будет архисложно или архи-голодно, вот Константин советовал в смежные инженеры податься. Что посоветуете из смежных (дата инженер, еще какой нить инженер - я уже в них запутался, четно говоря) что было бы максимально рядом с датасаенсом и предполагало ДС задачки помимо пиления инфры, да так чтоб не залипнуть сугубо в инфре?
я бы советовал смотреть в сторону дата или мл инженера, спрос большой, конкурс на вакансии маленький, удобный лайфхак, тут при хорошей сноровке и задач дс перепадет со временем либо дата аналист если ближе аналитика, а не пайплайны и вот это все ну либо топить за чистого дс, но тут хз, повезет ли и как скоро
А в чем отличие ML инженера от DS? Я вот учусь в ШАДе на DS и мы в основном ML и занимаемся 🧐
Блин, опять эта чёртова неизвестность, кто же такой этот чистый ДС и в чём он может запачкаться?
МЛ входит в ДС по идее, в целом дс это наука о данных, где цель это максимально использовать данные чтобы сделать из них полезное и мл это использование данных чтобы обучить машину. А так в ДС 4 таких отраслей кажется, где одной из них является мл
https://neptune.ai/blog/ml-engineer-vs-data-scientist
Вы откуда это вообще берёте?))это генерит нейронная сеть?)
Это условности, которые определены в данной статье. Они не распространяются на вакансии на hh.ru и в большинстве компаний
А не затруднит перечислить?
Data analysis, data engineering, data visualisation, ML/AI Это основные отрасли
если про экспериментальную часть, то у мл инженера меньше прелюдий с данными - корреляции там проверить или mutual information и прочее - лучший анализ данных для мл инженера - это метрики на разных моделях - все для реальной жизни и прода. А датасайнтист может находить некие паттерны, отчеты писать, при этом не исключено, что он no code data scientist в power bi или rapid miner или (далее по вкусу), а, значит, эти изыскания не всегда фиксируются в реальные обученные модели, и до прода вообще ничего не доходит (причем совсем не факт, что найденные паттерны в данных как-то помогут улучшить метрики относительно дефолтных кэтбустов). А если это еще и cv или nlp, detection object таски и далее по списку, но какие-то паттерны вообще не понятно где и как искать. Это сугубо мое мнение:)
т.е. ML engineer больше в код ударяется? И хотите сказать из-за такой небольшой разницы у DS из-за этого конкурс в 80 человек на место, а у ML engineer намного меньше?
дело не столько в коде, сколько в сущности R&D. Дата сайнтист больше на стороне R в термине R&D, а ml engineer больше на стороне D. При этом, мл инженер более универсален имхо. Потому что без глубокого анализа данных от дата сайнтиста он все равно сможет запилить работающий мл в прод, а вот дата сайнтист - не факт. При этом, из моего опыта, реальный бизнес-вэлью от части глубокого копания в данных есть только тогда, когда это не просто данные, а некий процесс, который требуется формализовать. Разработать фичи из процесса, а не генерировать фичи из фич. Вот в такой ситуации без анализа процесса (который могут делать не только дата сайнтисты, но и обычные аналитики вполне), результаты могут быть намного хуже. Но если фичи/критерии уже более менее ясны и есть, то большого профита из копания в данных для реальных моделей скорее всего не будет
Маленький спрос?) да-да
Смотря с чем сравнивать.
Ещё есть dev ops и ml ops
ну народ пишет 800 чел на место. имхо спрос не успевает за предложением, так, наверное правильнее выразиться?
Это среди джунов наверное на первую работу? Да кто ж их считает
а мне то как раз это и важно, так то уж)
Обсуждают сегодня