Skip to content

📦AI与未来

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工程师正在构建人工智能借以改变工作方式的许多系统,因此他们会较早地使用自动化工具。助手可以搭建流水线框架、解释配置、生成测试并揭示异常。这些收益减少了重复性的搭建工作,但并未让生产责任消失。

事实上,更多的模型和人工智能代理反而制造了更多的生命周期工作:评估集、权限边界、成本控制、数据血缘、事件响应,以及关于系统何时不应自动行动的审慎决策。这一角色很可能变得更偏向平台化和治理化。

46 / 100
中等

机器可替代的工作占比

模板、配置和初步诊断高度可自动化,但把一个模型整合进一个独特的组织,需要系统设计、评估以及可担责的风险决策。人工智能可能会提高每位工程师的产出,同时也会扩大需要运营纪律的系统数量与复杂度。

按任务计分,而非头衔。越低越安全。

AI难以取代的职业 →

机器夺不走的

系统架构

86

在数据、模型、服务与人之间划定边界,需要通用助手无法可靠推断出的本地约束条件。

评估设计

88

一个有用的测试集和可接受的错误阈值,取决于实际的用户、危害和相关决策。

数据与访问治理

90

团队必须决定一个模型可以查看、保留或暴露哪些数据,并对这些选择负责。

事件判断力

84

一次模型性能回退或数据泄露可能需要迅速回滚,并涉及产品、法律和安全方面的后果。

跨团队协调

80

研究人员、软件团队、安全团队和产品负责人需要一致的责任归属,而不仅仅是自动生成的文档。

它们已经在夺的

流水线搭建

75

助手可以根据既有模式草拟标准的训练、打包和部署配置。

配置解释

72

语言模型可以总结基础设施设置,并对常见故障提出可能的原因。

初步测试生成

65

工具可以提出单元测试和数据检查建议,但人类必须判断关键故障是否已被覆盖。

常规监控摘要

70

异常和日志摘要能帮助响应人员集中注意力,前提是底层数据经过核实。

工作如何变化

从模型部署到人工智能系统运营

团队越来越多地围绕基础模型运营检索、提示词、工具使用和评估系统,而不仅仅是传统的预测器。

评估成为一项产品能力

可靠的发布需要精心设计的场景、回归检查和人类反馈回路,而不是一个静态的基准测试。

成本与延迟成为模型指标

大模型的推理让令牌用量、缓存行为和路由,成为日常平台工程的一部分。

治理进入流水线

审批记录、数据策略和安全测试正在变成自动化的关卡,而不是上线之后的电子表格。

分岔出的新职业

LLMOps工程师

运营基础模型应用,包括提示词、检索、评估、安全性和推理成本控制。

人工智能平台工程师

构建供多个模型团队共用的计算、数据、注册表和部署服务。

负责任人工智能工程师

为高影响力的人工智能系统制定评估、文档记录、公平性和治理流程。

机器学习可靠性工程师

把可靠性工程应用于模型性能、数据依赖、延迟和事件响应。

展望

MLOps将快速变化,因为它运行在人工智能研究与生产环境的交界处。常规的平台搭建工作会变得更容易,但随着更多用户依赖模型驱动的决策,负责任部署的标准将不断提高。

能够长期立足的从业者,将把分布式系统的严谨性与模型素养结合起来,并有信心说出一个看似有前景的系统尚未准备就绪。当自动化工具能够高速生成看似合理的流水线时,这种判断力反而会变得更加珍贵,而不是相反。

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