رفتن به محتوای اصلی
مهندس پیاده‌سازی

مهندس پیاده‌سازی (FDE) چیست؟ مدلی که مشاوره هوش مصنوعی را به اجرا می‌رساند

۱۱ دقیقه مطالعه

در این مقاله

گزارش هوش مصنوعی‌ای که خریده‌اید در یک پوشه خاک می‌خورد و کار تیم شما همان است که بود. مهندس پیاده‌سازی (FDE) پاسخی است به همین وضع: مهندسی که به‌جای تحویل گزارش، کنار تیم شما می‌نشیند، کار واقعی را یاد می‌گیرد و سیستم هوش مصنوعی را داخل همان کار می‌سازد و به ابزارهای شما وصل می‌کند. FDE مخفف Forward Deployed Engineer است.

این تعریف ساده است، اما پشتش یک تفاوت بزرگ در شیوه کار هست. بیشتر پروژه‌های هوش مصنوعی در فاصله «ایده خوب» تا «کاری که هر روز انجام می‌شود» گیر می‌کنند: کسی که تحلیل می‌کند با کسی که می‌سازد فرق دارد، و کسی که می‌سازد هیچ‌وقت ندیده انباردار یا حسابدار شما با چه فایلی کار می‌کند.

در این صفحه مرجع فارسی این نقش را می‌خوانید: تعریف، تاریخچه، فرق با مشاور، کارهای روزمره، محدودیت‌ها و راه تشخیص یک مهندس پیاده‌سازی واقعی از یک عنوان تزئینی. اگر فقط یک جمله بخواهید: مهندس پیاده‌سازی FDE کسی است که مسئول کار کردنِ سیستم است، نه مسئول نوشتن توصیه.

مهندس پیاده‌سازی دقیقاً چه کسی است؟

مهندس پیاده‌سازی مهندسی است که مسئولیتش نتیجه‌ای است که مشتری در کار روزانه‌اش می‌بیند، نه تحویل یک مدرک. او داخل کسب‌وکار مشتری فرایندها را از نزدیک می‌بیند، راه‌حل را با کد و ابزار واقعی می‌سازد و تا وقتی سیستم در کار نشسته کنارش می‌ماند.

سه چیز او را از نقش‌های شبیه جدا می‌کند:

  • نزدیکی: کار در محیط مشتری و کنار آدم‌هایی انجام می‌شود که هر روز با فرایند سروکار دارند. حرف‌هایش از مشاهده می‌آید، نه از الگوی عمومی.
  • مهندسی واقعی: او کد می‌نویسد، سیستم‌ها را به هم وصل می‌کند و خروجی کار را می‌سنجد. تحلیل برایش مرحله‌ای از کار است، نه محصول نهایی.
  • تعهد به ادامه: بعد از اولین نسخه هم کار تمام نشده است. سیستم باید در کار بماند، اندازه‌گیری شود و با تغییر کسب‌وکار بهتر شود.

«مهندس» در نام او به معنای مدرک نیست، یعنی کسی که مسئله را به چیزی تبدیل می‌کند که کار می‌کند. در انگلیسی «Forward Deployed» یعنی «به‌سمت مشتری مستقر شده». ما در فارسی آن را «مهندس پیاده‌سازی» می‌گوییم، چون کارش پیاده کردن راه‌حل روی زمین واقعی است. این ترجمه انتخاب خود ماست و هنوز واژه جاافتاده‌ای در فارسی ندارد.

این نقش از کجا آمد؟

شکل شناخته‌شده این نقش را شرکت Palantir ساخت. Palantir در یادداشتی با عنوان «Dev versus Delta» (۸ آوریل ۲۰۱۹) نوشت که مهندسان نرم‌افزار و مهندسان نرم‌افزارِ پیاده‌سازی در محل مشتری (Forward Deployed Software Engineers) بزرگ‌ترین نقش‌های مهندسی این شرکت‌اند و در درون شرکت آن‌ها را «Dev» و «Delta» می‌نامند.

