مهندسی نرم افزار با هوش مصنوعی یعنی چی؟ نقشه‌ی راه
فقط پرامپت ننویس، نرم‌افزار بساز! مسیر صفر تا صد ورود به بازار کار با AI
خلاصه: توی این مقاله می‌خوایم با هم ببینیم مهندسی نرم‌افزار با هوش مصنوعی دقیقا یعنی چی و اصلا چه فرقی با «برنامه‌نویسی هوش مصنوعی» و «مهندس هوش مصنوعی» داره. می‌فهمیم کار با AI چندتا سطح مختلف داره و یه روز کاری واقعی تو این مسیر چه شکلیه. آخرش هم یه نقشه راه ۷ مرحله‌ای جذاب داریم که قدم‌به‌قدم تا رسیدن به اولین شغل یا پروژه‌ی جدی همراهیت می‌کنه.
یادش بخیر! تا همین چند سال پیش وقتی می‌گفتیم «برنامه‌نویسی با هوش مصنوعی»، منظورمون نهایتا این بود که ادیتور کدمون ته خط چندتا کلمه رو بهمون پیشنهاد بده. اما الان اوضاع خیلی فرق کرده؛ ما ایجنت‌هایی داریم که یه فیچر کامل رو از صفر می‌سازن، تست‌ها رو ران می‌کنن و حتی خودشون PR (Pull Request) باز می‌کنن! با این حال، یه قانون نانوشته اصلاً عوض نشده: نرم‌افزاری که درست کار کنه، امن باشه و بشه در آینده هم راحت نگهش داشت، هنوز به یه مهندس واقعی نیاز داره.
این مقاله، در واقع نقطه شروع دانشنامه مهندسی نرم‌افزار با هوش مصنوعی استارکوچه. خیالت راحت، قرار نیست اینجا درگیر نصب ابزار بشی یا دست به کد ببری؛ فقط قراره با هم تصویر کلی این مسیر رو ببینیم تا دقیقا بدونی تو آموزش‌های بعدی، کجای این پازل بزرگ قرار می‌گیری. آماده‌ای؟ بزن بریم!
مهندسی نرم‌افزار با هوش مصنوعی دقیقا یعنی چی؟
می‌دونی، مهندسی نرم‌افزار همیشه خیلی بیشتر از صرفا «کد نوشتن» بوده: فهمیدن دقیق مسئله، طراحی درست، تقسیم کار بین تیم، تست کردن، بازبینی کدها (Review)، دیپلوی و البته نگهداری. هوش مصنوعی فقط اومده و بخش «تایپ کردن کد» رو برای ما خیلی ارزون‌تر و سریع‌تر کرده، اما بقیه زنجیره‌ی کار هنوز محکم سر جاشه.
به همین دلیله که به کسی که با این روش جدید کار می‌کنه می‌گن توسعه‌دهنده AI-native. یعنی کسی که از همون قدم اول، پروژه‌اش رو با فرضِ حضور و کمک AI طراحی می‌کنه؛ نه اینکه فقط هر از گاهی برای رفع یه باگ یا پرسیدن یه سوال بره سراغ ChatGPT.
نقش تو عوض شده، نه اینکه حذف بشه!
بذار یه مثال خیلی ساده برات بزنم: یه پیمانکار ساختمون رو تصور کن. تو گذشته، خودش آستین بالا می‌زد و آجر می‌چید؛ اما الان یه تیم کارگر خستگی‌ناپذیر و خیلی سریع داره که شبانه‌روز براش کار می‌کنن. مشکل اینجاست که این کارگرها گاهی دیوار رو کج می‌چینن و اگه کسی حواسش بهشون نباشه، کلا یادشون می‌ره جای پنجره رو در بیارن!
تو این مدل جدید کار، نقش تو این‌طوری میشه:
- طراح: تویی که تصمیم می‌گیری دقیقا چی باید ساخته بشه و چه ساختاری داشته باشه.
- سرپرست: کار رو به تکه‌های کوچیک و قابل‌فهم می‌شکنی و اجرای اون‌ها رو به AI می‌سپری.
- بازرس: خروجی کار ایجنت‌ها رو با دقت می‌خونی، تست می‌کنی و جلوی خطاهای احتمالی رو می‌گیری.
