Was machen maschinelle Lerneningenieure?

Was mache ich?

Ich arbeite als Ingenieur für maschinelles Lernen in einem funktionsübergreifenden Workforce. Mein Kader ist spezialisiert auf klassisches maschinelles Lernen und kombinatorische Optimierungsprobleme.

Ein Großteil meiner Arbeit dreht sich um die Verbesserung unserer Modelle für maschinelles Lernen und Optimierungslösungen, um das Kundenerlebnis zu verbessern und finanzielle Wert für das Unternehmen zu erzielen.

Der allgemeine Workflow für die meisten meiner Projekte lautet wie folgt:

• Idee – Jemand kann eine Idee oder Hypothese haben, wie man eines unserer Modelle verbessert.
• Daten– Wir prüfen, ob die Daten, um diese Hypothese zu beweisen oder zu widerlegen, leicht verfügbar ist, damit wir mit der Forschung beginnen können.
• Forschung – Wenn die Daten verfügbar sind, beginnen wir mit dem Erstellen oder Testen dieser neuen Hypothese im Modell.
• Analyse – Die Ergebnisse der Forschungsphase werden analysiert, um festzustellen, ob wir das Modell verbessert haben.
• Schiff– Die Verbesserung ist in der Codebasis „produktionisiert“ und geht stay.

In diesem Prozess gibt es eine große Interaktion mit anderen Funktionen und Rollen innerhalb des Groups und des breiteren Unternehmens.

• Die Ideenphase ist eine kollaborative Diskussion mit einem Produktmanager, der Enterprise Perception und alle kritischen Auswirkungen, die wir beim ersten Scoping möglicherweise verpasst haben, gewährt werden können.
• Daten, Erstellung und Analyse können in Zusammenarbeit mit Datenanalysten und -ingenieuren durchgeführt werden, um die Qualität unserer ETL -Pipelines und die Verwendung der richtigen Datenquellen sicherzustellen.
• Der Forschungsabschnitt würde die Hilfe von Datenwissenschaftlern verwenden, um Statistiken und maschinelles Lernen zu verwenden, um unser Modell zu verbessern.
• Die Schiffsphase ist eine gemeinsame Anstrengung mit unseren dedizierten Software program -Ingenieuren, um sicherzustellen, dass unsere Bereitstellung sturdy ist und mit den besten Codierungspraktiken bis zum Normal entspricht.

Aus Erfahrung weiß ich, dass diese Artwork von Workflow bei maschinellen Lerningenieuren in zahlreichen Unternehmen weit verbreitet ist, obwohl ich sicher bin, dass es nur geringfügige Unterschiede gibt, je nachdem, wo Sie sich befinden.

Mein Job ist es auch nicht nur, Tag für Tag Code zu schreiben. Ich habe andere Aufgaben, wie die Durchführung von Workshops, die Präsentation von Stakeholdern und die Betreuung von mehr Juniormitgliedern.

Was ist die Struktur von maschinellen Lernteams?

Ingenieure für maschinelles Lernen arbeiten auf viele verschiedene Arten in einer Organisation, aber es gibt drei verschiedene Optionen, und der Relaxation ist eine Mischung aus ihnen.

• Eingebettet –In diesem Fall sind maschinelle Lerningenieure in funktionsübergreifende Groups mit Analysten, Produktmanagern, Software program-Ingenieuren und Datenwissenschaftlern eingebettet, in denen das Workforce Probleme in einer Domäne innerhalb des Unternehmens löst. So arbeite ich und ich magazine es wirklich, weil Sie viele wertvolle Fähigkeiten und Fähigkeiten von anderen Teammitgliedern, die eigenständig sind, viele wertvolle Fähigkeiten in Anspruch nehmen können.
• Beratung – Dies ist die Flip-Seite, bei der maschinelle Lerningenieure Teil einer „internen Beratung“ sind und Teil ihres eigenen Groups sind. In diesem Szenario arbeiten die Ingenieure des maschinellen Lernens an Problemen, die auf ihrem wahrgenommenen Wert für das Unternehmen basieren. Sie sind technisch weniger auf diese Choice spezialisiert, da Sie möglicherweise die Artwork der Probleme ändern müssen, an denen Sie arbeiten.
• Infrastruktur/Plattform –Anstatt Geschäftsprobleme direkt zu lösen, entwickeln diese Ingenieure für maschinelles Lernen interne Instruments und eine Bereitstellungsplattform, um die Produktion der Algorithmen erheblich zu erleichtern.

