2、机器学习运维（MLOps）入门指南

机器学习运维（MLOps）入门指南

1. 机器学习工程师与 MLOps 的崛起

机器学习（ML）在全球范围内的广泛应用，催生了对构建 ML 系统的系统化、高效方法的需求，进而导致了对 ML 工程师的需求激增。这些 ML 工程师正将成熟的 DevOps 最佳实践应用于新兴的机器学习技术中。

1.1 不同云厂商的认证

各大云厂商都针对这些从业者推出了相关认证：
| 云厂商 | 认证名称 | 认证描述 |
| ---- | ---- | ---- |
| Google | 专业机器学习工程师认证 | 设计、构建并将 ML 模型投入生产以解决业务挑战 |
| Azure | 微软认证：Azure 数据科学家助理 | 运用数据科学和机器学习知识实施并运行机器学习工作负载 |
| AWS | AWS 认证机器学习专家 | 为特定业务问题设计、实施、部署和维护机器学习解决方案 |

1.2 数据科学与机器学习工程的区别

可以从科学与工程本身的角度来考虑数据科学与机器学习工程的区别。科学侧重于研究，而工程侧重于生产。随着机器学习从研究领域走向实际应用，企业渴望在人工智能和机器学习方面的招聘投资能够获得回报。

2020 年底，数据科学家、数据工程师和机器学习工程师的中位数薪资相近。2020 年第四季度，LinkedIn 上的招聘数据显示，提及云技术的工作有 191K 个，数据工程职位有 70K 个，机器学习工程职位有 55K 个，数据科学职位有 20K 个。

1.3 衡量机器学习工程成功的指标

衡量组织中机器学习工程举措成功的方法有两种：