نام «Delta» یادگار روزهای اول است: هر تیم در بخش توسعه کسب‌وکار به یکی از حرف‌های الفبای ناتو نام‌گذاری شده بود. تفاوت دو نقش در همان یادداشت چنین آمده است: Dev «یک قابلیت برای مشتریان زیاد» می‌سازد و Delta «یک مشتری با قابلیت‌های زیاد» را پوشش می‌دهد. Deltaها پلتفرم‌های شرکت را برای یک مشتری مستقر و سفارشی می‌کنند و با اثرشان بر هدف همان مشتری سنجیده می‌شوند.

درباره سال دقیق شروع این نقش منابع هم‌نظر نیستند، پس عددی نمی‌دهیم. ماجرای کامل، از جمله اینکه امروز چه شرکت‌هایی چنین تیم‌هایی دارند، در داستان FDE از دلتاهای پالانتیر تا تیم‌های OpenAI و Anthropic آمده است. منبع اصلی این بخش خود یادداشت است: Dev versus Delta در وبلاگ Palantir.

فرق مهندس پیاده‌سازی با مشاور سنتی چیست؟

مشاور سنتی تحلیل و توصیه می‌دهد؛ مهندس پیاده‌سازی راه‌حل را در محل می‌سازد و نگه می‌دارد. همان یادداشت Palantir به نقل از کارکنان خودش می‌گوید مشاوران معمولاً «یک تحلیل یا توصیه یا راه‌حل یک‌باره» تولید می‌کنند، در حالی که Deltaها «یک راه‌حل بلندمدت می‌سازند» و کار مهندسی بسیار بیشتری انجام می‌دهند.

حواستان باشد که این توصیف از زبان خود Palantir است و بی‌طرفانه نیست. مشاوره خوب ارزش دارد: وقتی تصمیم استراتژیک می‌خواهید، بازار را مقایسه می‌کنید یا باید سازمان را برای تغییر آماده کنید، مشاور جای خودش را دارد. مشکل وقتی شروع می‌شود که از مشاوره انتظار سیستم داشته باشید.

مشاور سنتیمهندس پیاده‌سازی
محصول اصلیگزارش، توصیه، ارائهسیستمی که در کار روزانه استفاده می‌شود
محل کاربیشتر بیرون از جریان کارداخل جریان کار، کنار تیم
اتصال به ابزارهامعمولاً بر عهده دیگریبخشی از خود کار
بعد از تحویلپایان قرارداداندازه‌گیری و بهبود ادامه دارد

مقایسه کامل‌تر در از اسلاید تا سیستم: فرق مشاور سنتی با مهندس پیاده‌سازی آمده است.

یک مهندس پیاده‌سازی در کسب‌وکار شما چه می‌کند؟

او کار را در پنج گام جلو می‌برد: شناخت، نقشه، ساخت، اتصال، اجرا و بهبود. هر گام با چیزی تمام می‌شود که می‌توانید ببینید.

فرض کنید یک توزیع‌کننده کاشی در اصفهان سفارش‌ها را از تلگرام، تلفن و پیامک می‌گیرد و حسابدار هر کدام را دستی وارد نرم‌افزار می‌کند. جزئیات این مثال فرضی است.

  1. شناخت: مهندس یک روز کنار مسئول سفارش می‌نشیند. می‌بیند سفارش از کدام کانال می‌رسد، کجا دوباره تایپ می‌شود و چرا موجودی انبار گاهی با فاکتور نمی‌خواند.
  2. نقشه: کارها را فهرست می‌کند و می‌گوید زمان کجا هدر می‌رود، کدام بخش را هوش مصنوعی می‌تواند برعهده بگیرد و کدام باید دست آدم بماند. شروع از یک نقطه انتخاب می‌شود.
  3. ساخت: مثلاً سیستمی که پیام سفارش را می‌خواند، اقلام را استخراج می‌کند و پیش‌نویس فاکتور می‌سازد. حسابدار آن را بازبینی می‌کند.
  4. اتصال: پیش‌نویس مستقیم به نرم‌افزار حسابداری و موجودی انبار می‌رود، نه به یک فایل جدا.
  5. اجرا و بهبود: معیارهایی که از اول توافق شده، مثل ساعت کار در هفته و نرخ خطا، سنجیده می‌شود و موارد ناموفق اصلاح می‌شود.