- مسئول نهایی: فراموش نکن، اگه یه روز دیتای کاربری لو بره، هیچ‌کس یقه ایجنت هوش مصنوعی رو نمی‌گیره؛ پاسخگو تویی!
برنامه‌نویسی با هوش مصنوعی، برنامه‌نویسی هوش مصنوعی و مهندس هوش مصنوعی چه فرقی با هم دارن؟
این سه‌تا اسم به شدت شبیه همن و خیلیا رو گیج می‌کنن. حتی اگه تو گوگل هم سرچ کنی گاهی نتایج قاطی می‌شن. بذار برای همیشه تو این جدول ساده خلاصه‌ش کنم تا خیالت راحت بشه:
| برنامه‌نویسی با هوش مصنوعی | برنامه‌نویسی هوش مصنوعی | مهندس هوش مصنوعی (AI Engineer) | |
|---|---|---|---|
| هدف | ساختن هر نرم‌افزاری (سایت، اپ، API) با کمک AI | ساختن خودِ مدل‌ها و سیستم‌های یادگیری ماشین | ساختن محصولاتی که داخلشون از LLM استفاده میشه |
| خروجی | اپلیکیشن، سایت، بک‌اند، ابزار | مدل آموزش‌دیده، پایپ‌لاین داده | چت‌بات، RAG، ایجنت‌های داخل محصول |
| مهارت اصلی | مهندسی نرم‌افزار + کار حرفه‌ای با ایجنت‌های کدنویسی | ریاضیات، آمار، یادگیری ماشین | مهندسی نرم‌افزار + کار با API مدل‌ها و ارزیابی خروجی |
از تکمیل خودکار تا ایجنت‌های مستقل: ۴ سطح کدنویسی با هوش مصنوعی
کدنویسی با هوش مصنوعی یه کار صفر و یکی نیست؛ بلکه یه طیفه. هرچی تو این طیف پایین‌تر بری، AI مستقل‌تر از قبل کار می‌کنه و نقش تو از «نوشتن مستقیم کد» به «هدایت و بررسی کارها» تغییر می‌کنه.
۱. تکمیل خودکار کد (Autocomplete)
تو این سطح داری کد می‌نویسی و AI ادامه خط یا یه تابع رو بهت پیشنهاد می‌ده. با زدن یه دکمه Tab پیشنهادش رو قبول می‌کنی. اینجا کنترل کاملاً تو دستای توئه و AI فقط سرعت تایپ کردنت رو بالا می‌بره.
۲. چت با مدل
اینجا از یه مدل مثل ChatGPT یا Claude می‌پرسی «این خطا یعنی چی؟» یا «یه تابع برام بنویس که فلان کار رو بکنه» و بعد جوابش رو کپی می‌کنی تو پروژه‌ت. مشکل اینجاست که مدل، پروژه تو رو نمی‌بینه و فقط همون چیزی رو می‌دونه که خودت تو همون چت بهش گفتی. اینکه مدل دقیقا چطور این جواب‌ها رو می‌سازه و چطور باید باهاش حرف بزنی رو تو مقالات بعدی همین دانشنامه کامل بررسی می‌کنیم.
۳. وایب کدینگ (Vibe Coding)
تو این روش فقط به زبون ساده توضیح می‌دی چی می‌خوای و AI کل اپلیکیشن رو برات می‌سازه؛ معمولا هم بدون اینکه حتی نیاز باشه یه خط از کد رو بخونی! این اصطلاح جذاب رو آندری کارپاتی (Andrej Karpathy) تو فوریه ۲۰۲۵ سر زبون‌ها انداخت. برای ساختن پروتوتایپ سریع و پروژه‌های شخصی فوق‌العاده‌ست، ولی برای یه محصول جدی و تجاری اصلاً کافی نیست. اگه هنوز نمی‌دونی داستانش چیه، حتماً مقاله وایب کدینگ یعنی چی؟ رو بخون.
۴. ایجنت‌ها و مهندسی ایجنتیک (Agentic Engineering)
تو این سطح، ایجنتِ کدنویسی خودش می‌ره فایل‌ها رو می‌خونه، کد می‌نویسه، دستورات رو تو ترمینال اجرا می‌کنه، تست می‌گیره و اگه جایی چیزی خراب شد، خودش دست به کار میشه و درستش می‌کنه. فرق بزرگش با وایب کدینگ اینه که اینجا تو مثل یه مهندسِ ارشد روی کل کار نظارت می‌کنی. جالبه بدونی کارپاتی یک سال بعد از معرفی «وایب کدینگ»، برای این سبک حرفه‌ای‌تر و پخته‌تر اسم agentic engineering رو پیشنهاد داد.
