تصور کنید برای ورود به یکی از تراز اول‌ترین آزمایشگاه‌های هوش مصنوعی جهان، به‌جای ارسال صدها رزومه، یک کمپین استراتژیک ۱۸ ماهه طراحی کنید. مکس ماینتر (Max Mynter)، مهندس Full-stack یادگیری ماشین، دقیقاً همین مسیر را طی کرد تا به‌عنوان مهندس پژوهشی در Mistral — آزمایشگاهی با سرمایه میلیاردی — پذیرفته شود. او پس از یک فرآیند سخت‌گیرانه از رشد خود به‌عنوان یک فرد خودگردان و شبکه‌سازی تاکتیکی، موفق به امضای قرارداد با این مرکز پیشرو شد. 
برای اکثر مهندسان، جهش به آزمایشگاه‌های برتر AI شبیه به یک پرش غیرممکن است. طبق گزارش‌های منتشر شده در وب‌سایت شخصی ماینتر، این شکاف زمانی ایجاد می‌شود که کاندیداها «آمادگی تاکتیکی» — مثل حل زیاد مسائل LeetCode — را با «استراتژی بلندمدت شغلی» اشتباه می‌گیرند. در بازاری که رقابت برای جایگاه‌های تخصصی به شدت بالا رفته است، شرکت‌ها دیگر به رزومه‌های متنی اعتماد نمی‌کنند و به‌دنبال «سرمایه‌های شغلی» (Career Capital) می‌گردند؛ یعنی آثار ملموسی که مهارت فرد را در فضای عمومی ثابت کند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی استانداردهای استخدام در شرکت‌های پیشرو AI اشاره کردیم، تمرکز اکنون از مدارک تحصیلی به سمت «اثبات توانایی» (Proof of Work) تغییر کرده است. ماینتر تفاوت میان اقدامات تاکتیکی و استراتژیک را این‌گونه تعریف می‌کند:
اقدامات تاکتیکی، کارهایی با تلاش کم هستند که نتایجی سریع و برد کوتاه‌مدت در یک موقعیت خاص دارند. این موارد شامل مواردی چون صیقل دادن رزومه (CV)، انجام مصاحبه‌های آزمایشی (Mock Interviews)، مطالعه آخرین اخبار درباره شرکت هدف یا بازیابی حافظه عضلانی با حل چند مسئله LeetCode است. اگرچه این کارها برای ایجاد یک تاثیر خوب ارزشمند هستند، اما اثرشان کوتاه‌مدت است. از نظر ماینتر، این دیدگاه که کسی فرصت‌های سرنوشت‌ساز شغلی خود را صرفاً به دلیل دشوار بودن یا کسالت‌بار بودن LeetCode از دست بدهد، یک دیدگاه کوتاه‌مدت و نادرست است.
در مقابل، اقدامات استراتژیک سرمایه‌گذاری‌هایی با تلاش زیاد و اثرات تجمعی (Compounding) هستند که ممکن است در لحظه بی‌ثمر به نظر برسند اما در بلندمدت مزیتی رقابتی و قابل توجه ایجاد می‌کنند. نمونه‌هایی از این اقدامات عبارتند از: یادگیری عمیق یک تکنولوژی جدید از طریق ساخت یک پروژه پرتفولیو (Portfolio) حجیم، حفظ سابقه همکاری در یک سازمان خوش‌نام، ساخت یک شبکه حرفه‌ای پایدار یا تثبیت برند شخصی از طریق صحبت درباره کارهای انجام شده. در درازمدت، این استراتژی است که موتور محرک یک مسیر شغلی موفق است. این رویکردی است که در چارچوب 4D برای تبدیل کاربر به متخصص AI نیز بر اهمیت یادگیری ساختاریافته و تدریجی تاکید شده است.
ماینتر در آوریل ۲۰۲۴ پس از یک گفتگوی شغلی با مدیر مستقیم خود، متوجه شد که نقش فعلی‌اش هیچ مسیر رشد کوتاه‌مدت یا میان‌مدتی را ارائه نمی‌دهد. او سال و نیم بعدی را به تناوب میان این دو حالت (تاکتیکی و استراتژیک) گذراند. او این مسیر را یک فرآیند «آشفته» توصیف می‌کند که پر از تردید و ناامنی بود؛ به‌ویژه ترس از استعفا از شغل فعلی و تبدیل شدن به یک «سرگرمی‌کار حرفه‌ای» (Professional Hobbyist). او این تجربه را به عنوان یک پروژه شخصی می‌بیند که به دلیل نبود ساختار، نیازمند عاملیت (Agency) بالا و تصمیمات قضاوتی سخت بود.