شرح کامل هر گام در مهندس پیاده‌سازی در کسب‌وکار شما دقیقاً چه می‌کند آمده است. روش کار ما هم در صفحه روش کار همین پنج گام است. نکته مهم این است که گام «ساخت» در مثال بالا هنوز آخر کار نیست: بدون اتصال و بدون اندازه‌گیری، همان یک ابزار دیگر است.

یک مهندس پیاده‌سازی باید چه مهارت‌هایی داشته باشد؟

ترکیب سه مهارت لازم است: مهندسی نرم‌افزار، شناخت کار مشتری و توان گفت‌وگو با آدم‌های غیرفنی. اگر یکی از این سه کم باشد، نتیجه یا سیستمی است که کسی استفاده نمی‌کند، یا توصیه‌ای که کسی نمی‌سازد، یا ابزاری که تیم را عصبانی می‌کند.

مهارت اول روشن است: او باید بتواند مدل زبانی بزرگ (LLM) را به یک سیستم واقعی تبدیل کند، یعنی داده را بخواند، به API و نرم‌افزارهای موجود وصل شود، خطاها را پیش‌بینی کند و کار را قابل‌اندازه‌گیری بسازد. مهارت دوم کمتر دیده می‌شود: باید بداند حسابدار چرا فلان ستون را دستی چک می‌کند و برای انباردار کدام خطا گران تمام می‌شود. مهارت سوم همان است که کار را زنده نگه می‌دارد. کسی که در فرایند کار می‌کند باید بتواند بگوید «این کار نمی‌کند» بدون اینکه احساس کند تحت‌فشار است.

به همین دلیل نقش را نمی‌شود با خرید یک ابزار یا گرفتن یک مشاوره پر کرد. می‌شود با تیمی که این سه مهارت را کنار هم دارد پر کرد، چه داخلی باشد و چه بیرونی. تفاوت این دو راه در نرم‌افزار آماده، تیم داخلی یا مهندس پیاده‌سازی بررسی شده است.

موفقیت یک پروژه مهندس پیاده‌سازی را با چه می‌سنجند؟

با چیزهایی که پیش از شروع روی آن‌ها توافق شده: ساعت کار در هفته، نرخ خطا، زمان پاسخ به مشتری یا هزینه هر کار. عددی که قبل و بعد از ساخت بتوان مقایسه کرد، تنها معیار صادقانه است.

برای مثال، در همان توزیع‌کننده فرضی کاشی، پیش از ساخت می‌پرسند هر هفته چند ساعت صرف تایپ سفارش می‌شود و چند فاکتور در ماه اصلاح می‌شود. بعد از ساخت همین دو عدد دوباره اندازه گرفته می‌شود. اگر بهتر نشده باشد، سیستم یا اصلاح می‌شود یا کنار می‌رود. این صراحت بخشی از مدل است: مهندسی که با نتیجه سنجیده می‌شود، نمی‌تواند پشت یک ارائه قشنگ پنهان شود.

دو دام رایج هم هست. اول، معیاری که فقط شنیدنش خوب است («رضایت تیم») و اندازه‌گیری نمی‌شود. دوم، معیاری که خیلی دیر معلوم می‌شود، مثل «رشد درآمد سال بعد». معیار خوب نزدیک به خود کار است و هفته‌ای یک‌بار قابل خواندن است.

چرا الان همه از این نقش حرف می‌زنند؟

چون ساختن مدل کافی نیست؛ جایی لازم است که مدل واقعاً در کار نشسته باشد. شرکت‌های سازنده مدل‌ها هم همین را دیده‌اند و برای رساندن مدل به کار مشتری تیم‌های مهندسی مستقر ساخته‌اند.

eWeek در ۴ نوامبر ۲۰۲۵ به نقل از Financial Times نوشت که OpenAI تیم FDE خود را از ابتدای ۲۰۲۴ راه انداخته و برای ۲۰۲۵ حدود ۵۰ مهندس در این تیم برنامه داشته، و Anthropic هم می‌خواسته تیم هوش مصنوعی کاربردی‌اش را در ۲۰۲۵ پنج برابر کند. آگهی استخدام خود Anthropic برای نقش «Forward Deployed Engineer, Applied AI» هم آن را چنین توصیف می‌کند: مهندسی که پیش مشتریان راهبردی می‌نشیند، برنامه‌های تولیدی روی Claude می‌سازد و الگوهای تکرارشونده را به تیم محصول برمی‌گرداند.

