机器学习工程师与软件工程师的区别是什么？

截至2020上半年，软件工程已经激增，在国内拥有超过500万名员工，并且预计增长不会放缓。接下来就是机器学习工程师，解决自动化或决策问题。

机器学习是一种在不确定的情况下做出决策的研究：给定训练数据集，当看到新事物时应该如何行动。

鉴于机器学习（尤其是深度学习）在整个行业中的普遍性，越来越多的工程师每天都在部署这些工具。使用深度学习可为公司带来巨大利润的工具列表实际上是无止境的：搜索推荐，语音到文本，语音助手，面部识别，广告等等。

实现这些模型与构建大型分布式软件系统的角色有何不同？心态相似，但专业不同。

软件工程-建立数据 络

数据流是任何大规模软件项目的关键。工程师必须选择正确的算法以在本地设备上部署，使用哪种语言开发（以及他们使用哪种语言）以及软件堆栈中的多少层。

软件工程师最终将在语言，数据结构和算法领域工作。

软件工程师最致命的一点：偏执于自己编写的系统的复杂性。

Python开发人员环境

好的软件工程项目最终将使机器学习的任务更容易。数据将更容易获得，而且对于产品迭代和价值也将更加统一和提升。

机器学习工程-建立知识 络

机器学习工程师正在提取记录的知识（数据）并创建决策边界。决策边界通常是非线性的，并且通常难以解释（例如交易代理或机器人计划程序），但是它们本质是由数据告知的决策边界。

机器学习工程师在模型，部署和影响方面进行思考。

机器学习工程师的不足之处：将他们的贡献集中在过多的层次结构和工具中。

在调查实施方案时，其他机器学习者希望能够以模块化的方式提取和镜像有用的代码，从而实现快速发展。我试图利用多个内部被困在太多层中的最新项目，以采取下一步措施，使它们在现实世界中具有规模影响力 ——这就是为什么简单至上的原因。

各种模型的集合。（1）高斯过程，适合物理优化的设计变量；（2）用于预测Lorenz系统（经典混沌系统）的深度动力学模型，以及（3）用于预测长期机器人轨迹的不同类型的深度神经 络。

简单至上

这两个工程角色都利用了在数字域中进行迭代便宜且快速的特质——每个边缘用户以低成本增加了高价值。这样一来，最简单的方法往往会占据主导地位，因为它们是如此普遍——简单的方法在学习中具有更好的通用性，在软件中具有更好的接口。

就像最好的软件工程师一样，最好的机器学习工程师将具有创造力和效率。

最好的工程专业学生不会在给出的建议框内进行优化，而是寻找可以完全改变游戏本质的裂缝。在软件工程中，即使用新工具和数据结构的形式，在机器学习工程中，将调整新的模型类型或如何部署它。我怀疑随着软件工程的自动化程度越来越高，机器学习工程师将推动许多有意识拓展AI的公司发展。