以下是所有机器学习工程师都具有的共同特质，以及在聘用机器学习工程师时应该注意的事项：
他们精通分布式系统架构。大型数据集、并行数据处理和分布式训练是机器学习任务的基本要求。了解如何有效利用存储、网络和计算资源可能会大大加快流程并降低费用。
他们将 ML 解决方案分解为模块化框架。模块化对于实现机器学习系统至关重要，就像在软件开发中
一样它允许团队成
员快速处理特定部分，并促进未来项目或其他团队的可重用性。
他们了解测试的重要性。从验证输入数据到模型性能再到集成代码，顶级 ML 工程师将在 ML 生产流程的每个级别进行彻底的测试。
他们始终担心安全问题。由于自 纳米比亚电话号码数据 动化，大量复杂数据在云端处理和管理，AI 和 ML 技术带来了一系列新的安全威胁。ML 工程师必须以安全心态对待 ML 开发，确保所有训练数据、工具和通信路线都得到适当的保护和维护。
他们具有出色的沟通技巧
由于 ML 工程师身处多个领域的交叉点，因此高效的沟通至关重要。他们必须向各种项目利益相关者（包括数据科学家、开发人员、经理和业务用户）传达从状态到危险再到权衡的一切信息。
他们知道“足够好”意味着什么。机器学习系统中的许多事情都可以改进和自动化，但检测工作量是否超过回报至关重要。
优秀的机器学习工程师
会密切关注项目的目标和目的，他们知道何时结束工作。他们通常会通过转向下一个模型而不是花费必要的时间来完全适应当前模型来获得更好的投资回报。
他们表达清晰。同样，当 ML 工程师 害怕外包？阻碍你成功的迷思 需要以内部为中心的工具和生产力改进时，他们应该说出来。公司一直希望尽快推出新功能，但经常缺乏实现这一目标的工具和流程。一个 ML 模型需要大约 1-11 周的时间才能部署，26% 的从业者认为延迟是由于缺乏高管支持造成的。ML 工程师需要对可能不会立即产生回报但从长远来看可以提高生产力的领域提出艰难的支出要求。
他们适应能力强。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。要交付项目，您必须快速转变策略以克服障碍，而不会感到沮丧或忘记最终目标。展示工具的多功能性也是一个加分项。ML 工程工作还需要具有一些流行框架和库（例如 TensorFlow、PyTorch 和 sci-kit learn）的经验。
他们好奇心强善于解决问
事情难免会出错，最优秀的机器学习工程师必须打破常规，解决机器学习、数据和软件方面的难题。有时，看似数据科学的问题（误报）实际上是机器学习管道上游的 btb 目录 细微问题，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潜在原因，并有耐心不断提出问题。
他们态度谦虚。我们的环境不是一成不变的，人工智能正在快速变化。我们努力记住，我们在不断学习，虽然将产品认证为完美无瑕是一个无法实现的目标，但我们可以不断改进。
例如当谷歌从我们
的 Cloud Vision API 中删除性别标记时，机器学习工程师必须随着时间的推移做出复杂的判断。从内部和外部来看，这些转变可能很难解释，但优秀的机器学习工程师尊重现代技术的复杂性。普通的机器学习工程师与优秀的机器学习工程师的区别在于他们对各种输入的渴望以及他们建立支持性氛围的能力。
结论：
当您聘请机器学习工程师时，您应该明白，聘请专家并不是成功 AI/ML 项目的唯一标准。成功的 ML 计划需要来自非 ML 工程师但具有敏锐商业头脑且在工程之外拥有统一愿景的人员的意见。虽然工程知识在 AI 中始终必不可少，但组织必须创建允许每个人（无论是技术人员还是非技术人员）参与将项目从测试转移到部署 AI 的程序。