ML Engineer o wielu twarzach?

Niech stanie się światłość dla mojego umysłu: powiedzcie proszę, czy różnice między Machine Learning Engineer a tymi stanowiskami:

• ML Engineer MLOps
• ML Software Engineer
• ML Specialist
• ML Scientist
  (czy jeszcze inne)

...czy w praktyce te różnice są znaczące? I czy wymagania na te stanowiska i obowiązki na nich się jakoś zazębiają?

Jak dla mnie to zwykły podział na devopsów, koderów, analityków itp. Nazewnictwo tylko takie "korpo fancy" :P

OhHiMark napisał(a):

...czy w praktyce te różnice są znaczące? I czy wymagania na te stanowiska i obowiązki na nich się jakoś zazębiają?

To możesz sobie sprawdzić wchodząc na dowolne ogłoszenie o pracę z danym tytułem ML które cię interesuje i będziesz w stanie sam sprawdzić czy to się zazębia czy nie

sprawdz zakres obowiazkow, firmy rozne cuda robia z nazwami stanowisk

Opis stanowiska > nazwa stanowiska. Panie z HR wystawiajace takie ogloszenia czesto nie ogarniaja co i jak powinno sie nazywac

mam podejrzenia że nazw stanowisk musi być dużo żeby różne wynagrodzenia dawać osobom robiącym to samo ;)

Prawdopodobnie taka różnica jak między Automation Tester, QA Engineer, Software Development In Test, Quality Assurance Specialist itp. Liczy się opis stanowiska

Na chłopski rozum:

• ML Engineer MLOps - odpowiednik "DevOpsa", ktoś kto ma jakieś doświadczenia w automatyzacji wdrażania modeli ML
• ML Software Engineer - odpowiednik programisty
• ML Specialist -
• ML Scientist - pewnie jakiś naukowiec, który będzie wymyślał jak modele w ogóle mają działać, może nawet z jakimś doktoratem ;)

Sprawdź wymagania na danym stanowisku. Kiedyś próbowałem się dowiedzieć czym różnią się od siebie Data Analyst, Data Scientist i ML Engineer - nie znalazłem jednej wykładni, tu zapewne jest podobnie. Generalnie nazwa stanowiska to tylko labelka, może być równie dobrze „ML wizard”

Właśnie mam wrażenie, że jest tak jak tutaj część z Was pisze, tzn. że osoby wystawiające ogłoszenie mogą mieć problem z nazwami. Dzięki za wszystkie odpowiedzi

ML Engineer to może być ktoś kto faktycznie pracuje z ML, jak również klepacz crudów, na których końcu jest ML. ML Scientist to może być zarówno ktoś, kto pisze nowe frameworki od zera, jak i osoba próbująca osiągnąć jakiś tam rezultat zmieniając losowo parametry uczenia sieci.

UWAGA - to jest tylko moja wolna interpretacja i na pewno są od niej wyjątki

• ML Engineer MLOps - klikanie modeli w np. Azure Machine Learning studio, SQL, klikanie pipeline'ów w np. Azure Data Factory
• ML Software Engineer - tworzysz apki (raczej webowe), które tworzą/wykorzystują modelowanie. W zasadzie to dev typowy, ale raczej dziwne by było jakbyś nie działał tu w chmurze
• ML Specialist - yellow flag (bo nie red). Musisz być ostrożny, zastanowić się co chcesz robić, bo ten specialist może znaczyć wszystko. Najpewniej możesz liczyć na chmurę, raz na boży rok mogą kazać Ci coś wrzucić do algorytmu (raczej nie musisz dokładnie wiedzieć jak on pod spodem będzie działał), czasem Cię rzucą do klikania czegoś w ETLu. Generalnie to stanowisko brzmi jak "zatrudniamy osobę z doświadczeniem pracy z danymi, mamy chmurę, a to co będziesz robił to już zależy jaki akurat projekt się trafi". Wcale nie musi być to złe, wybadaj grunt
• ML Scientist - data scientist, ale taki, który faktycznie ma pisać jakiś kod i najlepiej jak wie jakieś elementarne rzeczy o infrastrukturze (np. jak ktoś mu każe pisać coś w notatniku na Databricksie to nie zrobi wielkich oczu i będzie wiedział, że potrzebuje jakiegoś klastra i że musi się po ten klaster do kogoś zgłosić (bo pewnie sam sobie go postawić nie będzie mógł, bo nie będzie miał uprawnień)), a nie tylko przygotować se dane w SQL Microsoft Management Studio czy jak to się tam nazywa, a potem załadować gotowca do regresji logistycznej

...czy w praktyce te różnice są znaczące? I czy wymagania na te stanowiska i obowiązki na nich się jakoś zazębiają?

Bardzo się zazębiają. To praca na danych, dużo skilli jest uniwersalnych i często możesz przeskoczyć z jednej pozycji na drugą.