MLOps 工程师是什么角色？未来有前途吗？

MLOps是AI时代的运维体系，是AI的基础设施，目标是简化整个组织的流程，实现全自动化，从而能够让机器学习团队更轻松和方便的提高效率。

MLOps具体的定义，知乎上有很多问题和解答，就不多阐述了。今天主要从人的角度做一些解答。

在一个AI团队中，往往或多或少有这么几个角色：

• 业务专家（或者叫主题专家）：提供构建模型的业务目标，问题或者KPI，并能评估模型实际在业务中应用的效果。
• 数据科学家：构建模型来解决业务专家的需求，设计和交付模型，评估模型结果。
• 数据工程师：协助科学家处理数据以支持AI模型，当业务较小时候往往不需要过于专业的数据工程师，但当数据量变大的时候，专业的数据工程师非常有价值。
• 软件工程师：将ML模型集成到公司业务的应用或者系统里，保证整个机器学习的无缝协作和自动化。
• 运维：执行和构建系统的安全性，优化性能和可用性，CI/CD的pipeline管理，使公司更大规模的Devops策略的兼容。
• 模型风控/审计：常见于金融模型领域，让模型合规，合法，降低风险。
• 架构师：基于业务，公司架构，ML管道来构建整个模型的架构，考虑资源

以上是严格意义上的分工，但实际上只有巨头公司才会分的这么细，大多数中小型企业，往往都是身兼数职。

简单来说主要是三类：1 业务 2 数据/模型 3 工程。

题主所问的MLOps工程师，应该是聚焦于工程领域的“架构师+运维+软件工程师”，可能还需要有一些模型构建能力。这也恰恰是目前传统coder可以去进化的方向（毕竟数据方面的研究需要专业知识和算法研究，也没那么容易转型）

一言以蔽之，MLOps工程师就是构建、维护和优化AI解决方案的人员，确保算法按预期执行。

这个岗位需要相对全面的技能，包括数据科学，软件工程和业务知识，所以也在国外大厂越来越吃香。

MLOps工程师和数据科学家的边界在哪里？

在我们的实践中，发现实际工作里两者是有非常多的交叉部分的，但仍然有着较大的差别：

• 数据科学家通常主要工作是思考怎么做，做什么，而不是实际去实施。MLOps工程师更多考虑的是实施的问题
• 数据科学家的核心工作目标是开发新模型和算法来解决特定的问题，包括很多测试和研究工作。MLOps工程师则要更多的在生产环境中运行代码，以可用的方式去实现模型和算法。

MLOps工程师要专注于实施和维护公司产品的模型/算法的基础设施，包括：

1、监控系统性能

2、提高改进办法

3、出现问题时候的调查和解决

4、实际的调参，更新数据，提高模型性能。

简而言之，数据科学家和MLOps工程师的合作关系更像是“学校-企业”合作的关系，学校负责研究，企业负责成果转化到投入市场。

那么MLOps有前途吗？（这也是星鲸招小伙伴时候遇到最多的问题）

总体来看还是未来几年上升趋势的，尤其是越来越多公司开始使用AI的情况下。

我们有一个大胆的论断，未来的最广泛公司可能不需要或很少需要数据科学家，毕竟不是人人都有巨量的数据集，数据科学家这个角色可能更多的会被平台化。模型的训练会更加专业。

而大多数企业只需要“会用”就行了，这也恰恰是MLOps工程师的领域。

目前来看，我们简单调查美国和中国MLOps工程师的薪资待遇情况，也希望能够帮助有志于此的小伙伴考量。

在glassdoor上，MLOPS相关职位的平均年薪是177213美元，百万人民币了，base pay也是13万刀。这有一部分原因是LA有非常多的金融机构，而金融类公司对AI大模型需求程度是非常急切的，而且最重要的是，他们有钱。

像Sanjose这样的城市会稍微低一点，但也169545美元平均年薪。

这是远比普通工程师要高的，但这里其实也是因为MLOps需要的技能点太多了，并不是一个很好的入门职业，而更像是有丰富经验的工程师涉足AI后的统称，那近20万刀的年薪就不出奇了。

然后看看中国的，中国的招聘网站目前目标十分明确就要招mlops工程师的相对较少，这是因为大多数公司还没有明确的提出MLOps的概念，所以本身可能干着MLOps的活但实际上title依然是python工程师，数据工程师等等。

不过还是有些参考

隐去了一些具体的信息，我们可以看到能明确提出来就要招MLOps工程师的企业，给的薪水都是非常丰厚的，无论是科技公司还是金融公司。

具体职位也要具体分析，但毫无疑问，总体上看还是非常不错的。