者认为延迟是由于

bives58901@tupa

单个 ML 模型的部署大约需要 1-11 周，26% 的从业缺乏高管支持造成的。机器学习工程师预计会在一些领域提出困难的支出请求，这些支出可能不会立即得到回报，但从长远来看会让他们提高生产力。 他们适应性强。机器学习计划可能会遇到各种问题，例如获取足够的数据或开发的模型不够精确，无法满足业务需求。为了交付项目，您必须快速改变策略以克服障碍，而不会感到沮丧或忽视最终目标。展示出的工具多功能性也是一个优势。ML 工程工作还需要具备一些流行框架和库（例如 TensorFlow、PyTorch 和 sci-kit learn）的经验。

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。