بیشتر تمرکز ما تو مسیر استارکوچ روی همین سطح چهارمه. مرز باریک بین وایب کدینگ و کار حرفه‌ای رو در ادامه یاد می‌گیری و با خود ایجنت‌ها هم حسابی دست‌وپنجه نرم می‌کنی.
یه روز کاریِ مهندس نرم‌افزار AI-native چه شکلیه؟
بیا با هم فرض کنیم قراره به یه اپلیکیشن فروشگاهی، قابلیت ورود با کد یک‌بارمصرف پیامکی (OTP) رو اضافه کنیم. یه مهندس AI-native معمولاً این مسیر رو طی می‌کنه:
- فهم مسئله: اول از خودش می‌پرسه چه کسی قراره لاگین کنه؟ این کد چند دقیقه اعتبار داره؟ اگه یه نفر ۱۰ بار کد رو اشتباه زد باید چه اتفاقی بیفته؟
- نوشتن مشخصات (Spec): جوابِ همین سوالات رو خیلی تمیز تو یه فایل کوتاه می‌نویسه تا ایجنت دقیقا بدونه قراره چی بسازه.
- برنامه‌ریزی با ایجنت: از ایجنت می‌خواد که قبل از هر چیزی، اول فقط یه برنامه و نقشه راه پیشنهاد بده، نه کد. بعد خودش اون برنامه رو می‌خونه و اصلاح می‌کنه.
- سپردن کار به ایجنت: حالا ایجنت شروع به کدنویسی و اجرای کار می‌کنه. فایل‌های تنظیمات، مدام قوانین پروژه رو به ایجنت یادآوری می‌کنن تا از مسیر خارج نشه.
- تست: این تست‌ها هستن که مشخص می‌کنن کار واقعا درسته یا فقط «ظاهرش درسته».
- بررسی (Review): کدهای نوشته شده رو خط‌به‌خط نه، اما با دقت و وسواس می‌خونه؛ مخصوصا بخش‌های حساس و امنیتی مثل محدودیت تعداد دفعات لاگین.
- ثبت و تحویل: در نهایت کامیت‌های کوچیک می‌زنه، کدها بررسی می‌شن و پروژه روی سرور دیپلوی میشه.
می‌بینی چقدر جالبه؟ تایپ کردن کد فقط یکی از این ۷ مرحله‌ست و دقیقا همون جاییه که AI بیشترین بار رو از روی دوش تو برمی‌داره. بقیه مراحل به فکر کردن، تصمیم گرفتن و بررسی تو نیاز داره.
آیا هوش مصنوعی بالاخره جای برنامه‌نویس‌ها رو می‌گیره؟
بیا صادق باشیم: شکل کار برنامه‌نویسی داره عوض میشه، اما نه اون‌طوری که تیترهای زرد و ترسناک اخبار می‌گن.
از یه طرف، AI دیگه فقط یه ابزار جانبی و تفریحی نیست. تو نظرسنجی سال ۲۰۲۵ استک‌اورفلو، ۸۴٪ برنامه‌نویس‌ها گفتن که یا دارن از ابزارهای AI استفاده می‌کنن یا تو برنامه‌شونه که استفاده کنن. اما نکته جالبش اینه که تو همون نظرسنجی، ۴۶٪ گفتن به دقت خروجی این ابزارها اعتماد کامل ندارن! بزرگ‌ترین گله‌شون هم (۶۶٪) جواب‌هاییه که «تقریبا درسته، ولی نه کاملا!». این یعنی هنوز یه انسان متخصص نیازه که بفهمه کجای کار فقط «تقریبا» درسته و اون رو به «کاملا» درست تبدیل کنه.
از طرف دیگه، فشاری که روی بچه‌های تازه‌کار (جونیورها) هست واقعیه. پژوهشگرهای دانشگاه استنفورد متوجه شدن اشتغال جوون‌های ۲۲ تا ۲۵ ساله تو شغل‌هایی که بیشتر در معرض AI هستن، کمتر از حالت عادی شده (البته این داده‌ها بیشتر برای بازار آمریکاست).
