Skip to content

📦大学与入行路径

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工程师需要多种相互交叉的基础:面向可靠服务的软件工程、面向流水线的数据工程、面向可扩展基础设施的云运营,以及足够理解训练、评估和漂移的机器学习知识。没有任何一个学位能完美覆盖所有这些方面,因此职业往往从相邻岗位起步。

最有力的准备证明,是一个可复现的项目。一个能对数据和代码进行版本管理、通过流水线训练模型、部署模型、监控模型并解释故障模式的候选人,比一个只有高分笔记本的人,更清楚地展示出雇主所需要的思维方式。

入行路线图

  1. 1

    编程与数学

    1—2年

    学习Python、SQL、统计学、版本控制、Linux以及基础软件设计。

    门槛课程学习、编程项目和技术基础考核。

  2. 2

    学位或系统化培训

    3—4年

    学习计算机科学、数据科学、工程学或某个定量学科,并结合实际系统实践。

    门槛招生流程与持续的技术课程学习。

  3. 3

    构建数据与机器学习项目

    1—2年

    用可复现的数据、有追踪记录的实验和可测试的流水线来训练模型,而不仅仅停留在笔记本环境中。

    门槛作品集审查以及实习或初级岗位面试。

  4. 4

    生产工程经验

    2—3年

    从事软件、数据、云计算或机器学习工程工作,学习部署、监控和事件处理实践。

    门槛系统设计与实操调试类面试。

  5. 5

    MLOps专业方向

    2—4年

    在一个或多个模型团队中,负责训练、服务、注册表、评估和可观测性系统。

    门槛安全上线记录与运营判断力的证据。

  6. 6

    平台或人工智能系统领导者

    5年以上

    为多个产品线制定机器学习平台架构、治理标准以及成本或可靠性战略。

    门槛跨团队信任与可担责的技术领导力。

学位加云计算实验 因国家而异

大学费用差异很大,从低学费的公立体系到昂贵的私立学费都有。云计算额度、认证考试和实验服务会带来经常性开支,但在谨慎控制用量的情况下,开源工具和公开数据集能以较低成本支撑一份扎实的作品集。

该学什么

计算机科学

软件与系统基础

为生产级机器学习平台提供编程、分布式系统和算法方面的基础。

数据科学

数据与建模路径

当与扎实的工程实践相结合时,能融合统计学、数据流水线和机器学习方法。

计算机工程

系统深度

对性能优化、基础设施和边缘部署工作很有帮助。

统计学或数学

模型评估深度

为实验、不确定性、指标和模型验证建立严谨性。

信息系统

企业集成

把技术设计与治理、流程和组织采纳联系起来。

学什么专业能做什么 →

哪里教得最好

斯坦福大学

美国

在计算机科学、人工智能和系统研究方面具有广泛影响力。

卡内基梅隆大学

美国

在机器学习、软件工程和系统方面实力雄厚。

多伦多大学

加拿大

机器学习研究和工程人才的重要培养基地。

苏黎世联邦理工学院

瑞士

在机器学习、数据和系统领域具有研究实力。

剑桥大学

英国

在计算机科学和机器学习研究方面历史悠久。

新加坡国立大学

新加坡

区域性人工智能研究与技术工程中心。

韩国科学技术院

韩国

韩国一流的工程院校,在人工智能和系统方向表现突出。

东京大学

日本

日本主要的研究型大学,设有计算机科学和人工智能项目。

执照与考试

谷歌专业机器学习工程师认证

全球

涵盖谷歌云平台上模型设计、部署和运营的云平台认证。

AWS机器学习专项认证

全球

面向机器学习工作负载设计与运营使用的AWS认证;项目名称和可获得性可能因方案而变化。

微软Azure AI工程师助理认证

全球

聚焦于设计和实现Azure人工智能解决方案的厂商认证。

认证Kubernetes管理员

全球

云原生计算基金会颁发的认证,与许多机器学习平台使用的容器编排技术相关。

另一条路

DevOps或平台工程路径

已经在自动化部署、容器和云运营方面有经验的工程师,可以补充机器学习知识,转向机器学习平台方向。

数据工程路径

负责数据质量、流水线和数据仓库的数据工程师,可以借助生产环境机器学习经验,构建模型训练和特征流水线。

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