Tage, Jobtitel mögen DatenwissenschaftlerAnwesend MaschinenlerningenieurUnd KI -Ingenieur sind überall – und wenn Sie so etwas wie ich waren, kann es schwierig sein zu verstehen, was jeder von ihnen tatsächlich tut, wenn Sie nicht im Feld arbeiten.
Und dann gibt es Titel, die noch verwirrender klingen – wie Quantenblockchain LLM -Roboteringenieur (Okay, ich habe das gemacht, aber du verstehst den Punkt).
Der Arbeitsmarkt ist voller Schlagworte und überlappender Rollen, die es schwierig machen können, zu wissen, wo Sie anfangen sollen, wenn Sie an einer Karriere im maschinellen Lernen interessiert sind.
In diesem Artikel werde ich die High -Rollen des maschinellen Lernens aufschlüsseln und erklären, was jeder beinhaltet – und was Sie tun müssen, um sich auf sie vorzubereiten.
Datenwissenschaftler
Was ist das?
Ein Datenwissenschaftler ist die bekannteste Rolle, hat jedoch die größte Spektrum an Aufgaben.
Im Allgemeinen gibt es zwei Arten von Datenwissenschaftlern:
- Analytik und experimentelles.
- Maschinelles Lernen und Modellieren fokussiert.
Ersteres umfasst Dinge wie das Durchführen von A/B -Assessments, die Durchführung von tiefen Tauchgängen, um festzustellen, wo sich das Unternehmen verbessern kann, und die Verbesserung der Modelle für maschinelles Lernen durch die Identifizierung ihrer blinden Flecken vorzuschlagen. Ein Großteil dieser Arbeiten wird kurz als Erklärungsdatenanalyse oder kurz EDA bezeichnet.
Letzteres geht es hauptsächlich darum, POC -Modelle und Entscheidungssysteme zu bauen, die dem Unternehmen zugute kommen. Arbeiten Sie dann mit Software program- und maschinellen Lerningenieuren zusammen, um diese Modelle für die Produktion und die Überwachung ihrer Leistung einzusetzen.
Viele der Algorithmen für maschinelles Lernen sind in der Regel einfacher und sind regelmäßig überwacht und unbeaufsichtigt Lernmodelle, wie:
- Xgboost
- Lineare und logistische Regression
- Zufallswald
- Ok-Means Clustering
Ich battle Datenwissenschaftlerin in meinem alten Unternehmen, aber ich habe hauptsächlich maschinelles Lernmodelle gebaut und nicht viele A/B -Assessments oder -versuche durchgeführt. Das battle Arbeit, die von Datenanalysten und Produktanalysten durchgeführt wurde.
Bei meinem gegenwärtigen Unternehmen erstellen Datenwissenschaftler jedoch keine Modelle für maschinelles Lernen, sondern hauptsächlich Tiefenanalysen und messen Experimente. Die Modellentwicklung erfolgt hauptsächlich von Ingenieuren für maschinelles Lernen.
Es kommt wirklich auf das Unternehmen an. Daher ist es wirklich wichtig, dass Sie die Stellenbeschreibung lesen, um sicherzustellen, dass sie der richtige Job für Sie ist.
Was benutzen sie?
Als Datenwissenschaftler sind dies im Allgemeinen die Dinge, die Sie wissen müssen (es ist nicht erschöpfend und wird von der Rolle variieren):
- Python und SQL
- Git und Github
- Befehlszeile (Bash und ZSH)
- Statistik und Mathematikwissen
- Grundlegende Fähigkeiten für maschinelles Lernen
- Ein bisschen Cloud -Systeme (AWS, Azure, GCP)
Ich habe Roadmaps, um Datenwissenschaftler zu werden, die Sie unten überprüfen können, ob diese Rolle Sie interessiert.
Maschinenlerningenieur
Was ist das?
Wie der Titel schon sagt, dreht sich in einem Ingenieur für maschinelles Lernen alles um das Erstellen von Modellen für maschinelles Lernen und das Einsetzen in Produktionssystemen.
Es stammte ursprünglich aus Software program -Engineering, ist aber jetzt ein eigener Job/Titel.
Die wesentliche Unterscheidung zwischen Ingenieuren und Datenwissenschaftlern für maschinelles Lernen besteht darin, dass maschinelle Lerningenieure die Algorithmen einsetzen.
