مهندس تقييم الذكاء الاصطناعي: أول موظف تقني تريده كل شركة منتجات ذكاء اصطناعي

الوظيفة التي تأتي قبل توافق المنتج مع السوق

ظهر نمط جديد في الطريقة التي تبني بها شركات الذكاء الاصطناعي التطبيقي الناشئة أولى فرق الهندسة لديها: قبل توظيف مهندس backend ثانٍ، وقبل توظيف مسؤول تسويق للنمو، توظّف هذه الشركات شخصاً تكون وظيفته الكاملة هي تحديد ما إذا كان الذكاء الاصطناعي في المنتج يعمل بالفعل. وفقاً لـدليل مسار وظيفة مهندس تقييم الذكاء الاصطناعي لعام 2026 من jobsbyculture، فإن شركات مثل Perplexity وCursor وHarvey وSierra وDecagon وCognition تُدخل الآن مهندس تقييم ضمن أول عشر توظيفات تقنية لديها — قرار ترتيب كان سيبدو غريباً منذ ثلاث سنوات، عندما كان مصطلح «التقييم» (eval) يعني في الغالب جدول بيانات يحدّثه مدير المنتج مرة واحدة في كل sprint.

يفيد الدليل نفسه بأن مختبرات النماذج المتقدمة — ومنها Anthropic وOpenAI وGoogle DeepMind وMistral وxAI — توظف مهندسي تقييم بشكل مستمر وتعامل هذه الوظيفة كبنية تحتية دائمة لا كمرحلة مشروع. وعلى مسار التبني الأبعد، فإن الشركات التي تستخدم نماذج من طرف ثالث بدلاً من تدريب نماذجها الخاصة، ومنها Stripe وShopify وDatabricks وAtlassian وHubSpot، تُدرج الآن وظائف تقييم داخل فرق منصة الذكاء الاصطناعي أو فرق الثقة والسلامة. والتبرير المذكور في هذه الأسواق الوظيفية ثابت: الفرق التي تمتلك خطوط تقييم ناضجة تطرح، بحسب التقارير، نحو 5 أضعاف عدد إصدارات النماذج في كل فصل مقارنة بالفرق التي لا تزال تعتمد على فحوصات يدوية عشوائية، لأنها تستطيع أن تعرف في غضون ساعات — لا أسابيع — ما إذا كان تغيير في الـprompt، أو استبدال نموذج، أو دمج أداة جديدة قد جعل المنتج أفضل أو أسوأ.

هذه الميزة في السرعة هي القصة الحقيقية وراء نمط التوظيف هذا. في سوق تعمل فيه كل شركة ذكاء اصطناعي تطبيقي على تطوير نفس المجموعة الصغيرة من النماذج الأساسية، فإن الشركة القادرة على التحقق من صحة تغيير ما بأسرع وقت هي التي تطرح أكبر عدد من التحسينات، وقد أصبحت سرعة التقييم مؤشراً حقيقياً على سرعة المنتج.

ما الذي يبنيه مهندس التقييم فعلياً

من السهل وصف هذه الوظيفة بشكل غامض ومن الصعب وصفها بدقة. يعرّفها مخطط دور مهندس تقييم الذكاء الاصطناعي من DevOpsSchool على أنها بناء «أنظمة تقييم تحدد ما إذا كانت ميزات الذكاء الاصطناعي/تعلم الآلة — خصوصاً تلك المعتمدة على LLM — جيدة بما يكفي، وآمنة بما يكفي، وموثوقة بما يكفي للإصدار». وفي الممارسة، يشمل ذلك ثلاثة مستويات من العمل: استراتيجي (ترجمة متطلبات المنتج إلى معايير نجاح قابلة للقياس وقيادة قرارات اختيار النماذج بالأدلة لا بالحدس)، وتشغيلي (تشغيل دورات تقييم متكررة، والحفاظ على مجموعات بيانات اختبار مُرقّمة بالإصدارات، وفرز الأعطال)، وتقني (بناء أدوات تقييم مدمجة في CI/CD، وتطبيق مقاييس تسجيل تلقائية، وتصميم مسارات مراجعة بشرية للأحكام التي لا يستطيع النموذج إصدارها عن نفسه).