نتیجه‌گیریِ عملی این حرف‌ها برای تو اینه: کارهایی که صرفا «تایپ کردن کد از روی دستورات مشخص» بودن، دارن کم‌ارزش‌تر می‌شن. در عوض، کسی که بتونه با کمک AI یه محصولِ کامل، امن و قابل‌اعتماد تحویل بده، روزبه‌روز ارزشمندتر میشه. اگه دوست داری عمیق‌تر به آینده شغلی برنامه‌نویسی و ریسک‌های تو مسیرش فکر کنی، مقاله معایب وایب کدینگ رو حتما یه نگاه بنداز.
مهارت‌های لازم برای برنامه‌نویسی با هوش مصنوعی در سال ۲۰۲۶
خبر خوب اینه که دیگه لازم نیست قبل از ساختن یه محصول، حتما چند سال برنامه‌نویسی سنتی بخونی. اما خبر بد اینه که «فقط پرامپت نوشتن» هم برای موفقیت کافی نیست. مهارت‌هایی که نیاز داری ایناست:
پایه‌هایی که هنوز شدیدا لازمه
AI برات کد می‌نویسه، ولی تو باید بتونی اون کد رو بخونی و بفهمی کجاش می‌لنگه. حداقلِ چیزهایی که باید بدونی:
- منطق برنامه‌نویسی: مفاهیمی مثل متغیر، شرط، حلقه و تابع.
- شناخت وب: اینکه بدونی فرانت‌اند و بک‌اند چی هستن، API چطوری کار می‌کنه.
- دیتابیس: درک اینکه داده‌ها کجا و با چه ساختاری ذخیره می‌شن.
- گیت (Git): چون بدون داشتن نسخه‌های قابل‌برگشت از کدت، کار کردن با ایجنت‌ها دقیقا مثل رانندگی تو یه جاده کوهستانیِ بدون ترمزه!
مهارت‌های جدید تو عصر هوش مصنوعی
- فهم LLM: باید درک کنی مدل چرا یه وقتایی اطلاعات رو از خودش می‌سازه (توهم می‌زنه).
- مهندسی کانتکست (Context): یاد بگیری چطور اطلاعات درست و به‌اندازه رو به ایجنت بدی؛ نه یه کلمه بیشتر، نه یه کلمه کمتر.
- مشخصات‌نویسی: اینکه بتونی قبل از شروع کدنویسی، دقیق و شفاف بنویسی که چی می‌خوای.
- Review کد تولیدشده: بتونی کدی که AI نوشته رو با یه شکِ منطقی و مهندسی بررسی کنی.
- تست‌نویسی: راهی پیدا کنی که به کمکش بتونی درست بودنِ کار رو اثبات کنی.
مهارت‌های نرم و غیرفنی
- شکستن مسئله: مهارت تبدیل یه هدف خیلی بزرگ به تسک‌های کوچیک.
- تصمیم‌گیری محصولی: بدونی چی رو باید همین الان بسازی و چی رو بذاری برای فازهای بعدی.
- هنر توضیح دادن: بتونی منظور و هدفت رو واضح توضیح بدی؛ چه برای ایجنت، چه برای هم‌تیمی و کارفرما.
(تمام این موارد رو قراره قدم‌به‌قدم تو مقالات بعدی و بوت‌کمپ‌های استارکوچ بهت آموزش بدیم.)
نقشه راه برنامه‌نویسی با هوش مصنوعی: ۷ مرحله تا رسیدن به آمادگی شغلی
ما مسیر یادگیری و تسلط رو توی ۷ مرحله‌ی جذاب چیدیم. هر مرحله مثل یه پله‌ست که روی پله قبلی ساخته میشه:
- پایه‌ها: اینجا می‌فهمی LLM پشت پرده چطور کار می‌کنه، چطوری باید براش پرامپت بنویسی و کدوم ابزارها بیشتر به دردت می‌خورن. خروجی: ابزارهات رو با آگاهی انتخاب کردی و آماده‌ی کاری.
- وایب کدینگ: اولین اپلیکیشنت رو فقط با توضیح دادن خواسته‌هات می‌سازی! می‌فهمی وایب کدینگ کجاها جواب می‌ده و کجاها کم میاره. خروجی: یه اپ کوچیک ساختی که واقعاً کار می‌کنه.