Alle Arbeitsweise haben Vor- und Nachteile, und in Wirklichkeit würde ich nicht sagen, dass einer besser ist als der andere; Es ist wirklich eine Frage der persönlichen Präferenz. Trotzdem leisten Sie immer noch aufregende Arbeit!

Was ist ein typischer Tag in einem Leben?

Menschen on-line glamourise oft in der Technik, als ob alles Kaffeepausen, Chats und Codierungen für eine Stunde am Tag sind, und Sie machen weit über sechs Figuren.

Dies ist definitiv nicht der Fall, und ich wünschte, es wäre wahr, aber es ist immer noch ein lustiger und erfreulicher Arbeitstag im Vergleich zu vielen anderen Berufen.

Meine allgemeine Erfahrung battle:

• 9:00 Uhr – 9:30 Uhr.Beginnen Sie um 9 Uhr morgens mit einem morgendlichen Standup, um das Workforce über die Arbeit des Vorgängers zu treffen und was Sie heute tun. Ein „Standup“ -Treffen ist bei der Technik sehr häufig.
• 9:30 Uhr – 10:30 Uhr . Nach dem Standup kann es eine weitere Sitzung für eine Stunde geben, 9: 30–10: 30, mit Stakeholdern, Ingenieuren, All-Arms oder anderen Firmenversammlungen.
• 10:30 Uhr – 13:00 Uhr.Dann ist es ungefähr zwei Stunden lang ein Arbeits-/Code -Block, in dem ich mich auf meine Projekte konzentriere. Abhängig von meiner Arbeit kann ich mit einem anderen Datenwissenschaftler, einem Ingenieur für maschinelles Lernen oder Software program -Ingenieur kombiniert.
• 13:00 Uhr – 14:00 Uhr.Mittagessen.
• 14:00 Uhr – 17:45 Uhr. Nachmittags sind normalerweise frei von Besprechungen, und es gibt einen großen Block der Fokuszeit, um an Ihren Projekten zu arbeiten. Dies gilt hauptsächlich für einzelne Mitwirkende wie mich.
• 17:45 Uhr – 18:00 Uhr. Antworten Sie auf E -Mails und Slack -Nachrichten und schließen Sie für den Tag ein.

Jeder Tag ist anders, aber das kann man erwarten. Wie Sie sagen können, ist es nichts „Außergewöhnliches“.

Dies ist auch der Arbeitstag für einen individuellen Mitwirkenden von Junior / Mid-Stage (IC) wie ich. Senior -Positionen, insbesondere Führungsrollen, haben in der Regel mehr Besprechungen.

Eine wichtige Sache zu beachten ist, dass ich nicht immer in meinen Arbeitsblöcken codiert. Ich kann eine Präsentation zur Vorbereitung auf die Stakeholder, eine Advert-hoc-Analyse für unseren Produktmanager oder einige auf das Aufschreiben meiner neuesten Forschungen haben. Ich kann den ganzen Tag nicht einmal codieren!

Im Durchschnitt verbringe ich 3–4 Stunden hart codieren; Der Relaxation sind Besprechungen oder Advert-hoc-Arbeiten. Dies variiert natürlich zwischen Unternehmen und zu verschiedenen Jahreszeiten.

Warum bin ich ein maschinelles Lerningenieur?

Der Grund, warum ich ein maschinelles Lerningenieur bin, kann auf vier Hauptgründe gekocht werden:

Verbinde mich mit mir