Skip to content

📦文化与地位

机器学习运维工程师 · 构建用于训练、部署、监控和治理生产环境中机器学习模型的系统。

分享本页

MLOps继承了两种相互对照的文化。机器学习领域推崇基准突破和研究论文;运营文化则重视可靠性、朴实无华的自动化,以及从故障中吸取的教训。这份工作在一定程度上正是为了让这两种文化协同运作而存在。

由于这个职称还很新,它的公众形象仍然模糊。但在科技公司内部,MLOps工程师越来越多地被问到:一个令人印象深刻的演示,能否经受住真实数据、真实成本和真实事故的考验。

历史上的社会地位

各时代该职业的地位,以0–100表示。

3555677882
1990年代—2000年代2010—2015年2016—2019年2020—2022年2023年至今
1990年代—2000年代

生产环境中的机器学习是搜索、广告和量化金融领域的一个小众专业方向。

2010—2015年

数据科学成为一项地位很高的业务职能,而运营工作依然不太显眼。

2016—2019年

DevOps理念让可靠交付成为一个被认可的工程专业方向,机器学习运维开始独立出来。

2020—2022年

云端机器学习平台和人工智能投资,提高了对能够大规模运行模型的人才的需求。

2023年至今

生成式人工智能的竞争提升了这一角色的知名度,同时也暴露出关于成本、安全性和炒作的问题。

电影、书籍与艺术中的形象

电影2011

《点球成金》

本尼特·米勒

一部关于数据驱动棒球决策的美国电影;虽然不是MLOps题材,却塑造了模型与组织实践相遇的一种流行印象。

纪录片2020

《监视资本主义:智能陷阱》

杰夫·奥洛夫斯基

一部纪录片,把公众注意力引向推荐系统在社会规模上如何运作。

纪录片2020

《编码偏见》

沙利尼·坎塔亚

探讨了自动化系统中的偏见,以及在头条准确率之外测试模型的必要性。

书籍2020

《对齐问题》

布莱恩·克里斯汀

一部通俗读物,讲述了学习系统遇上人类价值观时所出现的技术与社会问题。

书籍2022

《设计机器学习系统》

黄佳

一部关于数据、部署和监控的工程读物,体现了MLOps的视角。

专业社群2020

MLOps社区

MLOps Community

一个从业者社群,帮助把一个新兴的标签转化为共同的模式和词汇。

谚语与习语

模型的好坏取决于它的数据

机器学习格言训练质量和部署输入为算法能做什么设定了硬性上限。

无法衡量,就无法改进

管理与工程领域的格言在团队能够负责任地调优一个生产模型之前,监控和评估是必不可少的。

在我的笔记本上能跑

数据科学与工程领域的行话本地实验的成功,并不能证明一个系统具有可复现性或已准备好投入生产。

你构建它,你运行它

DevOps文化团队应共同承担所部署系统的运营责任及其后果。

仪式、象征与着装

模型评审

一次跨职能评审会在一个模型接触用户之前,检查其预期用途、数据、评估、风险、责任归属和回滚方案。

实验复盘

团队会比较不同的运行结果、假设和失败案例,而不是孤立地庆祝一个指标;这些记录让日后的调试成为可能。

值班交接

平台团队和应用团队记录仪表盘、已知风险和升级路径,让一次模型故障不会只存在于一个人的记忆里。

MLOps文化在能够抵御两种极端时最为健康:既不把模型当作魔法,也不把治理当作纸面文章。可靠的系统既需要实验,也需要记录、控制,以及在证据不足时敢于叫停发布的人。

这一角色的地位,来自于让人工智能在演示之后依然有用——而在那之后,维护和责任问题变得无法被忽视。

相近职业

不限同一领域,六项评分最接近的职业。

继续探索

继续探索

工程·技术领域的其他职业