در ۴ می ۲۰۲۶ هم Fortune گزارش داد که Anthropic همراه با چند نهاد مالی شرکتی برای خدمات هوش مصنوعی‌محور سازمانی راه انداخته که مهندس و مدل را به شرکت‌های میان‌اندازه می‌برد؛ مدیر مالی Anthropic گفته تقاضا برای Claude «به‌مراتب بیشتر از ظرفیت هر مدل تحویل واحد» است. این‌ها نشان می‌دهد صنعت دارد به همین سمت می‌رود، اما برای ایران شاهدی نیست؛ ما نمی‌گوییم این نقش در بازار ایران جا افتاده است.

دلیل دوم از سمت مشتری است. چند تحلیل از پروژه‌های آزمایشی هوش مصنوعی می‌پرسند چرا اغلب به کار روزانه نمی‌رسند. یکی از آن‌ها گزارش MIT NANDA است که با تردیدهایش در چرا بیشتر پروژه‌های هوش مصنوعی در مرحله آزمایشی می‌مانند آمده است. هر نتیجه‌ای که از آن بگیرید، یک چیز روشن است: فاصله میان «دمو» و «کار روزمره» را باید کسی پر کند.

چه وقت مهندس پیاده‌سازی انتخاب مناسبی نیست؟

اگر نیازتان یک ابزار استاندارد است که هزاران شرکت مثل شما بدون تغییر استفاده می‌کنند، مهندس پیاده‌سازی لازم نیست. نرم‌افزار آماده سریع‌تر راه می‌افتد و سال‌ها آزموده شده است. این مدل برای جایی است که فرایند شما خاص است و هیچ ابزار آماده‌ای دقیقاً با آن نمی‌خواند.

نقد جدی هم وجود دارد و باید شنیده شود. Chris Degnan، سرمایه‌گذار و مدیر فروش سابق Snowflake، در قسمتی از پادکست 20VC (۲۳ مه ۲۰۲۶) گفته FDE «یک نیروی خدمات حرفه‌ای باشکوه‌تر» است و مهندس واقعاً خوب معمولاً نمی‌خواهد چنین نقشی داشته باشد. او نگران بدهی فنی و بار نگهداری‌ای است که روی دوش مشتری می‌ماند. ما این را از گزارش letsdatascience نقل می‌کنیم و متن اصلی را ندیده‌ایم.

این نقد را جدی می‌گیریم، چون وارد است: اگر مهندس برود و کسی نداند سیستم چطور کار می‌کند، مشتری در موقعیت بدتری است. جواب درست، قرارداد و تحویل شفاف است. درباره آن در بعد از رفتن تیم اجرا چه می‌ماند؟ مالکیت کد، داده و دانش نوشته‌ایم. اینکه کدام راه برای شما مناسب‌تر است، در نرم‌افزار آماده، تیم داخلی یا مهندس پیاده‌سازی مقایسه شده است.

چطور مهندس پیاده‌سازی واقعی را از عنوان تزئینی تشخیص دهید؟

ملاک این است که او چه چیزی را مسئول است و کجا کار می‌کند. عنوان می‌تواند هر چیزی باشد؛ این پرسش‌ها پشت عنوان را نشان می‌دهند:

  • آیا قبل از هر پیشنهادی از شما می‌خواهد فرایند را در محل ببیند؟
  • آیا برای پروژه معیار اندازه‌گیری (ساعت کار، نرخ خطا، زمان پاسخ) از همان ابتدا تعریف می‌شود؟
  • آیا چیزی که می‌سازد به ابزارهای فعلی شما وصل می‌شود یا یک سامانه جدا است؟
  • آیا شخصی که با شما حرف می‌زند همان کسی است که می‌سازد؟
  • آیا روشن است بعد از تحویل چه چیزی مال شماست و دانش چطور منتقل می‌شود؟

اگر می‌خواهید فهرست کامل‌تری داشته باشید، انتخاب شریک هوش مصنوعی: ۱۲ سؤال پیش از امضای قرارداد را ببینید. این ۱۲ سؤال برای هر شریکی کار می‌کند، نه فقط ما.

