как попасть на инженерную роль, связанную с ML/AI? рассказывает ML-инженер в Isomorphic Labs Дисклеймер: Из прошлого импровизированного опросника видно, что многим интересно, как попасть на инженерную роль, связанную с ML/AI. В первую очередь давайте обрисую, чем ML-специалисты обычно занимаются. Думаю, это будет наиболее полезно для тех, кто подумывает о том, чтобы попробовать себя в этой сфере. Писать об интервью-процессах в общем посте, мне кажется, не имеет большого смысла, потому что, исходя из моего опыта, они все еще плохо стандартизированы, и нужно ресерчить то, как интервью выглядят в определенной компании. Ну и еще один дисклеймер: чтобы не растягивать этот пост до хронометража фильмов Кристофера Нолана, я прибегну к довольно серьезным упрощениям. Из моих наблюдений за 7 лет, всех людей, работающих над ML, в зависимости от их фокуса, можно условно разместить внутри треугольника с вершинами: Research, Software Engineering, Data. 😊 Люди, которые находятся ближе к вершине ML Research, в основном работают над улучшениями моделей. Day-to-day они твикают код модели и тренировочного цикла и ранают эксперименты, чтоб GPU всегда делали brrrrr 🔥. Анализируют полученные данные, решают, какие метрики трекать, думают над гипотезами для новых экспериментов — и всё по кругу. 😊 Ближе к Software вершине мы можем встретить людей, которые работают над написанием фреймворков для массивных распред. вычислений, оптимизацией и скейлингом тренировочных циклов, инференсом с низким лейтенси и инфраструктурой. Если обобщить, тут люди большую часть своего времени проводят над крафтом «тулзов», чтоб другие могли гонять как можно больше экспериментов за меньшие 💸, или работают над интеграцией моделей с другими системами компании. 😊 Data. Люди, которые находятся ближе к этой вершине, работают над пайплайнами, которые агрегируют, чистят и процессит MASSIVE data. Также тут занимаются оркестрацией и релайабилити этих пайплайнов, чтоб данные всегда были свежими, как булочки в немецкой бэккерай. Вот как-то так. Очень упрощенный треугольник ML-инжиниринга. Но главное: мало кто находится очень близко к одной вершине и остается там надолго. Большинство людей, которых я встречал, — мультидисциплинарные (находятся ближе к сторонам треугольника или даже к центру) и путешествуют по нему в зависимости от того, где нужно принести импакт в текущий момент. Еще один интересный вопрос — это как обычно попадают в профессию. Вообще, каждый случай уникальный, и общие советы обязательно упустят важные детали. Но если отбросить самый дефолтный вариант — университет с направлением в ML — одна, наверное, очевидная стратегия, которая не хуже (но и, возможно, не лучше) других, — это как раз попасть в этот абстрактный треугольник через одну из вершин. Если вы software engineer — попробовать найти позицию в ML- или Data Platform команде. Если вы уже в Data — попробовать найти проекты, где нужно будет помимо пайплайнов делать простой статистический анализ на готовых данных. Если вы ресерчер в смежной дисциплине — попробовать применить ML к проблемам, над которыми вы работаете (хотя, если честно, я буду очень удивлен, если вы еще этого не пробовали 😅). ___ Примечание от автора: Привет, меня зовут Макс, я ML-инженер в Isomorphic Labs. Автор канала любезно согласилась дать мне написать тут пост (за что ей большое спасибо). Если интересно и хотите больше похожей информации, приходите: https://t.me/softmaxFn. Там же расширенная версия этого поста с кор-квалификациями и примерными тех стэками.