدی پیدا نشد چه اتفاقی می افتد و چه زمانی یک انسان باید اقدامی را تأیید کند.

دوره ی هوش مصنوعی مولد و مهندسی مدل های زبانی معماری را توضیح می دهد. آموزش عملی ارزیابی پاسخ های RAG بدون داور مدل زبانی هم نمونه کار بسیار قوی تری می سازد تا یک دموی براق دیگر که هیچ ارزیابی ای پشتش نیست.

عنوان شغلی همیشه نوع کار را نشان نمی دهد

این عنوان شغلی تنوع زیادی را پنهان می کند. چند نقش به سمت زیرساخت مدل متمایل اند. بقیه کار بک اند، یکپارچه سازی محصول، معماری ابری، رابط کاربری و رهبری فنی را با هم ترکیب می کنند. آگهی Bouygues Construction این گستردگی را آشکارا نشان می دهد.

این نقش ۸ تا ۱۲ سال تجربه در معماری ابری، DevOps و تحویل فول استک می خواهد، از جمله تجربه ی هوش مصنوعی مولد در محیط عملیاتی، فراتر از مرحله ی اثبات مفهوم.

این یک فهرست خرید طولانی نیست که به یک شغل مدل سازی چسبانده باشند. این شرح مالکیت یک پلتفرم مشترک است: مسیریابی درخواست ها، محافظت از اطلاعات محرمانه، اعمال سهمیه ها، ردگیری فراخوانی ها، مدیریت هزینه، یکپارچه سازی با نرم افزار های کسب وکار و کمک به تیم های دیگر برای تحویل امن.

اگر این مسیر را می خواهید، ایجنت ها را به عنوان گردش کار نرم افزاری مطالعه کنید، نه جادوی خودمختار. دوره ی ایجنت های هوش مصنوعی طراحی ابزار، حالت، برنامه ریزی، قابلیت اطمینان و ارزیابی را پوشش می دهد. وقتی کار شامل یکسان سازی دسترسی به داده ها و ابزار های داخلی باشد، همان طور که در آگهی های Bouygues و Wavestone می بینیم، دوره ی Model Context Protocol هم کاملاً مرتبط است.

داده و مقررات هم بخشی از کار مهندس اند

شش آگهی صراحتاً به قانون هوش مصنوعی اتحادیه ی اروپا، مقررات حفاظت از داده (RGPD)، حاکمیت داده، محیط های تحت نظارت، انطباق یا قابلیت ممیزی اشاره کرده بودند. این برای ادعای این که نیمی از مشاغل هوش مصنوعی فرانسه تحت نظارت اند کافی نیست. اما نشان می دهد که حاکمیت در این نمونه یک محدودیت تکرارشونده در اجرا بوده است.

زمان بندی هم مهم است. بیشتر مفاد قانون هوش مصنوعی اتحادیه ی اروپا از ۲ اوت ۲۰۲۶ اجرا می شود، و برخی تعهدات و سامانه های پرخطر تاریخ های دیگری دارند. این قانون هر مهندسی را به حقوقدان تبدیل نمی کند. اما باعث می شود دیگر نتوان منشأ داده، مستندسازی، نظارت انسانی، امنیت، شفافیت و ردپذیری را کار «یک نفر دیگر» دانست.

این نقش از نهاد های حیاتی در حوزه های دفاع، مالی، سلامت و بخش عمومی پشتیبانی می کند. تابعیت فرانسه هم صراحتاً شرط شده است؛ یعنی محدودیت صلاحیت به شکلی غیرمعمول روشن بیان شده است.

نمونه ی Mistral از کل بازار محدودتر است، اما نشان می دهد که حوزه ی کاری و صلاحیت چطور می توانند بر تناسب فنیِ عمومی غلبه کنند. ممکن است کسی ابزار ها را بشناسد و باز هم برای یک زمینه ی امنیتی خاص مناسب نباشد.

در نقش های سازمانیِ کم محدودیت تر، حاکمیت می تواند در نمونه کار شما دیده شود: یک مجموعه داده ی ارزیابی، سوابق ردگیری، مرز های دسترسی، حالت های خطای مستندشده، اندازه گیری هزینه و تأخیر و یک مرحله ی تأیید روشن. دوره ی ارزیابی و مشاهده پذیری مدل های زبانی این لایه را به عنوان کار مهندسی پوشش می دهد، نه پیوستی برای انطباق با مقررات.

