介紹
人工智能是當前一個有趣的行業，機器學習從業者現在是“酷孩子”。
但是，即使在“酷孩子”中，機器學習從業者群體之間也有明顯的區別，更具體地說，是研究解決方案的人和設計解決方案的人之間的區別。 話雖這麼說，但這種區別並不那麼清晰。
本文旨在揭示機器學習研究員和ML工程師角色之間的一些關鍵區別。 突出兩個角色之間的差異可以使您獲得做出更好的學術和職業選擇所需的信息。
在繼續進行之前，需要注意的是，我使用術語機器學習工程師和研究員作為以下角色的總稱：
- 計算機視覺工程師/研究員
- 自然語言處理工程師/研究員
- 數據科學家
關鍵差異
1.工作角色描述
機器學習工程師角色的主要工作為在已實現的軟件/硬件解決方案中實現機器學習算法和模型。
機器學習研究員角色的主要工作與機器學習中特定學科領域的發展有關。
2.學術背景
ML研究員通常有博士學位。他們往往是具有較強學術和研究背景的人。 他們還擁有與計算機科學相關主題的高級學位。 大多數ML工程師擁有碩士學位，只有少數ML工程師擁有博士學位。
為了瞭解ML工程師和研究員的學術背景，我使用了LinkedIn（https://www.linkedin.com/） 。 瀏覽了許多職位名稱中有“機器學習研究員”，“機器學習科學家”或“機器學習工程師”的個人資料。
3.交付物/最終產品
ML工程師的可交付成果通常是帶有機器學習模型的工程解決方案，該模型能夠以自動化、高效或創造性的方式執行一組任務。 對於ML工程師而言，最終產品或可交付成果可以是一種軟件，其中的功能由機器學習方法提供支持。
鑑於ML研究員的可交付成果往往是一篇寫得很好的研究論文，其中包含為實現特定機器學習相關任務中的性能/準確性的特定進步或改進，和實驗和調查研究的詳細信息。 ML研究員的最終產品將是對新發現的發現，改進或分析的有記錄探索，然後提交併被國際會議和科學期刊接受。
4.工資
薪水可能是許多讀者最感興趣的關鍵區別。
機器學習從業人員的需求量很大，這與機器學習相關的職位提供的薪水反映了這一點。例如，《紐約時報》的這篇文章提到了頂級AI研究員的薪水超過100萬美元。顯然，在高要求的行業中，前0.01％的個人中有很高的薪水。
在英國，從2020年4月3日開始的六個月內，機器學習研究員的平均工資（https://www.itjobswatch.co.uk/jobs/uk/machine%20learning%20researcher.do） 為 57,500英鎊。
另外，同期的機器學習工程師（https://www.itjobswatch.co.uk/jobs/uk/machine%20learning%20engineer.do） 的平均工資為68750英鎊。
因此，在英國，兩個ML角色之間有10,000英鎊的利潤差異。
根據LinkedIn的ML研究員的平均基本工資（https://www.linkedin.com/salary/machine-learning-researcher-salaries-in-united-states） ，在美國是 $143,000（110 ML研究員）。
對於美國的ML工程師（https://www.linkedin.com/salary/machine-learning-engineer-salaries-in-united-states） 來說 ， 這個數字減少到$ 125,000，但其中包括來自900多個ML工程師的更多數據。
就我個人而言，根據對我在AI行業研究和合作過的人員的觀察，金錢動機不是主要的。 接觸和了解知識的機會似乎對我這個團隊（包括我自己）更具吸引力。 簡單來說，年輕的機器學習工程師可能更在乎吹牛的權利和影響力，而不是金錢上的激勵。 不管薪水是否高昂，誰不想成為FAANG公司（https://www.dictionary.com/e/acronyms/faang/） 之一的機器學習工程師或研究員？ 不要認為統計數據不能反映該行業的真實平均薪資，應將其用作指導而非絕對事實。
5.工作/項目範圍
ML工程師需要看到更大的圖景。ML研究員需要更專注的視角。
軟件工程是一門學科，需要了解與產品，過程或管道相關的組件。這一點至關重要，因為工程師要負責集成多個組件。
以下是典型的ML工程師在項目期間要解決的一些問題：
- 瞭解ML模型使用的數據格式
- 瞭解從數據源收到的數據格式
- 實現與數據池和數據庫的連接以存儲和訪問數據。
- 瞭解最終產品將使用的環境，因為這可以決定分配的資源級別，以確保高效的運行時間和最佳的運行能力。
另一方面，ML研究員的工作範圍往往非常明確。ML研究員需要非常專注。
ML研究員無需擔心ML模型或算法在各種環境中的性能如何。ML研究員的工作往往非常注重問題和具體。通常情況下，他們的任務是尋找解決問題的新方法或提高以前設計的解決方案的性能和準確性。
6.工作角色要求
對於ML研究員的工作角色描述和要求是精確的，並且側重於機器學習的特定領域。 ML研究員的典型職位要求包括：
- 機器學習平臺和庫的知識，例如TensorFlow，PyTorch，Keras等。
- 能夠進行文獻綜述並以精心編寫的研究格式呈現報告和實驗結果，以提交會議或科學期刊
- 機器學習中特定領域的可靠知識，例如概率模型，高斯過程，強化學習等
- 深刻理解機器學習中的基本主題，包括理論知識
ML工程師的典型職位要求包括：
- 瞭解雲計算服務，例如Google Cloud Platform（GCP）（https://cloud.google.com/） 和Amazon Web Service（AWS）（https://aws.amazon.com/cn/）
- 熟練使用Java，Python，JavaScript等語言進行編程
- 具有將機器學習模型部署到生產環境中的經驗
- 體驗在邊緣設備（例如手機）上部署機器學習模型的經驗
- 能夠實施，評估和測試針對常見問題（例如目標檢測，語義分割和圖像分類）的最新解決方案
- 能夠從已發表的研究論文中提取關鍵細節和信息，並將發現結果傳達給項目涉眾。
- 具有實施數據挖掘腳本的經驗。
7.重疊的部分
ML研究員可以進行工程設計，而ML工程師也可以進行研究。
成為一名機器學習從業者還意味著精通現代的軟件庫和硬件。機器學習本身（如果涉及多個學科）和職位通常不能完整地描繪角色。
為了說明我的觀點，ML研究員可以在實際研究和工程設計之間分配70/30的比例。ML工程師通常在工程和研究之間的距離為70/30。
我可以證明，在ML工程師的研究和工程之間是可以分開的，因為在我目前擔任計算機視覺工程師的職責範圍內，我花費了大量時間將ML模型工程到解決方案中，例如網站或移動應用程序。同時，我花了很少的精力來搜索PaperWithCode（https://paperswithcode.com/） 或ReseachGate（https://www.researchgate.net/） ，以查找針對我要解決特定問題的已發表研究論文。
結論
本文中沒有提到一些差異，在Google的快速搜索會提供相應的結果。 無論您選擇追求哪種職業道路，都必須承認以下事實：這兩個角色都需要大量的時間和精力才能獲得，但要明白努力是有回報的。