توضح مؤشرات الأداء الرئيسية المقترحة في هذا المخطط إلى أي مدى تحولت هذه الوظيفة من فحوصات جودة عشوائية إلى نظام هندسي صارم: تغطية مجموعة التقييم لـ70-90% من أهم مسارات المستخدمين في المنتج، ووقت اكتشاف الانحدار في أقل من 24 ساعة، ودرجات موثوقية المعلومات أو دقة الاستشهاد فوق 90% للأنظمة القائمة على الاسترجاع المعزز (RAG). لا شيء من هذا يمكن تحقيقه بمدير منتج يقرأ عشرين محادثة قبل إصدار — بل يتطلب شخصاً قادراً على كتابة Python في بيئة الإنتاج، ويفهم كيفية تقييم الأنظمة الاحتمالية (المعايير، خطوط الأساس، التباين، مفاضلات أخذ العينات)، واستوعب أنماط الأعطال الخاصة بتطبيقات النماذج اللغوية الكبيرة.

يصف استعراض Futurense للأدوار الناشئة في هندسة الذكاء الاصطناعي هذا الأمر كانقسام تخصص حقيقي: يشير المقال إلى أن «معظم إعلانات وظائف الذكاء الاصطناعي تطلب الآن خبرة تقييم خاصة بالمجال» وأن وظيفة التقييم «تنفصل عن دور AI Engineer العام لتصبح فئة توظيف مستقلة». والمحرك وراء ذلك، بحسب المصدر نفسه، تنظيمي: مع انتقال أنظمة الذكاء الاصطناعي إلى مجالات التمويل والرعاية الصحية والقانون والتأمين، توقف التقييم الرسمي القابل للتدقيق عن كونه اختياريّاً وأصبح شرط امتثال، وهو ما ينتزع هذا الدور بالكامل من فئة هندسة الذكاء الاصطناعي العامة.

داخل فريق التقييم في مختبر ذكاء اصطناعي متقدم

أوضح دليل علني على مدى جدية المختبرات المتقدمة في التعامل مع هذه الوظيفة هو إعلان OpenAI الخاص بوظيفة Research Engineer, Frontier Evals & Environments. يصف الإعلان فريقاً قام بإصدار معايير قياس (benchmarks) مفتوحة المصدر مثل GDPval وSWE-bench Verified وMLE-bench وPaperBench وSWE-Lancer، وبنى وشغّل التقييمات المتقدمة التي وقفت خلف GPT-4o وo1 وo3 وGPT-4.5 وChatGPT Agent وGPT-5. ويحدد الإعلان نطاق راتب أساسي يتراوح بين 200,000 و370,000 دولار لوظيفة مقرها سان فرانسيسكو، تتطلب خبرة عملية في LLM، والتعلم المعزز، وRLHF/RLAIF، والتدريب اللاحق (post-training)، وأدوات التصحيح (graders)، وتوليد البيانات التركيبية — وهو ملف أقرب إلى هندسة البحث منه إلى ضمان الجودة التقليدي.