چند آگهی ممکن است فقط یک مأموریت را نشان دهند

این خروجی شامل کارفرمایان مستقیم، شرکت های مشاوره، پلتفرم های فریلنس و نقش هایی برای مشتریان بی نام است. این ها کانال های استخدامی متفاوتی هستند.

دو آگهیِ مشابهِ مونتروی یک هشدار عملی است. دو آگهی ممکن است فقط یک نیاز واقعی را نشان دهند. پس شمارش خام آگهی ها ممکن است تعداد مشاغل متمایز را بیش از واقع نشان دهد، به ویژه وقتی چند واسطه برای پرکردن یک مأموریت با هم رقابت می کنند.

آگهی های فریلنس و مشاوره تحویل سریع هم می خواهند. ABSIS Conseil تجربه ی MLOps در یک محیط تحت نظارت می خواست. نقش «مستقر در محل مشتری» COMET کشف نیاز محصول، یکپارچه سازی و تحویل در تماس با مشتری را با هم ترکیب می کرد. آگهی ارشد Wavestone هم معماری ایجنت، چارچوب های بک اند، کانتینر ها، زیرساخت، راهنمایی همکاران و کار مشاوره ای به فرانسوی و انگلیسی را یک جا می خواست.

این کانال برای مهندسان باتجربه ای مناسب است که می توانند وارد سازمانی ناآشنا شوند و خیلی زود مفید باشند. اما اگر تجربه ی شما در حد آموزش های آنلاین است، هدف ضعیف تری است. پیش از درخواست، بپرسید: آیا آگهی دهنده کارفرمای نهایی است؟ آیا بودجه ی مأموریت تأمین شده است؟ مصاحبه ی فنی را کدام مشتری انجام می دهد؟ و آیا پلتفرم دیگری هم همین کار را آگهی کرده است؟

برای ورود، اول مهندسی نرم افزار را محکم کنید

در میان ۲۵ آگهی، کارآموزی و عنوان های سطح پایه هم دیده می شود، هرچند چندتا از آن ها شرح شغل ندارند. آگهی کارآموزیِ کاملِ Euronext روشن ترین شاهد درباره ی سطح ورود است.

این نقش برای دانشجویان سال آخر کارشناسی ارشد یا مهندسی باز است. چون کار از زیرساخت بازار سرمایه ی اروپا پشتیبانی می کند، اخلاق، سوگیری و امنیت داده کنار کار با پرامپت و مدل آمده اند.

این دسترسی سطح پایه است، نه فهرست مهارت سطح پایه. ترتیب نیازمندی ها گویاست: اول مبانی نرم افزار، بعد توانایی های خاص هوش مصنوعی. ODDO BHF و Wavestone هم کارآموزی سال آخر با امکان تبدیل به استخدام دائم آگهی کرده بودند، اما هر دو انتظار داشتند متقاضی بتواند درباره ی معماری های واقعی و نیاز های کسب وکار حرف بزند.

مسیر شغلی رایگان مهندس هوش مصنوعی هم همین ترتیب را دنبال می کند: پایتون و مبانی نرم افزار، توسعه ی بک اند، استقرار و بعد برنامه های مبتنی بر مدل زبانی. این مسیر با این آگهی ها هم خوان تر است تا این که با یک چارچوب ایجنت شروع کنید و بعداً بخواهید انضباط مهندسی را به آن اضافه کنید.

بیشتر آگهی های این نمونه در پاریس اند

۲۳ مورد از ۲۵ آگهی در پاریس یا منطقه ی ایل دوفرانس قرار داشتند. خود پاریس ۱۶ آگهی داشت و گویانکور، پوتو، مونتروی و کوربووا هفت آگهی دیگر. تولوز یک نقش رباتیک داشت. مورد باقی مانده با محل «Eu, Normandy» ممکن است محل واقعی باشد یا خطای تجزیه ی داده که از مخفف EU ساخته شده؛ چون شرح شغل خالی است، نمی توان با اطمینان نتیجه گرفت.