بلنک پیکسل این مدل را چطور اجرا می‌کند؟

بلنک پیکسل در اصفهان، با همین نگاه کار می‌کند: از فرایندهای شما شروع می‌کنیم، نه از یک ابزار، و پنج گام شناخت، نقشه، ساخت، اتصال، اجرا و بهبود را دنبال می‌کنیم. دامنه هر پروژه بعد از شناخت مشخص می‌شود.

نقطه شروع، گزارش امکان‌سنجی است: نوشته‌ای کوتاه از فرایندهای اصلی شما، جاهایی که زمان و پول هدر می‌رود، کارهایی که هوش مصنوعی می‌تواند برعهده بگیرد و اینکه از کجا باید شروع کرد. اینکه نقشه دقیقاً چیست در گزارش امکان‌سنجی هوشمندسازی چیست و چطور ساخته می‌شود آمده است. و اگر می‌خواهید بدانید چرا اصرار داریم کار را کنار خودِ کار بسازیم، هوش مصنوعی را کنار کار واقعی بسازید، نه در اتاق جلسه بحث کرده است.

پرسش‌های رایج

FDE به فارسی چه می‌شود؟

برای FDE واژه جاافتاده‌ای در فارسی پیدا نکردیم. ما «مهندس پیاده‌سازی» را به کار می‌بریم و در اولین اشاره، عبارت FDE را کنارش می‌گذاریم تا جست‌وجو و گفت‌وگو با منابع انگلیسی ممکن بماند. این واژه انتخاب ماست و منبع رسمی ندارد.

مهندس پیاده‌سازی همان برنامه‌نویس پروژه‌ای (فریلنسر) است؟

نه. فریلنسر معمولاً یک خواسته مشخص را تحویل می‌دهد. مهندس پیاده‌سازی قبل از ساخت، فرایند را می‌شناسد و بعد از ساخت هم اتصال و اندازه‌گیری را دنبال می‌کند. مسئولیت او نتیجه در کار است، نه فقط کد.

مهندس پیاده‌سازی فقط برای شرکت‌های بزرگ است؟

نه الزاماً. تیم‌های بزرگ این نقش را برای مشتریان سازمانی ساختند، اما منطقش برای شرکت‌های کوچک‌تر هم صدق می‌کند: جایی که فرایند خاص است و ابزار آماده درست جا نمی‌افتد. با شرکت کوچک‌تر، محدوده کار هم کوچک‌تر و مرحله‌ای تعریف می‌شود.

آیا مهندس پیاده‌سازی جای کارکنان را می‌گیرد؟

هدف او گرفتن کار تکراری از دوش کارکنان است، نه حذف آن‌ها. تصمیم‌ها و کارهای خلاقانه دست آدم‌ها می‌ماند و سیستم کارهای تکراری مثل تایپ دوباره و پیگیری را انجام می‌دهد.

نوشته تیم بلنک پیکسلمنتشرشده در ۱۶ آبان ۱۴۰۵

راهکار مرتبط

روش کار

روش کار بلنک پیکسل: گفت‌وگوی رایگان، گزارش امکان‌سنجی برای فرایندهای شما، و بعد ساخت، اتصال و بهبود پیوسته. دامنه هر پروژه پس از شناخت مشخص می‌شود.

ببینید هوش مصنوعی کجا بیشترین صرفه‌جویی را برایتان دارد.

یک گفت‌وگوی رایگان درباره کسب‌وکارتان، و بعد گزارش امکان‌سنجی مکتوب از فرایندهایتان: زمان و پول کجا هدر می‌رود، هوش مصنوعی چه کارهایی را می‌تواند برعهده بگیرد و از کجا باید شروع کرد.