机器学习工程师做什么-
机器学习工程师做什么？
原文：
towardsdatascience.com/what-do-machine-learning-engineers-do/
在这篇文章中，我想精确地解释我作为机器学习工程师的工作。
目标是帮助任何想要进入这个领域的人获得对机器学习工程师的真实看法，了解我们的工作方式、工作内容以及典型的一天是什么样的。
我希望这能帮助你确定机器学习职业是否真的适合你。
什么是机器学习工程师？
由于科技/人工智能领域的快速发展，机器学习工程师的角色定义尚不明确，并且在不同的公司和地理区域之间存在一定差异。
然而，它通常指的是这样的人：
结合机器学习、统计学和软件工程技能来训练和部署模型到生产环境中。
在一些公司，机器学习工程师和数据科学家之间会有很大的重叠。然而，这两个角色之间的主要区别是机器学习工程师将解决方案交付到生产中。通常，数据科学家不会这样做，而是更多地专注于帮助在模型构建阶段。
机器学习工程师的需求源于 Jupyter 笔记本中的模型毫无价值。因此，需要一个既精通机器学习又精通软件工程的职位来帮助模型“复活”并确保它们产生商业价值。
由于这个广泛的技能集，机器学习工程不是一个入门级职位，你通常需要先担任数据科学家或软件工程师几年。
因此，总结如下：
-
职责： 训练、构建和部署机器学习模型。
-
技能与技术： Python、SQL、AWS、Bash/Zsh、PyTorch、Docker、Kubernetes、MLOps、Git、分布式计算（非详尽列表）。
-
经验： 几年的数据科学家或软件工程师经验，然后提升自己在其他领域的技能。
如果你想要更好地理解不同的数据和机器学习角色，我建议查看我之前的一些文章。
[机器学习工程师与数据科学家之间的区别]
帮助你决定你是否想成为数据科学家或机器学习工程师medium.com](https://medium.com/towards-data-science/the-difference-between-ml-engineers-and-data-scientists-b64ac19c0f41)
[你应该成为数据科学家、数据分析师还是数据工程师？]
解释各种数据角色之间的差异和要求medium.com](https://medium.com/towards-data-science/should-you-become-a-data-scientist-data-analyst-or-data-engineer-a9cd5c529650)
我做什么？
我在一个跨职能团队中担任机器学习工程师。我的小组专注于经典机器学习和基于组合优化的问题。
我的大部分工作都围绕着改进我们的机器学习模型和优化解决方案，以提高客户体验并为业务创造财务价值。
我大多数项目的通用工作流程如下：
-
想法— 有人可能有一个关于如何改进我们模型的想法或假设。
-
数据— 我们检查用于证明或反驳该假设的数据是否易于获取，以便我们可以开始研究。
-
研究— 如果数据可用，我们开始在模型中构建或测试这个新的假设。
-
分析— 研究阶段的结果被分析，以确定我们是否改进了模型。
-
发布— 改进被“生产化”到代码库中，并上线。
在这个过程中，与团队和公司更广泛的其他职能和角色有很多互动。
-
想法阶段是与产品经理的协作讨论，他可以提供业务见解以及我们可能在初步范围界定中遗漏的任何关键影响。
-
数据、构建和分析可以与数据分析师和工程师协作完成，以确保我们 ETL 管道的质量和正确使用数据源。
-
研究部分将利用数据科学家的帮助，在寻求改进我们的模型时使用统计和机器学习技能。
-
船运阶段是与我们专门的软件工程师的共同努力，确保我们的部署稳健，符合最佳编码实践。
从经验来看，我知道这种工作流程在许多公司的机器学习工程师中很普遍，尽管我确信这取决于你所在的位置，可能会有一些细微的差别。
我的职责不仅仅是日复一日地编写代码。我还有其他责任，比如举办研讨会、向利益相关者汇报，以及指导更资浅的成员。
机器学习团队的架构是怎样的？
机器学习工程师在组织内部以许多不同的方式工作，但有三种不同的选择，其余的都是它们的混合体。