- توسعه مبتنی بر مشخصات: یاد می‌گیری چطوری قبل از کد زدن، نیازمندی‌ها و مشخصات رو بنویسی و از دلش یه لیست تسک مرتب دربیاری. خروجی: یه spec (مشخصات) حرفه‌ای برای پروژه‌هات داری.
- ایجنت‌های کدنویسی: تو این مرحله حسابی دستت پره! با ایجنت‌های مختلف کار می‌کنی و خروجی‌هاشون رو مقایسه می‌کنی. خروجی: یه ورک‌فلوی (روند کاری) روزمره و حرفه‌ای که کاملاً بهش مسلطی.
- مهندسی Context و اتوماسیون: اینجا یاد می‌گیری به ایجنتت حافظه بدی و کارها رو به‌صورت موازی و خودکار پیش ببری تا هر بار از صفر شروع نکنی. خروجی: یه سیستم کاری قدرتمند شخصی.
- فول‌استک با AI: با هم یه فرانت‌اند کامل، بک‌اند، API، دیتابیس و سیستم لاگین امن می‌سازیم. خروجی: یه اپلیکیشن کامل با کاربر و دیتای واقعی.
- کیفیت و تحویل: مرحله‌ی آخر مربوط به تست نوشتن، بررسی کد، کار با Git و دیپلوی هست. خروجی: کدی که اون‌قدر تر و تمیزه که می‌تونی با خیال راحت تحویل کارفرما بدی.
از یادگیری تا اولین شغل: نمونه‌کار، رزومه و پیدا کردن فرصت‌ها
ببین دوست من، یاد گرفتنِ صرف بدون اینکه چیزی باهاش بسازی، تو بازار کار امروز تقریبا هیچ اعتباری نداره. پس از همین الان باید به فکر جمع کردن نمونه‌کار باشی.
۳ تا پروژه نمونه‌کار که واقعاً ارزش ساختن دارن:
- یه ابزار کاربردی که خودت بهش نیاز داری: مثلاً یه سایت شخصی که قیمت طلا و ارز رو لحظه‌ای نشون می‌ده. نشون می‌ده بلدی یه مسئله رو حل کنی.
- یه اپ فول‌استک با پنل کاربری: مثل یه سیستم مدیریت تسک با دیتابیس اختصاصی. اینجا به بقیه ثابت می‌کنی که بلدی امنیت سیستم و دیتای کاربرا رو درست مدیریت کنی.
- یه پروژه برای یه آدم یا کسب‌وکار واقعی: حتی یه CRM ساده برای مغازه‌ی یکی از آشناها. هیچی تو رزومه‌ت به اندازه جملهِ «یه نفر تو دنیای واقعی داره از این اپلیکیشن استفاده می‌کنه» وزن نداره.
چطوری نشون بدم کار با AI رو حرفه‌ای بلدم؟
- یه ریپوی خیلی تمیز تو گیت‌هاب: کامیت‌های کوچیک و منظم.
- داشتن فایل راهنمای ایجنت‌ها تو پروژه: این نشون می‌ده تو بلدی چطوری به ایجنت اطلاعات (Context) اصولی بدی.
- نوشتن تست: پروژه‌ای که تست داره، مثل یه الماس تو رزومه‌ت می‌درخشه.
- یه متن صادقانه (Readme): بنویس مسئله چی بود، ایجنت کجا کمک کرد، کجا سوتی داد و تو چطوری درستش کردی. این یعنی تو یه «مهندسی».
مسیرهای شغلی که پیش روت قرار داره
- استخدام تو شرکت‌ها: به‌عنوان توسعه‌دهنده تو تیم‌هایی که دارن از ایجنت‌ها استفاده می‌کنن.
- فریلنسری: ساختن MVP و لندینگ پیج‌ها تو زمان خیلی کمتر و درآمد بیشتر.
- راه‌اندازی استارتاپ تک‌نفره: تو دنیای امروز ساختن نسخه اولیه از ایده‌هات از هر زمان دیگه‌ای تو تاریخ ارزون‌تر و ممکن‌تر شده!
۵ اشتباه رایجی که خیلی از تازه‌کارها مرتکب می‌شن
- شیرجه زدن تو ابزارها بدون فهمیدن پایه‌ها: ابزارها عوض می‌شن، اما درک درست تو از اصول مهندسی نرم‌افزار برات می‌مونه.
