机器学习工程师-他们实际上在做什么？
机器学习工程师：他们在做什么？
“机器学习工程师”对我们的领域意味着什么？如果是的，又是什么？
这个标题当然是一个问题的技巧。就像之前的数据科学家一样，机器学习工程师这个职称正在我们这个职业的就业市场中成为一种趋势，但关于这个职称的含义、职能和技能，还没有达成共识。我想象新进入数据科学/机器学习就业市场的人们对此一定感到迷惑不解。（即使是有经验的人也是如此！）因此，让我们根据不同人的讨论来谈谈它可能意味着什么。
我和一位朋友讨论这个问题的时候，我将其表述为“机器学习工程师”或者“机器学习工程师”。基本上，根据我所见，这个职称下的某些领域的角色和期望要求：
- A. 希望具备丰富的软件工程技能，并且至少有一定的机器学习经验或者熟悉机器学习。
- B. 期望具备深入的机器学习经验，通常包括深度学习或生成式人工智能，并且希望您在需要时能编写函数。
前者可能在以前只是“软件工程师”，而后者可能在我刚开始职业生涯的时候就属于“数据科学家”（尽管那时生成式人工智能当然还不是游戏的一部分）。
这反映了我们这个行业发展的一个有趣模式。我们从来都不擅长将我们领域的角色细分为清晰界定技能集合（或责任）的子类别。这是一个快速发展、不断变化的年轻领域，所以这并不令人震惊！数据科学家这个职称也一直如此，它实际上是一个长时间以来“比数据分析师技术更高级”的划分者。一些人称数据科学家为能够处理非结构化或杂乱数据的人，而我所见的情况是这种定义因此而消失了。
我强烈怀疑MLE的增长是因为雇佣SWE类型的人们对于不了解机器学习模型的候选人感到恼火，而雇佣数据科学家的人们则在需要具备机器学习技能的建模师时得到了分析专家。它们从两个方向相交，形成了一个关于每个技能集合重要性的内部分歧的新职称。所以现在我们在这个领域中有了一个新的分工要考虑。
虽然这种领域的细分可能是非常自然的，是对这种困难的一种回应，但我想指出这对于候选人和这个领域意味着什么。每当出现新的分歧并且职业路径有新的可能分歧时，通常会给这两个方向分配地位和特权，最常见的是通过提供的工资来检测。现在，数据科学领域正在通过更多的教育机会等方式变得正规化，人们有了更容易进入这个职业的途径。这包括在更广泛的社会中处于不利或边缘化地位的人。我担心数据科学家可能会出现一种粉色领域化的效应。
（简而言之，粉色领域化效应是指特别是女性在某个领域中成为更大比例的工作者，这些角色的工资和社会地位因此被系统性地压低。兽医科学是一个常见的例子。反过来也是如此，因为20世纪60年代和70年代初，计算机程序员中女性占主导地位，当男性在这个领域中变得更多时，他们的工资和声望上升了。）
这确实正在发生吗？我真的不知道。我只从Harnham和Burtch Works等地方的行业报告以及浏览LinkedIn等职位发布的地方看到一些个别证据，这使得似乎工资的分歧开始在数据科学家和机器学习工程师之间出现。相比五年前，我在数据科学家职位上遇到的年轻女性、有色人种和不同性别身份和性取向的人更多。
我非常希望研究人员能够找出这种工资变化是否具有统计学意义，如果是的话，它是否与工人的人口统计学变化相关，就像我怀疑的那样。
无论如何，招聘该领域的人面临的挑战是不让那些更有声望、更“技术性”的人（例如，现在的机器学习工程师）成为男性和那些具有社会优势的人的主导，同时也不让数据科学家招聘成为其他领域的人不考虑能力就被推到的低地位变种。当然，要根据你的业务为这些角色支付相应的报酬，但不要让这影响你考虑或想象每个角色中的人口统计数据。在这个不断发展的游戏阶段，这是我们所有人能做的最少。
你可以在 www.stephaniekirmer.com 找到更多我的作品。
