ML Engineer vs AI Engineer vs Data Scientist — الفرق بالعربي

هذه الصفحة جزء من سلسلة Career / Decision. تركّز على الفرق بين ثلاث وظائف متقاربة في حقل الذكاء الاصطناعي. للمقارنة الكاملة للمسار المهني، راجع خارطة طريق مهندس الذكاء الاصطناعي.

ملخّص سريع

Data Scientist (عالم البيانات)

ما الذي يفعله

• يستكشف بيانات موجودة لاكتشاف أنماط.
• يبني dashboards وتقارير لصنع القرار.
• يبني نماذج تنبؤية للتحليل (ليس بالضرورة للنشر).
• يعمل مع stakeholders لفهم الأسئلة التجارية.

المهارات الأساسية

• إحصاء واحتمالات قويّة.
• SQL متقدّم.
• Python + Pandas + visualization.
• عرض و storytelling مع البيانات.
• ML basics (ليس بالضرورة خبير).

أدوات نموذجية

• Jupyter, pandas, scikit-learn.
• Tableau / Power BI / Looker.
• SQL + databases.
• A/B testing frameworks.

مثال يوم عمل

9:00   اجتماع مع فريق التسويق: ما العوامل المؤثّرة على churn؟
10:00  SQL query لتحليل بيانات 100K عميل.
12:00  lunch
13:00  Jupyter notebook: بناء نموذج churn.
15:00  عرض النتائج لـ management.
16:00  توصيات + follow-up experiments.

يميّزه

• التفكير التحليلي و storytelling مع البيانات.
• التواصل مع غير التقنيين أساسي.
• تركيز أقل عادةً على نشر النماذج، لكن في كثير من الشركات الصغيرة أو startups، قد يُطلب من Data Scientist المساهمة في production أيضًا — يعتمد ذلك على حجم الفريق وطبيعة الدور.

ML Engineer (مهندس تعلّم الآلة)

ما الذي يفعله

• يبني نماذج ML تنبؤية (انحدار، تصنيف، تجميع).
• ينشرها في production ويتابع أدائها.
• يحسّن النماذج باستمرار (retraining, monitoring).
• يبني ML pipelines قابلة للتكرار.

المهارات الأساسية

• Python + production tools: Docker، Kubernetes، CI/CD.
• scikit-learn, XGBoost, LightGBM بعمق.
• MLOps: experiment tracking، model registry، monitoring.
• Feature engineering و data pipelines.
• Cloud (AWS/GCP/Azure).

أدوات نموذجية

• Python + scikit-learn + MLflow.
• Docker + Kubernetes.
• Airflow, dbt, Spark.
• Cloud ML services (SageMaker, Vertex AI).

مثال يوم عمل

9:00   review model performance metrics.
10:00  retrain fraud detection model with new data.
12:00  lunch
13:00  optimize inference latency (current: 200ms → target: 50ms).
15:00  add feature: device fingerprint to fraud model.
16:00  write post-mortem for yesterday's false-positive spike.

يميّزه

• Production mindset: latency, reliability, scalability.
• ML theory معمّق (ليس فقط استخدام scikit-learn).
• هندسة برمجيات قويّة.

AI Engineer (مهندس الذكاء الاصطناعي)

ما الذي يفعله

• يبني تطبيقات AI فوق LLMs و RAG و Agents.
• يدمج النماذج في منتجات (chatbots، search، automation).
• يختار بين النماذج (OpenAI, Anthropic, open-source).
• يحسّن prompts و retrieval و context management.

المهارات الأساسية

• LLM APIs: OpenAI, Anthropic, Google.
• Prompt Engineering: structured outputs، function calling.
• RAG: chunking, embeddings، vector DBs، reranking.
• AI Agents: tools، memory، planning.
• Python: OOP، async، type hints.

أدوات نموذجية

• LangChain, LlamaIndex، Haystack.
• Vector DBs (Pinecone, Weaviate, Chroma, pgvector).
• OpenAI / Anthropic SDKs.
• Streamlit, Gradio (للـ demos).

مثال يوم عمل

9:00   review RAG retrieval metrics (recall@5 = 0.78).
10:00  experiment: change chunking strategy from 512 to 256 tokens.
12:00  lunch
13:00  add structured outputs to LLM calls (JSON schema).
15:00  build agent that can search docs + send emails.
16:00  optimize cost: switch from GPT-4 to GPT-4-mini for 80% of calls.

يميّزه

• تركيز كبير على سرعة بناء المنتجات، عادةً أقل تركيزًا على عمق ML النظري مقارنة بـ ML Engineer.
• هندسة prompts و retrieval بدل ضبط hyperparameters.
• تحسين التكلفة عند التعامل مع واجهات LLM API قد يكون جزءًا من المهام.

مقارنة تفصيلية

الأدوات

المؤهلات

نوع المشاكل

• Data Scientist: "ما الذي يحدث في بياناتنا؟" (استكشافي)
• ML Engineer: "كيف ننشر نموذجًا يخدم مليون مستخدم في 100ms؟" (بنية تحتية)
• AI Engineer: "كيف نستخدم GPT-4 لبناء chatbot يجيب من وثائقنا؟" (منتج)

أيّ وظيفة تختار؟

اختر Data Scientist إذا:

• تحب التحليل والإحصاء أكثر من البرمجة.
• تريد التواصل مع stakeholders.
• لا تستمتع بالـ production/on-call.

اختر ML Engineer إذا:

• تحب النماذج التقليدية والتطبيقات الإحصائية.
• تستمتع بـ production engineering (Docker، Kubernetes، CI/CD).
• تحب التحسين والقياس الدقيق للأداء.

اختر AI Engineer إذا:

• مهتم بـ LLMs و RAG و Agents.
• تريد بناء منتجات بسرعة.
• تستمتع بـ هندسة prompts و retrieval.
• لا تحتاج معرفة رياضية عميقة.

الخلاصة

الأدوار الثلاثة متقاربة لكنها متميزة. الفرق الرئيسي:

• Data Scientist = تحليل.
• ML Engineer = نماذج ML في production.
• AI Engineer = تطبيقات LLM في production.

في الواقع، كثير من الشركات تخلط بين هذه الأدوار أو تجمعها في فرق صغيرة. في الشركات الأكبر، قد يكون الفصل بين الأدوار أوضح، لكنه يختلف من مؤسسة إلى أخرى. اختر حسب ما تستمتع به فعلًا والمشاريع التي تريد العمل عليها.

🔗 للمسار الكامل: خارطة طريق مهندس الذكاء الاصطناعي.