برای عبور از این عدم قطعیت، ماینتر مجموعه‌ای از اهداف concrete و ملموس را تعریف کرد. او نمی‌خواست صرفاً «شغلی با حقوق خوب» پیدا کند، زیرا این هدف بیش از حد کلی بود. او می‌توانست به حوزه‌های Venture Capital یا مشاوره (Consulting) برود و همچنان به آن سطح حقوق برسد. در عوض، او به دنبال یک «نقاط عطف شغلی» (Career Inflecting Role) با محدودیت‌های خاص زیر بود:
- رشد فنی: کسب مهارت‌های کمیاب و ارزشمند در مهندسی نرم‌افزار و یادگیری ماشین (ML).
- تاثیرگذاری: داشتن مالکیت بر پروژه‌ها و تاثیرگذاری عملی، در حالی که از حمایت همکاران ارشد برای رشد به سمت رهبری فنی بهره ببرد.
- نوع نقش: برای آینده‌های پیشرو، در نقش یک مشارکت‌کننده فردی (Individual Contributor یا IC) باقی بماند.
- محیط: کار در یک آزمایشگاه مدل‌های پیشرو (Frontier Model Lab) با بودجه بیش از یک میلیارد دلار، در نزدیکی افرادی که برایش عزیز هستند.
این معیارها جست‌وجوی او را به حدود ۱۰ شرکت بسیار رقابتی محدود کرد. او از منبع jobsearch.dev برای فرموله کردن این معیارها و رسیدن به ذهنیتی مناسب برای ارسال درخواست‌ها کمک گرفت. این اهداف به او کمک کرد تا به نقش‌هایی که بیش از حد با ایده‌آل‌هایش فاصله داشتند «نه» بگوید؛ نقش‌هایی مانند تبدیل شدن به یک چرخ‌دنده کوچک در یک ماشین بوروکراتیک، یا نقش‌هایی که صرفاً بر تولید سریع MVP برای فرضیات محصولی تمرکز داشتند، به‌جای ساخت سیستم‌های سطح پایین با کارایی بالا.
پس از یک شکست سخت در یک فرآیند مصاحبه شش مرحله‌ای در نوامبر ۲۰۲۴، ماینتر استعفا داد تا تمام وقت روی ارتقای مهارت‌ها (Upskilling) تمرکز کند. او دریافت که انجام چالش‌های Take-home در حالی که تمام‌وقت مشغول به کار است، ناپایدار است و اغلب منجر به «هفته‌های سنگین» از فشار کاری در شرکت و خانه می‌شود. زمانی که در ژانویه ۲۰۲۵ رسماً بیکار شد، در ابتدا با نتایج ضعیف و شکست در مصاحبه‌ها به دلیل استرس و اشتباهات قابل اجتناب مواجه شد.
برای پر کردن شکاف‌های تحصیلی خود (به دلیل نداشتن پیش‌زمینه مستقیم در علوم کامپیوتر یا CS) و ایجاد یک «ریست رزومه»، ماینتر به Recurse Center در نیویورک پیوست؛ یک مرکز برنامه‌نویسی خودگردان و مبتنی بر گروه (Cohort-based). این تجربه یک نقطه چرخش رسمی در رزومه او ایجاد کرد و فضای لازم برای اجرای سه هدف استراتژیک بین ژانویه تا می ۲۰۲۵ را فراهم آورد:
- برنامه‌نویسی سیستم‌ها: یادگیری زبان Rust — زبانی که برای سرعت و امنیت حافظه طراحی شده و مثل یک ابزار دقیق جراحی برای مدیریت سخت‌افزار است. او پیشرفت خود را با ادغام بیش از ۱۵ Pull Request در کدهای متن‌باز بسیار سخت‌گیرانه‌ای چون Ruff و UV قابل اندازه‌گیری کرد.
