机器学习工程师与研究员之间的7个主要区别（包括薪水）

作者|Richmond Alake 编译|Flin 来源|towardsdatascience

包含有关薪资期望，工作量，可交付成果以及更多关键差异的信息。

介绍

人工智能是当前一个有趣的行业，机器学习从业者现在是“酷孩子”。

但是，即使在“酷孩子”中，机器学习从业者群体之间也有明显的区别，更具体地说，是研究解决方案的人和设计解决方案的人之间的区别。话虽这么说，但这种区别并不那么清晰。

本文旨在揭示机器学习研究员和ML工程师角色之间的一些关键区别。突出两个角色之间的差异可以使您获得做出更好的学术和职业选择所需的信息。

在继续进行之前，需要注意的是，我使用术语机器学习工程师和研究员作为以下角色的总称：

计算机视觉工程师/研究员
自然语言处理工程师/研究员
数据科学家

关键差异

1.工作角色描述

机器学习工程师角色的主要工作为在已实现的软件/硬件解决方案中实现机器学习算法和模型。

机器学习研究员角色的主要工作与机器学习中特定学科领域的发展有关。

2.学术背景

ML研究员通常有博士学位。他们往往是具有较强学术和研究背景的人。他们还拥有与计算机科学相关主题的高级学位。大多数ML工程师拥有硕士学位，只有少数ML工程师拥有博士学位。

为了了解ML工程师和研究员的学术背景，我使用了LinkedIn（https://www.linkedin.com/）。浏览了许多职位名称中有“机器学习研究员”，“机器学习科学家”或“机器学习工程师”的个人资料。

3.交付物/最终产品

ML工程师的可交付成果通常是带有机器学习模型的工程解决方案，该模型能够以自动化、高效或创造性的方式执行一组任务。对于ML工程师而言，最终产品或可交付成果可以是一种软件，其中的功能由机器学习方法提供支持。

鉴于ML研究员的可交付成果往往是一篇写得很好的研究论文，其中包含为实现特定机器学习相关任务中的性能/准确性的特定进步或改进，和实验和调查研究的详细信息。 ML研究员的最终产品将是对新发现的发现，改进或分析的有记录探索，然后提交并被国际会议和科学期刊接受。

4.工资

薪水可能是许多读者最感兴趣的关键区别。

机器学习从业人员的需求量很大，这与机器学习相关的职位提供的薪水反映了这一点。例如，《纽约时报》的这篇文章提到了顶级AI研究员的薪水超过100万美元。显然，在高要求的行业中，前0.01％的个人中有很高的薪水。

在英国，从2020年4月3日开始的六个月内，机器学习研究员的平均工资（https://www.itjobswatch.co.uk/jobs/uk/machine%20learning%20researcher.do）为 57,500英镑。

另外，同期的机器学习工程师（https://www.itjobswatch.co.uk/jobs/uk/machine%20learning%20engineer.do）的平均工资为68750英镑。

因此，在英国，两个ML角色之间有10,000英镑的利润差异。

根据LinkedIn的ML研究员的平均基本工资（https://www.linkedin.com/salary/machine-learning-researcher-salaries-in-united-states），在美国是 $143,000（110 ML研究员）。

对于美国的ML工程师（https://www.linkedin.com/salary/machine-learning-engineer-salaries-in-united-states）来说，这个数字减少到$ 125,000，但其中包括来自900多个ML工程师的更多数据。

就我个人而言，根据对我在AI行业研究和合作过的人员的观察，金钱动机不是主要的。接触和了解知识的机会似乎对我这个团队（包括我自己）更具吸引力。简单来说，年轻的机器学习工程师可能更在乎吹牛的权利和影响力，而不是金钱上的激励。不管薪水是否高昂，谁不想成为FAANG公司（https://www.dictionary.com/e/acronyms/faang/）之一的机器学习工程师或研究员？不要认为统计数据不能反映该行业的真实平均薪资，应将其用作指导而非绝对事实。

5.工作/项目范围

ML工程师需要看到更大的图景。ML研究员需要更专注的视角。

软件工程是一门学科，需要了解与产品，过程或管道相关的组件。这一点至关重要，因为工程师要负责集成多个组件。

以下是典型的ML工程师在项目期间要解决的一些问题：

了解ML模型使用的数据格式
了解从数据源收到的数据格式
实现与数据池和数据库的连接以存储和访问数据。
了解最终产品将使用的环境，因为这可以决定分配的资源级别，以确保高效的运行时间和最佳的运行能力。

另一方面，ML研究员的工作范围往往非常明确。ML研究员需要非常专注。

ML研究员无需担心ML模型或算法在各种环境中的性能如何。ML研究员的工作往往非常注重问题和具体。通常情况下，他们的任务是寻找解决问题的新方法或提高以前设计的解决方案的性能和准确性。

6.工作角色要求

对于ML研究员的工作角色描述和要求是精确的，并且侧重于机器学习的特定领域。 ML研究员的典型职位要求包括：

机器学习平台和库的知识，例如TensorFlow，PyTorch，Keras等。
能够进行文献综述并以精心编写的研究格式呈现报告和实验结果，以提交会议或科学期刊
机器学习中特定领域的可靠知识，例如概率模型，高斯过程，强化学习等
深刻理解机器学习中的基本主题，包括理论知识

ML工程师的典型职位要求包括：

了解云计算服务，例如Google Cloud Platform（GCP）（https://cloud.google.com/）和Amazon Web Service（AWS）（https://aws.amazon.com/cn/）
熟练使用Java，Python，JavaScript等语言进行编程
具有将机器学习模型部署到生产环境中的经验
体验在边缘设备（例如手机）上部署机器学习模型的经验
能够实施，评估和测试针对常见问题（例如目标检测，语义分割和图像分类）的最新解决方案
能够从已发表的研究论文中提取关键细节和信息，并将发现结果传达给项目涉众。
具有实施数据挖掘脚本的经验。

7.重叠的部分

ML研究员可以进行工程设计，而ML工程师也可以进行研究。

成为一名机器学习从业者还意味着精通现代的软件库和硬件。机器学习本身（如果涉及多个学科）和职位通常不能完整地描绘角色。

为了说明我的观点，ML研究员可以在实际研究和工程设计之间分配70/30的比例。ML工程师通常在工程和研究之间的距离为70/30。

我可以证明，在ML工程师的研究和工程之间是可以分开的，因为在我目前担任计算机视觉工程师的职责范围内，我花费了大量时间将ML模型工程到解决方案中，例如网站或移动应用程序。同时，我花了很少的精力来搜索PaperWithCode（https://paperswithcode.com/）或ReseachGate（https://www.researchgate.net/），以查找针对我要解决特定问题的已发表研究论文。

结论

本文中没有提到一些差异，在Google的快速搜索会提供相应的结果。无论您选择追求哪种职业道路，都必须承认以下事实：这两个角色都需要大量的时间和精力才能获得，但要明白努力是有回报的。

原文链接：https://towardsdatascience.com/7-key-differences-between-machine-learning-engineers-and-researchers-salaries-included-b62c3aaebde9

欢迎关注磐创AI博客站： http://panchuang.net/

sklearn机器学习中文官方文档： http://sklearn123.com/

欢迎关注磐创博客资源汇总站： http://docs.panchuang.net/