Als führender KI/ML -Praktiker Chip Huyen stellt es aus:
Das Ziel der Datenwissenschaft ist zu Erstellen Sie geschäftliche Erkenntnissewährend das Ziel der ML Engineering ist, zu Daten in Produkte verwandeln.
Sie werden feststellen, dass Datenwissenschaftler häufig aus einem starken Mathematik-, Statistik- oder Wirtschaftsgrundstücken stammen, und Ingenieure für maschinelles Lernen stammen mehr auf naturwissenschaftliche und technische Hintergründe.
In dieser Rolle gibt es jedoch eine große Überlappung, und einige Unternehmen können die Positionen des Datenwissenschaftler- und maschinelles Lernens in einen einzigen Job, häufig mit dem Titellisten -Titel des Datenwissenschaftlers, in einen einzigen Job bündeln.
Der Job für maschinelles Lernen ist in der Regel in etablierteren Technologieunternehmen vorhanden. Es wird jedoch im Laufe der Zeit langsam beliebter.
Es gibt auch weitere Spezialisten innerhalb der Rolle des maschinellen Lernens, z. B.:
- ML Plattform Engineer
- ML -{Hardware} -Ingenieur
- ML Options Architect
Mach dir keine Sorgen, wenn du ein Anfänger bist, da sie ziemlich nische und nach ein paar Jahren Erfahrung auf diesem Gebiet nur related sind. Ich wollte diese nur hinzufügen, damit Sie die verschiedenen Optionen da draußen kennen.
Was benutzen sie?
Der Tech -Stack ist für Ingenieure für maschinelles Lernen wie für Datenwissenschaftler ziemlich ähnlich, verfügt jedoch über mehr Software program -Engineering -Elemente:
- Python und SQL benötigen jedoch möglicherweise andere Sprachen. Zum Beispiel wird in meiner aktuellen Rolle Rost benötigt.
- Git und Github
- Bash und Zsh
- AWS, Azure oder GCP
- Software program -Engineering -Grundlagen wie CI/CD, Mlops und Docker.
- Ausgezeichnetes Wissen für maschinelles Lernen, idealerweise ein Spezialismus in einem Gebiet.
KI -Ingenieur
Was ist das?
Dies ist ein neuer Titel, der sich mit dem gesamten KI -Hype befindet, und um ehrlich zu sein, denke ich, dass es ein seltsamer Titel ist und nicht wirklich benötigt wird. Oft spielt ein maschinelles Lerningenieur die Rolle eines KI -Ingenieurs in den meisten Unternehmen.
In den meisten Rollen der KI -Ingenieure geht es eigentlich um Genai, nicht um AI als Ganzes. Diese Unterscheidung macht für Menschen außerhalb der Branche normalerweise keinen Sinn.
KI umfasst jedoch quick jeden Entscheidungsalgorithmus und ist größer als das Feld für maschinelles Lernen.
Die aktuelle Definition eines KI -Ingenieurs ist jemand, der hauptsächlich mit LLM- und Genai -Instruments arbeitet, um dem Unternehmen zu helfen.
Sie entwickeln die zugrunde liegenden Algorithmen nicht unbedingt von Grund auf neu, hauptsächlich, weil es schwierig ist, es sei denn, Sie sind in einem Forschungslabor, und viele der High-Modelle sind Open-Sourcen-Zeiten, sodass Sie das Rad nicht neu erfinden müssen.
Stattdessen konzentrieren sie sich darauf, zuerst das Produkt anzupassen und zu bauen und sich dann um das Modell zu sorgen, die danach Feinabstimmungen sind. Additionally sind sie Wu
Es ist viel näher an der traditionellen Software program -Engineering als die Rolle des maschinellen Lernens, wie es derzeit steht. Obwohl viele Ingenieure für maschinelles Lernen als KI -Ingenieure arbeiten werden, ist der Job neu und noch nicht vollständig ausgearbeitet.
Was benutzen sie?
Diese Rolle entwickelt sich ziemlich viel, aber im Allgemeinen brauchen Sie gute Kenntnisse der neuesten Genai- und LLM -Developments:
- Stable Software program Engineering Fähigkeiten
- Python, SQL und Backend Langaugees wie Java oder Go sind nützlich
- CI/CD
- Git
- LLMs und Transformatoren
- LAPPEN
- Schnelltechnik
- Grundmodelle
- Feinabstimmung
Ich empfehle Ihnen auch, den Associates AI Engineer von DataCamp für Information Scientist Monitor zu lesen, der Sie auch für eine Karriere als Datenwissenschaftler intestine vorbereitet. Dies ist in der folgenden Beschreibung verknüpft.