- سیگنال‌های آکادمیک: همکاری مجدد با استاد راهنمای پایان‌نامه ارشد خود در مؤسسه ایمنی AI مرکز هوافضای آلمان. او پایان‌نامه خود را که بر تقاطع نظریه اطلاعات و سیستم‌های پیچیده تمرکز داشت، بازنویسی کرد تا به یک مقاله برای مجلات داوری‌شده تبدیل کند. اگرچه مقاله هنوز منتشر نشده بود، اما ذکر آن به عنوان «در دست بررسی» (Work in Progress)، سیگنال پژوهشی لازم را ارسال کرد و اجازه داد او از اعتبار این موسسه برای «نام‌بردن از AI/ML» استفاده کند.
- تخصص در مدل‌های زبانی: مطالعه عمیق کتاب Natural Language Processing with Transformers برای ساخت دانش نظری. سپس پروژه‌ای در مورد انتقال سبک idiosyncratic (ویژه) را با استفاده از دیتاست TinyStories ساخت و آن را برای بیش از ۱۰۰ نفر در رویداد AI Tinkerers ارائه کرد. این کار باعث شد «علاقه شخصی» و سرکاشیدن در موضوعات، به یک نتیجه تجاری قابل اندازه‌گیری تبدیل شود. برای کسانی که در ابتدای این مسیر هستند، راهنمای بصری ما برای پیاده‌سازی اولین مدل ML می‌تواند اولین قدم عملی در جهت ساخت چنین پروژه‌هایی باشد.
از ژوئن ۲۰۲۵، ماینتر دوباره به حالت اجرای تاکتیکی بازگشت. او لیست بلندی از موقعیت‌های شغلی را تهیه کرد و از روش «دسته‌بندی» (Batching) برای ارسال درخواست‌ها استفاده کرد. هر دسته شامل یک شرکت اولویت‌دار (که در آن معرف یا Referral داشت) و چندین شرکت با اولویت کمتر بود تا به عنوان محیطی برای تمرین و تخلیه استرس مصاحبه عمل کنند. این استراتژی به او اجازه داد تا اولین اشتباهات خود را در محیط‌هایی با آسیب کم تجربه کند، پیش از آنکه با اهداف اصلی خود روبرو شود.
او از «پیوندهای ضعیف» (Weak Ties) — یعنی آشنایان دور و ارتباطات در توییتر/X — برای جمع‌آوری اطلاعات داخلی استفاده کرد. او معتقد است قدرت شبکه‌ها در این پیوندهای ضعیف نهفته است، زیرا شما را به افرادی متصل می‌کنند که بسیار دورتر از دایره اجتماعی نزدیک شما هستند. برای ارتباطات سرد (Cold Outreach)، او از یک اسکریپت خاص استفاده می‌کرد: «من مکس هستم و واقعاً درباره [موضوع x] هیجان‌زده‌ام و به شدت در نظر دارم برای نقش [y] درخواست بدهم. آیا چیزی هست که بتوانید به اشتراک بگذارید تا بتوانم بهترین درخواست ممکن را ارسال کنم...»
شبکه‌سازی برای او بیشتر به معنای «دوست پیدا کردن» بود تا «استخراج ارزش». او با انتشار به‌روزرسانی‌های روزانه در توییتر درباره پیشرفتش در Haskell, Kubernetes و Rust و همچنین چالش‌هایش در نوشتن مقاله پژوهشی، یک ردپای «اثبات کار» (Proof of Work) و مسئولیت‌پذیری عمومی ایجاد کرد. او کتاب Show Your Work اثر آستین کلئون را به عنوان راهنمای این رویکرد توصیه می‌کند. فرمول او برای دوست‌یابی در این حوزه عبارت بود از: ۱) انجام کارهای جالب، ۲) صحبت درباره آن‌ها، و ۳) گشودگی و علاقه‌مندی به دیگران.
به نقل از مستندات شخصی ماینتر در وب‌سایت maxmynter.com، فرآیند مصاحبه برای نقش‌های سطح بالای ML چندوجهی است. او برای هر یک از مراحل متمایز با متدهای خاصی آماده شد:
۱. مصاحبه‌های کدنویسی (Coding Interviews)
- تلاش سخت (The Grind): حل حدود ۳۰۰ مسئله در LeetCode/NeetCode با استفاده از نقشه راه NeetCode 150 برای یادگیری تدریجی مفاهیم. او در روزهای بلافاصله قبل از مصاحبه‌ها، ۲۰ تا ۳۰ سوال را به صورت سریع-آتش (Rapid-fire) حل می‌کرد.
