点击上方关注,All in AI中国
近段时间人工智能一直都很火但是,许多人想要入驻这个领域仍然无从下手,本文将为大家解决这一问题,如何准备机器学习工程师以及它面临什么样的问题。
数据科学与机器学习工程
让我们从定义本身出发。什么是机器学习工程?这是一个新事物吗?这与数据科学家21世纪所谓最性感的工作有什么不同?
当人们发明数据科学家这个术语时,他们正在寻找擅长以下方面的“超级英雄”:
数据科学家应该做什么?
1.获取数据、清理数据、识别问题并提出正确的问题,并为不同的KPI设置正确的措施。
2.进行必要的统计分析,得出关于解决方案的不同假设
3.使用统计方法验证不同的建议解决方案。
4.在某些时候,解决方案可能不仅仅是一个数学模型(方程式),它可能包括一些需要使用机器学习的复杂性。因此,通过不同的迭代开发合适的ML模型成为一个必要的措施。
5.一旦该模型准备就绪,您需要设计一个工程系统,除了需要确认工程以确保该模型持续有效的其他方面之外,还将为该模型提供服务。
6.对模型结果进行必要的连续分析和调查,并进行必要的监控。
由于人类获取知识的能力有限,还得跟上每个不同子领域的不间断变化,因此专业化成为必须项。我们开始看到在前面提到的工作流的不同领域中工作的不同工作简介。
例如,一些数据工程师/科学家对基础设施更感兴趣,专门从事数据工程。这给了他们更多的带宽来吸收不同分布式处理系统的内部特性(例如:Apache Spark,Apache Hadoop,..等),因此能够扩展这些系统来处理非常自定义的用例,而这些用例使用标准api可能不容易处理
我们这里会列出6个概要文件,这些配置文件共同组成一个能够推动其组织数据驱动的数据团队,然后在后期进行AI驱动。
数据分析师数据科学家数据工程师机器学习工程师数据架构工程师数据运营尽管如此,很难将这一点推广到每个组织,因为每个组织的需求和规模都是决定因素,同时考虑数据团队保护伞下每个概况之间的界限。
什么是机器学习工程师?
这里会引用Oreilly的优秀文章,该文章对机器学习工程师的描述如下:
如何获得经验?