في شركات الذكاء الاصطناعي التطبيقي الناشئة، تكون المهمة أضيق نطاقاً — عادة سطح منتج واحد بدلاً من خط كامل من النماذج المتقدمة — لكن الأثر يبقى مرتفعاً بشكل مماثل، لأن انحداراً واحداً في التقييم لم يُكتشف يمكن أن يطرح ميزة معطلة لملايين المستخدمين قبل أن يلاحظ أحد ذلك. ويظهر هذا النمط من المخاطر في إعلانات وظائف بعيدة كل البعد عن أكبر المختبرات: إعلان Fieldguide العلني لوظيفة «AI Engineer, Quality (Evals)» هو مثال واضح على شركة SaaS متوسطة السوق تتبع نفس دليل التوظيف الذي تتبعه المختبرات المتقدمة، لكن على نطاق أصغر. وتتبع الرواتب مستوى أقدمية المهمة: تبدأ وظائف التقييم للمستوى المبدئي، بحسب التقارير، من نحو 130,000 إلى 173,000 دولار كراتب أساسي، وتتركز الوظائف متوسطة المستوى (من ثلاث إلى خمس سنوات خبرة) بين 230,000 و340,000 دولار كتعويض إجمالي، وتصل الوظائف العليا إلى 340,000-480,000 دولار، ويمكن للمتخصصين من مستوى staff في المختبرات المتقدمة أن يصلوا إلى 500,000-800,000 دولار عند إدراج الأسهم، وفقاً لـتحليل الرواتب من jobsbyculture. وتُظهر منصات التوظيف مثل قوائم وظائف LLM Evaluator المُجمّعة من ZipRecruiter أن الطلب لم يعد مقتصراً على حفنة من الأسماء الكبرى — بل أصبح بنداً معتاداً في خطط التوظيف في شركات الذكاء الاصطناعي التطبيقي.

ما الذي ينبغي أن يفعله المهندسون لدخول وظائف التقييم

لا يتطلب دخول هذه الوظيفة درجة دكتوراه بحثية — يقول مسؤولو التوظيف عبر المصادر أعلاه باستمرار إن الحكم العملي وأنظمة التقييم المُنجزة فعلياً تفوق الشهادات الأكاديمية أهمية. لكنه يتطلب بناء محفظة أعمال مختلفة عمداً عن تلك التي تؤمّن مقابلة عامة لوظيفة «AI Engineer».

1. أطلق أداة تقييم علنية قبل التقديم على الوظيفة

يقول مسؤولو التوظيف لوظائف التقييم بشكل معتاد إن خط تقييم عملياً وموثقاً — حتى لو كان صغيراً، ومبنياً على نموذج مفتوح ومجموعة بيانات عامة — يزن أكثر من سيرة ذاتية تعتمد فقط على الشهادات. ابنِ شيئاً يقيّم النتائج مقابل معيار محدد، ويتابع الدرجات عبر إصدارات النماذج، ويُشير تلقائياً إلى الانحدارات. انشر المستودع واكتب تقريراً عن ما رصده. سطر في السيرة الذاتية يقول «صمّمت تقييمات» عام وغير محدد؛ أما مستودع مرتبط يُظهر انحداراً تم رصده فهو دليل ملموس.

2. تعلّم قراءة العطل الاحتمالي، لا فقط تصحيح الأخطاء في الكود الحتمي

يفترض تصحيح الأخطاء البرمجي التقليدي أن مدخلاً ثابتاً يُنتج مخرجاً ثابتاً وخاطئاً يمكن تتبعه إلى سطر محدد من الكود. عطل النماذج اللغوية الكبيرة مختلف: قد ينجح نفس الـprompt تسع عشرة مرة ويفشل في العشرين، وقد يكون سبب الفشل خللاً في التنسيق، أو فشلاً في الاسترجاع، أو خطأ منطقياً حقيقياً لا يظهر إلا مع صياغة معينة. يحتاج مهندسو التقييم إلى إجادة أخذ العينات الإحصائية، وفترات الثقة، والتباين — وأن يتعاملوا مع أي سؤال من نوع «هل يعمل هذا؟» كمسألة قياس ذات حجم عينة، لا كتمرين تصحيح ثنائي (نعم/لا).