- پایه نظری: مطالعه کتاب Algorithm Design Manual اثر اسکینا برای ایجاد یک بنیاد سخت‌گیرانه (با وجود اینکه برای آمادگی سریع بیش از حد نظری بود) و کتاب Coding Interview Patterns برای کاربردهای عملی.
- اجرا: او Python را ترجیح داد تا در طول تست‌های الگوریتمی با مسائل مدیریت حافظه یا Borrow Checker زبان Rust درگیر نشود. او بر «بلند فکر کردن» تأکید داشت تا سیگنال‌های لازم از روند تحلیلش را به مصاحبه‌کننده منتقل کند. او اشاره کرد که اگر جایی گیر می‌کرد، توضیح دادن اینکه «چرا» گیر کرده است، اغلب به مصاحبه‌کننده اجازه می‌داد او را در جهت درست هدایت کند.
- تنوع سوالات: او با سوالات سبک LeetCode در Coderpad و همچنین تکالیف کدنویسی «طراحی سیستم/API» روبرو شد (مثلاً طراحی کلاس
BankingSystemیا برنامه‌ای برای مرتب‌سازی یک فایل متنی که چندین برابر حافظه ماشین بزرگتر است). او همچنین با «چالش‌های دنیای واقعی» مواجه شد، مانند پیاده‌سازی یک تابع Lambda برای استخراج داده از یک وب‌سایت از طریق API مدل زبانی، که در ابتدا به دلیل اجتناب از کدنویسی با کمک AI (برای ساخت حافظه عضلانی) در آن دچار مشکل شد.
۲. طراحی سیستم (System Design)
- بررسی عمیق: شش ماه مطالعه کتاب Designing Data Intensive Applications (DDIA) نوشته مارتین کلمپمن برای درک مفاهیم اجماع توزیع‌شده (Distributed Consensus)، ذخیره‌سازی داده‌ها و پارتیشن‌های شبکه.
- آمادگی عملی: استفاده از کتاب System Design Interview اثر الکس شو و مخزن گیت‌هاب System Design Primer برای دسترسی به شمای‌های مرجع.
- یادگیری چندرسانه‌ای: استفاده از کانال‌های یوتیوبی مانند System Design Fight Club، ByteByteGo، TRYEXCEPT و Jordan has no life؛ او این ویدیوها را هنگام پیاده‌روی با یوتیوب پریمیوم گوش می‌داد تا «تصویر کلی» (Big Picture) را در ذهنش تثبیت کند.
- پژوهش: بررسی وب‌لاگ‌های فنی شرکت‌ها و بیانیه‌های مطبوعاتی برای پیش‌بینی سوالات احتمالی طراحی سیستم، که به نرخ موفقیت ۵۰٪ رسید. او برای تمرین رسم جعبه‌های معماری از ابزار excalidraw در مصاحبه‌های آزمایشی استفاده کرد.
۳. سایر ارزیابی‌های فنی
- تکالیفات Take-home: این موارد از ارسال کد در برابر یک مجموعه تست (Test Suite) تا حل یک تیکت پولی (با پرداخت حدود ۵۰۰ دلار) متغیر بود. در یک مورد، به او کد آموزش LLM داده شد که خروجی‌های بی‌معنی تولید می‌کرد و وظیفه او شناسایی ۱۰ باگ خاص در آن بود.
- مصاحبه‌های کوییز (Quiz): این مصاحبه‌های «بنیادین» لبه‌های دانش او را می‌سنجیدند. سوالاتی مانند:
- پیاده‌سازی یک Set در مفسر پایتون و نقش توابع هش (Hash Functions).
- نحوه به دست آوردن نوارهای خطا (Error Bars) در خروجی یک LLM برای یک Checkpoint خاص.
- مفهوم «نزول مضاعف» (Double Descent) و اینکه آیا مدل‌های یادگیری عمیق مدرن بیش‌تخصصی شده‌اند (Overparametrized) یا خیر.