Forschungswissenschaftler/Ingenieur
Was ist das?
Die vorherigen Rollen waren hauptsächlich Branchenpositionen, aber diese nächsten beiden werden forschungsbasiert sein.
Branchenrollen sind hauptsächlich mit dem Geschäft verbunden und es geht nur darum, den Geschäftswert zu generieren. Unabhängig davon, ob Sie eine lineare Regression oder ein Transformatormodell verwenden, was zählt, ist der Einfluss und nicht unbedingt die Methode.
Forschung zielt darauf ab, die aktuellen Wissensfunktionen theoretisch und praktisch zu erweitern. Dieser Ansatz dreht sich um die wissenschaftliche Methode und die tiefen Experimente in einem Nischenfeld.
Der Unterschied zwischen Forschung und Industrie ist vage und überschneidet sich oft. Zum Beispiel sind viele der besten Forschungslabors tatsächlich große Technologieunternehmen:
- Metaforschung
- Google AI
- Microsoft AI
Diese Unternehmen haben zunächst begonnen, Geschäftsprobleme zu lösen, haben aber jetzt engagierte Forschungssektoren, sodass Sie möglicherweise an Industrie- und Forschungsproblemen arbeiten. Wo eins beginnt und der andere endet nicht immer.
Wenn Sie die Unterschiede zwischen Forschung und Industrie tiefer untersuchen möchten, empfehle ich Ihnen, dieses Dokument zu lesen. Es ist der erste Vortrag von Stanfords CS 329s, Vortrag 1: Produktion des maschinellen Lernens verstehen.
Im Allgemeinen gibt es mehr Branchenpositionen als Forschung, da sich nur die großen Unternehmen die Daten und Rechenkosten leisten können.
Wie auch immer, als Forschungsingenieur oder Wissenschaftler arbeiten Sie im Wesentlichen an der modernen Forschung und überschreiten die Grenzen des Wissens für maschinelles Lernen.
Es gibt eine leichte Unterscheidung zwischen den beiden Jobs. Als Forschungswissenschaftler benötigen Sie eine Doktorarbeit, aber dies gilt nicht unbedingt für einen Forschungsingenieur.
Ein Forschungsingenieur implementiert typischerweise die theoretischen Particulars und Ideen des Forschungswissenschaftlers. Diese Rolle ist in der Regel frei, etablierte Forschungsunternehmen. In den meisten Situationen sind der Forschungsingenieur und Wissenschaftlerjobs jedoch gleich.
Unternehmen bieten möglicherweise den Titel des Forschungswissenschaftlers an, da er Ihnen mehr „Einfluss“ bietet und Sie die Wahrscheinlichkeit erhöhen, dass Sie den Job annehmen.
Was benutzen sie?
Dieser ähnelt dem technischen Lernen des maschinellen Lernens, aber die Tiefe des Wissens und der Qualifikation ist oft größer.
- Python und SQL
- Git und Github
- Bash und Zsh
- AWS, Azure oder GCP
- Software program -Engineering -Grundlagen wie CI/CD, Mlops und Docker.
- Ausgezeichnetes Wissen für maschinelles Lernen und ein Spezialismus in einem hochmodernen Bereich wie Laptop Imaginative and prescient, Verstärkungslernen, LLM usw.
- PhD oder zumindest ein Grasp in einer relevanten Disziplin.
- Forschungserfahrung.
Dieser Artikel hat gerade die Oberfläche der Rollen des maschinellen Lernens zerkratzt, und es gibt noch viele weitere Nischenjobs und Spezialitäten innerhalb dieser vier oder fünf, die ich erwähnt habe.
Ich empfehle immer, Ihre Karriere zu beginnen, indem ich den Fuß in die Tür bekomme und dann in die Richtung, die du gehen willst, drehen. Diese Strategie ist für nur eine Rolle viel effektiver als das Tunnelvision.
Eine andere Sache!
Ich biete 1: 1 -Teaching -Anrufe an, bei denen wir über alles chatten können, was Sie brauchen – ob es sich um Projekte handelt, Karriereberatungoder einfach Ihren nächsten Schritt herauszufinden. Ich bin hier, um Ihnen zu helfen, vorwärts zu kommen!
1: 1 Mentoring -Anruf mit Egor Howell
Karriereanleitung, beratende Beratung, Projekthilfe, Lebenslaufüberprüfungtopmate.io