این تمرکز با تحلیل گسترده تر France Travail از اشتغال دیجیتال هم خوان است که ایل دوفرانس را مرکز اصلی اشتغال دیجیتال کشور می داند. با این حال، ۲۵ آگهی گزینشی ثابت نمی کند که بیرون از پاریس مهندسی هوش مصنوعی وجود ندارد. اگر جای دیگری جست وجو می کنید، از عنوان دقیق شغلی فراتر بروید و به یادگیری ماشین، رباتیک، پلتفرم های داده، پژوهش کاربردی و نقش های نرم افزاری با مسئولیت های هوش مصنوعی هم نگاه کنید.

نیاز زبانی را هم باید نقش به نقش خواند. نقش های بررسی شده ی Kering و Mistral با انگلیسی قابل انجام اند. نقش های مشاوره ای Wavestone فرانسوی قوی می خواهند، چون کار شامل کارگاه، مشتری و گزارش مکتوب است. عنوان شغلی انگلیسی دلیلی بر محیط کار صرفاً انگلیسی زبان نیست.

نمونه کارتان را برای یک نقش مشخص بسازید

این نمونه چهار مسیر را نشان می دهد که هر کدام شاهد متفاوتی لازم دارند.

پیش از این که فهرست ابزارهایتان را بلندتر کنید، یک مسیر را انتخاب کنید. بعد یک سامانه ی جمع وجور بسازید که سخت ترین بخش همان مسیر را ثابت کند. نقطه ی مبنا، معماری، راهبرد آزمون، محدودیت های عملیاتی و آنچه پیش از رفتن به محیط عملیاتی تغییر می دادید را مستند کنید.

تحلیل آگهی های مهندس هوش مصنوعی در آمریکا از نمونه ای دیگر به نتیجه ای مشابه می رسد: کارفرمایان توانایی هوش مصنوعی را به نرم افزار و زیرساخت پیوند می زنند. تصویر فرانسه وزن محلی بیشتری به صنعتی سازی، مقررات، تحویل مشاوره ای و بازارِ متمرکز بر پاریس می دهد.

در فرانسه توان اجرا از فهرست ابزار ها مهم تر است

این داده ها مجوز ارائه ی یک بازه ی حقوق جهانی، وعده ی تقاضای آسان یا رتبه بندی کامل کارفرمایان فرانسوی را نمی دهند. دوازده نقش با شرح کامل خیلی کم است و نمونه به شدت در اواخر ژوئیه متمرکز است.

اما یک نتیجه ی عملی را پشتیبانی می کند. استخدام مهندس هوش مصنوعی در فرانسه، در این تصویر، کسانی را غربال می کند که می توانند رفتار مدل را به مسئولیت عملیاتی وصل کنند. پایتون، RAG، ایجنت ها و پلتفرم های ابری گفت وگو را باز می کنند. اما استقرار، ارزیابی، امنیت، مستندسازی، قضاوت در حوزه ی کاری و توانایی ارتباط تعیین می کنند که کار می تواند از مرحله ی نمایش عبور کند یا نه.

معنای industrialisation در این آگهی ها همین است. صنعتی سازی چاشنیِ پرزرق وبرقی بعد از کار هوش مصنوعی نیست. خودِ کار است.

روش جمع آوری آگهی ها و محدودیت نتیجه

خروجی منبع شامل ۲۵ آگهی فعال بود که در ۲ اوت ۲۰۲۶ جمع آوری شدند؛ آگهی هایی که پس از یکسان سازی عنوان، «مهندس هوش مصنوعی» در فرانسه بودند و از ۱ ژانویه به بعد منتشر شده بودند. سیزده آگهی Indeed شرح شغل داشتند و ۱۲ آگهی لینکدین نداشتند. دو آگهی فریلنس ظاهراً یک مأموریت بانکی واحد را توصیف می کنند، به همین دلیل تحلیل مهارت ها بر پایه ی ۱۲ نقش متمایز است. برچسب های مهارتی استخراج شده با متن شرح ها تطبیق داده شدند و الگو های مقرراتی و تحویل با خواندن دستی شناسایی شدند. آگهی ها ممکن است بسته یا تغییر داده شوند، فیلد های جمع آوری شده ممکن است ناقص باشند و یکسان سازی ممکن است عنوان یا محل را اشتباه دسته بندی کند. این یافته ها همین خروجی را توصیف می کنند، نه کل بازار کار فرانسه را.