3. اختر مجالاً واحداً منظماً أو عالي المخاطر وتعمّق فيه

وفقاً لتحليل Futurense، يتركز الطلب الأكثر حدة حالياً في التمويل والرعاية الصحية والقانون والتأمين، حيث أصبح التقييم الرسمي القابل للتدقيق شرط امتثال بدلاً من ميزة إضافية. والمهندس القادر على الحديث بثقة عن معنى «موثوقية المعلومات» لأداة استشهاد قانوني، أو عن الشكل الذي يبدو عليه معدل هلوسة مقبول لنموذج معالجة مطالبات التأمين، يصبح أكثر قابلية للتوظيف في هذه المجالات من شخص عام لم يعمل إلا على نماذج تجريبية للمحادثة.

4. تعامل مع جولة المقابلة كتمرين مباشر لتصميم التقييم

لأن هذه الوظيفة تُثمّن الحكم المُثبت أكثر من السيرة الأكاديمية، توقع أن تتضمن المقابلات سؤالاً مفتوحاً من نوع «صمّم مجموعة تقييم لهذه الميزة». تدرّب على بناء إجاباتك حول فئات مؤشرات الأداء الرئيسية التي تظهر في مخططات الوظائف الحقيقية — تغطية أهم مسارات المستخدمين، وسرعة اكتشاف الانحدار، وتسجيل الموثوقية — بدلاً من وصف غامض لـ«اختبار الذكاء الاصطناعي». المرشحون القادرون على ذكر مقياس، وحد أدنى/أعلى، ونمط عطل في الجملة نفسها يتميزون باستمرار في هذه الجولات.

أين تقع هذه الوظيفة في المرحلة القادمة من التوظيف في الذكاء الاصطناعي

يعبّر صعود مهندس التقييم عن أمر أوسع يتعلق بالمكان الذي تعتقد فيه شركات منتجات الذكاء الاصطناعي أن الاختناق الحقيقي يقع فيه الآن. بعد عامين من ازدهار التوظيف في الذكاء الاصطناعي التطبيقي، كانت الموارد النادرة هي الوصول إلى النماذج؛ أما الآن، فقد أصبح الوصول إلى قدرات من فئة GPT-4 سلعة معممة عبر عشرات المزودين. وقد انتقلت الموارد النادرة إلى القدرة على إثبات، بسرعة وبشكل متكرر، أن منتجاً معيناً مبنياً على تلك القدرة يعمل فعلاً لمستخدميه المحددين — وعلى اكتشاف اللحظة التي يتوقف فيها عن العمل.

يفسّر هذا التحول لماذا أصبحت هذه الوظيفة تأتي بشكل متزايد قبل المهندس العاشر بدلاً من بعد المهندس الخمسين. فالشركة التي لا تستطيع قياس جودة ذكائها الاصطناعي الخاص تتخذ كل قراراتها المنتجية اللاحقة في العمياء، بصرف النظر عن جودة وصولها إلى النماذج الأساسية. ومع انتقال المزيد من الطبقة التطبيقية إلى الصناعات المنظمة — نفس مجالات التمويل والرعاية الصحية والقانون والتأمين التي تدفع حجة الامتثال عند Futurense — يُتوقع أن يستمر مهندس التقييم في التقدم إلى مراحل أبكر في تسلسل التوظيف، لا مراحل أبعد، وأن تستمر الفجوة في الرواتب بين مهندسي الذكاء الاصطناعي العامين ومتخصصي التقييم في التوسّع مع تزايد ضخ مهندسين من مستوى senior وstaff في مجمع التوظيف.

الأسئلة الشائعة

المصادر والقراءات الإضافية

• دليل مسار وظيفة مهندس تقييم الذكاء الاصطناعي لعام 2026 — jobsbyculture
• مخطط دور مهندس تقييم الذكاء الاصطناعي: المسؤوليات والمهارات ومؤشرات الأداء والمسار المهني — DevOpsSchool
• أفضل الأدوار في هندسة الذكاء الاصطناعي — Futurense
• Research Engineer, Frontier Evals & Environments — OpenAI Careers
• وظائف LLM Evaluator — ZipRecruiter
• AI Engineer, Quality (Evals) في Fieldguide — LinkedIn