15011337672
MLE有多热门想必无需小编过多赘述，多少希望能够留美的同学，都是从这个职位起步的感兴趣的小伙伴记得先收藏~
本文内容概览：
▓ 职位介绍
▓ 和DS/DA的区别
▓ 就业市场需求
▓ 准备建议
▓ 求职时间线
▓ 小tips
MLE职位介绍
MLE的全称是Machine Learning Engineer，即机器学习工程师。它主要负责用机器学习的算法对现实生活中的海量数据进行建模，达到预测的目的，同时还需要考虑算法在计算机和硬件上的有效运行。MLE还负责把一些机器学习的模型部署到计算机上，让企业和消费者等不同客户来调用这个模型，从而解决一些生产上面的问题。
MLE主要分为模型开发和模型Infrastructure两类工作：
01、模型开发
比如开发Linear Regression或者Random Forest模型，开发出来之后根据用户数据训练好，然后把模型放到硬件上部署，再不断的测试。MLE工作涉及数据收集、清理、模型开发、训练、部署、测试、监控和调优。
02、模型Infrastructure
MLE负责End to End的工作，包括数据收集、数据清理、建立数据Pipeline、模型训练、部署、上线、测试、监控、调优和迭代。MLE岗位起源于传统SDE（软件工程师）。随着机器学习算法在企业中的应用越来越广泛，企业对于MLE的需求不断增大。近年来Tech行业不断整合业务，MLE负责的模块慢慢跟DS整合在一起。
MLE跟DS/DA的区别在哪？
01、MLE与DS/DA的区别与联系
MLE主要是负责从端到端整一套机器学习系统的开发、部署和调优，这块不仅仅涉及到机器学习算法的开发训练，以及包括底层怎么样去进行硬件和软件的调优。
DS/DA主要负责机器学习系统链路的末端，当MLE把模型开发部署好之后，DS、DA会对产品端进行数据分析和测试。
比如MLE把模型开发好了，但是对产品端和用户端其实不是很了解，不知道这个模型在实际生产过程中能不能行，能不能取得消费者的信任。这个时候DS和DA就可以做一套A/B testing，把用户的流量分为一半一半，一半使用MLE的模型，一半不用，来测试模型的效果到底有多大。
02、大公司/小公司的MLE
大公司业务复杂，比如说Meta、Google、Amazon或者Uber等等，MLE在模型的开发上就需要很多人力，所以需要DS、DA协作，来了解模型的feature以及在用户端能否解决实际问题；而小公司通常需要MLE负责全流程工作。
有些公司的MLE也会做很多A/B testing的工作，因为他们更了解模型，这时就不需要DS和DA的岗位。但是在大厂，业务的逻辑过于复杂，MLE也未必了解产品端到底怎么去收集用户数据，分析用户消费观念，所以需要专门的DS和DA岗位来收集和分析数据。以及有些DS也需要利用机器学习的算法进行建模，去帮助产品端和用户端达到数据分析的目的。
MLE就业市场需求
01、MLE薪资情况
上图是Google, Meta和Uber这三所大厂的主要薪资，等级从L3到L6。L3基本上是刚毕业的学生，面试表现好的PhD毕业生或者有几年工作经验的人，有可能拿到L4的offer，L4的offer比L3薪资差不多翻一倍。之后如果继续在这个领域深耕，就有可能拿到L5的offer，估计需要七到十年的工作经验。L6对应的是Staff Data Scientist，需要十几年以上的工作经验。
举个例子，Meta对于L3刚刚毕业的同学可以给到18.9w美金的总包。总包包括基础工资、绩效奖金，以及一部分股票和期权，总体来说大厂的薪资是十分慷慨的。
02、什么样的公司需要MLE
几乎所有的厂都需要MLE，因为现在是传统互联网行业向人工智能行业转型的时期，大厂、中小型公司和初创公司都需要MLE，只是不同公司对MLE的要求有所不同。
举一个例子，比如Uber的MLE岗位，主要是利用机器学习算法来做推荐系统的开发。具体来说，MLE会根据海量的用户交互数据（e.g. 你在Uber端点了几个按钮，订了几个外卖，叫了几辆出租车），来对你进行用户画像的建模。比如，你是一个20岁到30岁的硅谷码农，平常不爱花钱，但比较有钱等等，之后对你进行相应的广告推荐。
再比如Meta，它的MLE需求相当多样和广泛。首先，因为Meta有很多种社交产品（Facebook和Instagram等等），MLE要负责进行用户的肖像建模，然后去针对性地推送。比如说你打开Facebook就有很多推送，推荐一些你可能认识的朋友；打开Instagram也会有推送视频。其次，对于Meta这个体量的公司，每天有上亿用户来访问Meta的服务器，每个人每天能够接收到的都是TB级别的数据，MLE也需要对数据进行采集和分析。除此以外，还有最近非常火的大语言模型，也是需要MLE去参与和负责的。
MLE的准备建议
申请者一个常见的迷惑是：MLE一定要PhD才能申请吗？事实上，MLE岗位本科生和硕士生也可以申请，关键在于比较强的Engineering background和机器学习知识。
MLE非常注重你能不能把算法很好地写进代码里面，以及很好地部署到生产环境和硬件上。因此需要同学们熟练掌握数据结构与算法、计算机基础、计算机网络、机器学习算法、统计知识，并且积累刷题（如LeetCode）和项目经验（如Kaggle）。
准备MLE面试的过程中，首先要强化数据结构和算法的基础，因为这些是写代码和实现机器学习算法的核心。其次要掌握计算机网络和计算机组成的知识，了解计算机之间的通信和硬件组成。再者还需要熟悉常见的机器学习算法和统计方法，理解它们的原理和应用场景。最后则是要通过刷LeetCode等题库来练习编码能力，刷题越多越好。
时间线
● 7-8月简历修改，背景补充
● 8-10月开始投递明年暑假的招聘
● 10-12月份陆续收到面试，很可能会拿到明年暑假实习的Offer
● 明年暑假开始实习，干得好就很有可能拿到Return Offer
01、MLE和RS的面试区别
RS和MLE的侧重点并不一样，RS更加偏向数理分析，看重对模型的理解。比如说Transformer、Bert、GPT架构，或让你解释一下什么是Attention，问得会非常细。在准备上，MLE则更侧重刷题（包括system design），而RS更需要从模型算法角度进行准备。
02、相对于PhD，Master找MLE会不占优势吗？
其实PhD并不会有很大的优势。MLE不仅仅只强调对ML知识的掌握，也对Engineering知识有要求。如果一个PhD被招进公司却只会模型研究或者模型论文的实现，对Engineering's Tool（如Github或SQL）全无了解，那么公司也不会太喜欢。
很多企业并不需要众多的人员来开发模型，通常由5-10人PhD的专业团队负责。反倒是需要更多人把这套模型部署到产品端，which means需要Master毕业的MLE把model写成代码，训练起来然后部署到不同的网页端和移动端。所以MLE是一个包容性很强的工种，本科生、Master、PhD都可以申请，只要证明自己的实力过关，engineering skillset和ML基础够强就没问题。
以上就是关于机器学习工程师的全部内容~在留学方面有疑惑的同学欢迎联系传兮留学的老师咨询~
