엔지니어, 1998년의 의 는 데이터 기반 시스템을 강조합니다.

데이터 과학자는 일반적으로 문제 프레이밍, 데이터 분석 및 모델 개발에 중점을 둡니다. 는 시간이 지남에 따라 모델을 재현, 배포 및 관찰할 수 있도록 만드는 데 중점을 둡니다. 구별이 절대적이지는 않습니다. 강력한 팀은 평가 및 데이터 품질을 위해 협력하는 반면, 엔지니어는 배포 후 모델이 어떻게 실패할 수 있는지 이해하기 위해 충분한 ML 지식이 필요합니다. 아니요. 컴퓨터 과학, 공학 또는 데이터 중심 학위가 일반적이지만 실용적인 소프트웨어, 클라우드 및 데이터 플랫폼 경험은 고급 연구 자격증보다 더 중요할 수 있습니다. 새로운 모델을 구축하는 역할은 대학원 공부를 선호할 수 있습니다. ML 플랫폼을 운영하는 역할은 일반적으로 생산 엔지니어링, 인프라 및 신중한 실험을 높이 평가합니다.

은 대부분의 ML 생태계에서 사용되기 때문에 일반적입니다. SQL은 데이터 작업에 필수적인 반면, 및 코드형 인프라 구성은 일상적인 도구입니다. 일부 플랫폼 팀에서는 Go,, 또는 도 사용합니다. 중요한 기능은 하나의 언어에 대한 충성도가 아니라 파이프라인을 테스트, 버전 관리 및 관찰 가능하게 만드는 것입니다. 는 자동화, 버전 제어, 지속적인 전달, 공유 소유권 등 아이디어를 차용하지만 데이터 및 모델 문제를 추가합니다. 애플리케이션 코드는 변경되지 않더라도 훈련 데이터는 변경되므로 모델이 변경될 수 있습니다. 팀은 데이터세트 버전을 관리하고, 모델 동작을 평가하고, 실험을 관리하고, 예측 품질과 서버 상태를 모니터링해야 합니다.

보상은 국가와 회사에 따라 다릅니다. 미국의 주요 기술 및 금융 시장에서 숙련된 엔지니어는 일반적으로 6자릿수 중반 현금 및 자산 범위에 속하며, 유럽 및 아시아 급여는 현지 밴드 및 복리후생 구조를 사용합니다. 클라우드, 분산 시스템, 책임 있는 AI 경험을 통해 급여는 올라가지만 직위는 표준화되지 않았습니다. 구성, 코드 및 문서를 생성하여 일상적인 설정 작업을 줄일 수 있습니다. 평가를 정의하고, 데이터 권한을 관리하고, 모델 액세스를 제어하고, 오류를 조사하거나 시스템이 사용자에게 해를 끼칠 때 책임을 져야 할 필요성이 제거되지는 않습니다. 생성 모델은 또한 새로운 운영 위험을 추가하여 이를 측정하고 관리할 수 있는 사람에 대한 수요를 증가시킵니다.