- چشم‌بسته قبول کردن کدی که نخوندی: «اگه نمی‌دونی یه تیکه کد دقیقا داره چی کار می‌کنه، حق نداری بگی درسته!»
- از این شاخه به اون شاخه پریدن بین ابزارها: اول یه ابزار رو عمیق یاد بگیر، بعد برو سراغ مقایسه‌ش با بقیه.
- گول خوردن با «حس کاذب سرعت»: سرعت واقعی کارت رو همیشه با نوشتن تست و دیدن نتیجه نهایی بسنج، نه با حسی که بهت دست می‌ده.
- فقط آموزش دیدن و دست به آچار نشدن: حتماً پروژه‌ها رو بساز؛ حتی اگه پر از باگ و ناقص باشن.
سوالاتی که خیلی ازمون می‌پرسین (FAQ)
آیا واقعا بدون بلد بودن برنامه‌نویسی هم میشه شروع کرد؟
آره، برای شروع کاملا میشه. ولی یادت باشه برای ساختن یه محصول جدی، کم‌کم باید پایه‌های برنامه‌نویسی رو هم یاد بگیری. ما جواب کامل این سوال رو تو مقاله بدون برنامه‌نویسی هم میشه وایب کد کرد؟ نوشتیم.
بهتره با کدوم زبان برنامه‌نویسی کارم رو شروع کنم؟
برای ساختن اپلیکیشن‌های وب، JavaScript/TypeScript و البته Python انتخاب‌های به شدت امنی هستن؛ مدل‌های هوش مصنوعی هم روشون عالی کار می‌کنن. اما در نهایت مهم اینه که بتونی منطق کد رو درک کنی.
آیا با خودِ ChatGPT هم میشه برنامه نوشت؟
آره، برای پرسیدن سوال و گرفتن تکه‌کدها عالیه. ولی برای یه پروژه کامل، ایجنت‌های کدنویسی که مستقیم به کدهات دسترسی دارن خیلی جلوترن.
ما تو ایرانیم؛ آیا از داخل ایران هم میشه با این ابزارها کار کرد؟
بله که میشه! هرچند چالش‌هایی مثل تحریم‌ها هست، اما راه‌های امن و ابزارهای جایگزین رایگان زیادی وجود داره که در ادامه آموزش‌ها کامل بهت معرفیشون می‌کنیم.
هزینه‌ی استفاده از این ابزارها چقدره؟
از صفر و کاملا رایگان می‌تونی شروع کنی؛ خیلی از ابزارها پلن‌های رایگان قوی دارن. البته برای کار خیلی جدی و حرفه‌ای معمولاً به یه اشتراک ماهانه نیاز پیدا می‌کنی.
حرف آخر و قدم بعدی که باید برداری
مهندسی نرم‌افزار با هوش مصنوعی یعنی تلفیقِ «سرعت پردازش AI» با «قضاوت و منطق یه مهندس انسان». ابزارها میان و می‌رن، ولی شرکت‌ها همیشه به کسی نیاز دارن که بتونه مسئله رو درست تعریف کنه و یه محصول قابل‌اعتماد تحویل بده.
قدم بعدی تو خیلی ساده‌ست: تو مقالات و آموزش‌های بعدیِ استارکوچ، باید بری سراغ درک اینکه مدل‌های زبانی (LLM) اصلا پشت پرده چطوری کار می‌کنن و چطور فکر می‌کنن. وقتی اینو بفهمی، تازه درک می‌کنی چرا هوش مصنوعی گاهی شاهکار می‌کنه و گاهی با اعتمادبه‌نفس کامل، اشتباهات خنده‌داری انجام می‌ده!
اگه هم دوست داری این مسیر هیجان‌انگیز رو با پروژه‌های واقعی، منتور اختصاصی و تو فضای یه تیم پرانرژی پیش ببری، حتما یه سر به بوت‌کمپ مهندسی نرم‌افزار با ایجنت‌های هوش مصنوعی استارکوچ بزن.
یادت نره: هوش مصنوعی اومده تا زحمت تایپ کردن کد رو از دوشت برداره، نه اینکه جای تصمیم‌گیری و تفکر مهندسی تو رو بگیره.
تمرین درس
مهم‌ترین نکته‌ای که از درسنامه‌ی «مهندسی نرم افزار با هوش مصنوعی یعنی چی؟ نقشه‌ی راه» یاد گرفتید چه بود و آن را در چه کاری به کار می‌برید؟