-
嵌入式— **在这种情况下，机器学习工程师嵌入到由分析师、产品经理、软件工程师和数据科学家组成的跨职能团队中，团队在公司的一个领域内解决问题。这就是我的工作方式，我真的很喜欢它，因为你可以从其他团队成员那里学到很多宝贵的技能和能力，他们是各自领域的专家。
-
咨询— **这是另一面，机器学习工程师是“内部咨询公司”的一部分，也是他们自己团队的一员。在这种情况下，机器学习工程师根据他们认为对企业有价值的问题进行工作。在这个选项中，你的技术专长较少，因为你可能需要改变你工作的问题的类型。
-
基础设施/平台— 这些机器学习工程师不是直接解决业务问题，而是开发内部工具和部署平台，以便使算法的生产化更加容易。
所有工作方式都有优点和缺点，在现实中，我不会说哪一种更好；这真的是个人偏好的问题。无论如何，你仍然在做着令人兴奋的工作！
典型的一天是怎样的？
在线的人们经常美化科技行业的工作，好像都是咖啡休息、聊天，每天编码一个小时，而且收入超过六位数。
这绝对不是事实，我希望它是真的，但与许多其他职业相比，这仍然是一个有趣且愉快的工作日。
我的总体经验是：
-
上午 9:00 am — 上午 9:30 am。上午 9 点开始，进行晨会，了解团队前一天的工作和今天要做什么。在科技行业，“晨会”非常常见。
-
上午 9:30 am — 上午 10:30 am。晨会之后，可能会有另一个会议，大约一个小时，9:30–10:30 左右，与利益相关者、工程师、全员大会或其他公司会议。
-
上午 10:30 am — 下午 1:00 pm。然后，大约有两个小时的工作/编码时段，我专注于我的项目。根据我的工作，我可能与另一位数据科学家、机器学习工程师或软件工程师配对。
-
下午 1:00 pm — 下午 2:00 pm。午餐时间。
-
下午 2:00 pm — 下午 5:45 pm。下午通常没有会议，有一大块专注时间可以用来工作在你的项目上。这主要适用于像我这样的个人贡献者。
-
下午 5:45 pm — 下午 6:00 pm。回复电子邮件和 Slack 消息，结束一天的工作。
每天都不同，但这就是你可以期待的。正如你可以看到的，这没有什么“非凡”之处。
这也是像我这样的初级/中级个人贡献者（IC）的工作日。高级职位，尤其是管理角色，通常有更多的会议。
有一点需要注意，我并不总是在我的工作时段编码。我可能需要为利益相关者准备演示文稿，为我们的产品经理进行一些即兴分析，或者撰写我最新的研究成果。我甚至可能一整天都不编码！
平均来说，我花费 3-4 个小时进行硬编码；其余时间用于会议或即兴工作。当然，这在不同公司和不同时间会有所不同。
为什么我是机器学习工程师？
我成为机器学习工程师的原因可以归结为四个主要原因：
-
有趣。作为一名机器学习工程师，我能够站在最新技术趋势的前沿，如 AI、LLMs 以及该领域几乎任何正在流行的事物。总有新事物和令人兴奋的东西可以学习，这让我爱不释手！所以，如果你想不断学习新技能并将其应用于实践，这可能是一个你感兴趣的职业生涯。
-
工作与生活平衡。科技工作通常比银行、法律或咨询等职业提供更好的工作与生活平衡。大多数机器学习工作都是 9-6 制，你通常可以花几天时间在家工作。这种灵活性使我能够在工作之外追求其他激情、项目和爱好，比如这个博客！
-
薪酬。科技工作提供一些最高的薪酬，这并不是秘密。根据levelsfyi的数据，英国机器学习工程师的中位薪酬为£93k，这对于平均价值来说是非常疯狂的。
-
行业范围。作为一名机器学习工程师，你可以在你职业生涯中的许多不同行业中工作。然而，要成为一名真正的专家，你必须找到并坚持你热爱的一个行业。
希望这篇文章让你对机器学习有了更多的了解，如果你有任何问题，请在评论区告诉我。
另一件事！
加入我的免费时事通讯“分享数据”，在这里我分享每周的数据科学家实践经验中的小贴士、见解和建议。此外，作为订阅者，你将获得我的免费数据科学简历模板！
数据科学、技术和创业的建议和经验。点击阅读埃戈尔·豪厄尔的“分享数据”，一篇…时事通讯。egorhowell.com
浙公网安备 33010602011771号