- ارزیابی‌های آنلاین (OA): تست‌های زمان‌دار و غیرهمزمان که برخی از آن‌ها برای اطمینان از عدم استفاده از ابزارهای غیرمجاز، با ضبط صفحه نمایش نظارت می‌شدند.
۴. مرحله رفتاری و نهایی (Behavioral and Final Stage)
- تطبیق فرهنگی: او از چارچوب STAR (Situation, Task, Action, Result) برای نوشتن و ترسیم رفتارهای گذشته خود در راستای ارزش‌های خاص شرکت استفاده کرد. او این داستان‌ها را به صورت مکتوب تمرین کرد تا از این اتفاق جلوگیری کند که تنها یک خاطره کامل را دقیقاً پس از پایان مصاحبه به یاد آورد.
- گفتگوی نهایی: مصاحبه با مدیر استخدام (Hiring Manager) یا CTO برای سنجش «حس و حال» (Vibe) و بحث درباره تکامل تیم بود. او از این فرصت برای پرسیدن درباره اولین پروژه احتمالی و اینکه «یک استخدام موفق» در آن شرکت چگونه تعریف می‌شود، استفاده کرد.
- بررسی مراجع (Reference Checks): او دو نفر از همکاران سابق خود را معرفی کرد و اطمینان حاصل کرد که آن‌ها در دسترس هستند (مثلاً در حال هایکینگ در آمازون بدون دسترسی به موبایل نباشند) و بر رابطه نزدیک با آن‌ها تأکید کرد تا صرفاً بر اساس سینیوریتی (seniority) انتخاب نشوند.
در اوت ۲۰۲۵، این استراتژی با دریافت پیشنهاد شفاهی از Mistral و چند پیشنهاد رقابتی دیگر به اوج خود رسید. داشتن چندین پیشنهاد، به او اهرم فشار (Leverage) داد تا در مورد پاداش امضا (Signing Bonus)، تخصیص تیم و گزینه‌های دورکاری مذاکره کند.
این فرآیند نشان‌دهنده یک تغییر بنیادین در استخدام‌های AI است: شرکت‌ها روی «برنده‌هایی» شرط‌بندی می‌کنند که یک مسیر صعودی را نشان دهند. ماینتر استدلال می‌کند که مدرک تحصیلی تنها یک پایه است، اما «اثبات کار» (Proof of Work) — مانند مشارکت‌های متن‌باز در Ruff/UV، ارائه در AI Tinkerers و پژوهش در مرکز هوافضای آلمان — است که درهای آزمایشگاه‌های پیشرو را باز می‌کند.
برای مهندسان امروز، درس روشن است: بازی با سیستم (Gaming the system) را متوقف کنید و شروع به ساخت مهارت‌های کمیاب و ارزشمند کنید. مؤثرترین راه برای «غیرقابل نادیده گرفتن بودن»، ایجاد آثاری است که صلاحیت شما را پیش از آنکه حتی وارد اتاق مصاحبه شوید، ثابت کند. اگر آزمایشگاه خاصی را هدف قرار داده‌اید، «شکاف مهارت» در شرح شغلی آن‌ها را شناسایی کنید و یک پروژه عمومی بسازید که آن شکاف را پر کند.
گام بعدی شما
- شناسایی شکاف مهارت: شرح شغلی (JD) آزمایشگاه مورد نظرتان را تحلیل کنید و دقیقاً ببینید چه ابزاری (مثلاً Rust یا CUDA) کم دارید.
- ساخت آثار عمومی: به‌جای تمرکز صرف بر رزومه، روی مشارکت در پروژه‌های متن‌باز (Open Source) تمرکز کنید تا مهارتتان توسط غریبه‌ها تأیید شود.
- شبکه‌سازی بر پایه ارزش: در توییتر یا گیت‌هاب درباره یادگیری و پیشرفت‌هایتان بنویسید (Show Your Work) تا به‌جای درخواست شغل، مورد توجه خبرگان قرار بگیرید.
اما مسیر ورود به این شرکت‌ها فقط از طریق مهارت فنی نیست؛ استراتژی‌های مذاکره برای دریافت بالاترین حقوق در صنعت AI را در تحلیل‌های بعدی بررسی خواهیم کرد.
گفتگو