他们是好奇且有效的问题解决者。事情不可避免地会出错,最优秀的机器 加拿大手机数据库 学习工程师将不得不跳出框框来解决机器学习、数据和软件方面的困难。有时,看似数据科学问题(误报)实际上是机器学习管道上游的一个微妙问题,导致了不良结果。优秀的机器学习工程师必须能够轻松地检查各种可能的根本原因,并有耐心不断提出问题。 他们的态度很谦虚。我们的环境并不是一成不变的,人工智能正在快速变化。我们努力记住,我们在不断学习,虽然证明产品完美是一个无法实现的目标,但我们可以不断改进。举个例子,当谷歌从我们的 Cloud Vision API 中消除性别标记时,机器学习工程师不得不随着时间的推移做出复杂的判断。在内部和外部,这些转变可能很难解释,但杰出的机器学习工程师尊重现代技术的复杂性。
普通机器学习工程师与优秀机器学习工程师的区别在于,他们对各种输入的渴望以及建立支持性氛围的能力。 结论: 当您雇用机器学习工程师时,您应该明白,雇用专家并不是 AI/ML 项目成功的唯一标准。成功的 ML 计划需要来自非 ML 工程师但具有敏锐的商业头脑和工程之外的统一愿景的人员的意见。虽然工程知识在人工智能中始终至关重要,但组织必须创建允许每个人(技术人员和非技术人员)参与将项目从测试转移到部署人工智能的过程。