猿族星球DATA岗之等级划分：DL Monkey >ML Monkey >DS Monkey >SQL Monkey

一亩三分地里有同学发帖说：

听了很多留学培训机构讲座，听上去DS很有前途。。。感觉转DS做data scientist（data scientist我默认是做机器学习，会涉及到统计知识，但是我看过一些面试题，本科期间学的统计知识基本够用。面试拉差距主要还是机器学习和算法）会比直接转CS平稳。到研究生快结束找全职前，我已经有三份美国中小公司实习经历，两份机器学习相关，其中一份是Data scientist Intern。。。简历关全跪。无心插柳投的软件开发，倒是收了很多面试，最终我个人是软件开发上岸，认识的人没有数据上岸或者机器学习上岸的。我曾经在招聘网站上搜索关键字，软件开发岗位是数据科学岗位的五倍还多。另外，数据科学家岗位学历普遍要求更高。

Data Science是个很宽泛的概念，沾边的岗位和专业都跟多，很多说法也很模糊，比如这位同学提到的 Data Science = Machine Learning，相信工业界人士不会赞成；以及学DS的、学统计、学CS的、学EE的，都有人做ML，但是大家说的可能不是一回事。

在这里，Warald做个划分，帮助大家理解：当我们说DS、说ML的时候，我们说的是什么职位？


《1》Machine Learning Engineer

公司里很多做ML的职位叫 Machine Learning Engineer，可以认为是 Software Engineer with a specialization in Machine Learning，换言之，MLE跟mobile, front end一样，可以理解为是SDE的一个track。面试当然要刷题，最对口的专业当然是CS。

就工作内容而言，只有硕士学位、工作经验也不丰富的MLE，一般做不了model和算法，大多做的是实现。很多EECS PhD，做的也不是建模，依然是ML system development。

有的公司里也有专注做ML建模的组，一般要求phd，但是这样的职位很少。



《2》Data Engineer

data engineer这个title在不同公司意义不同。

有的是SQL，论收入 SQL << Data Scientist < SDE。

有些公司里，data engineer做data pipeline/platform/infrastructure的开发，是个软件开发的工作，跟MLE、mobile、 front end一样，也可以认为是SDE的一个technical track，这种职位我们称为DI（Data Infra），其收入当然跟SDE看齐 - 所有的SDE technical tracks应该都是同一个收入标准。



《3》Data Scientist

data scientist 情况更加复杂和混乱。

DS里最高端的是职位俗称“建模”，但公司里哪有那么多模型给人建？职位太少了。所以，学统计、学data science专业的同学们，找建模的工作非常难，即使有PhD。

在很多行业、很多公司，DS其实只是 data analyst or market/business analyst，无非是给了个好听的title。工作内容SQL为主、写点简单的R或者python就算高难度技术活了。这些是DS里的低端职位。尤其是非互联网公司，基本都是此类职位。

搁在中间的DS职位，在互联网公司里俗称 analytics。

在facebook， DS是二等公民，因为收入比 SDE低一级，也就是说， DS的level 5，收入参考SDE level 4。一亩三分地每日答题里有一道题目，就是针对这个情况设计的。

但在Airbnb， DS跟SDE同等级同收入。

在这两家，DS做的事情其实是类似的。既然类似，为什么A家地位高？DS们可以设计metrics来衡量一个产品的impact，但是DS工作本身的impact是很难客观衡量的，所以全看公司领导们怎么看待。

现在analytics待遇最好的地方，应该就是Airbnb了。你会看到不少人在FB工作几年去Airbnb，那怕在表面上是平级移动，比如 FB DS 5 -> Airbnb DS 5，用收入衡量，其实是 FB SDE 4 -> Airbnb sde 5，跳槽涨钱了。

去Airbnb做DS = 从各种公司去FB/Google做SDE。

无论FB还是Airbnb，都不怎么招 new grad，因为analytics最好懂有实践经验，工作内容不是 ”用某个统计方法解决某个问题“，而是诸如：

• Facebook打算给用户的发text notification 告诉他们close friends 的Update, 如何评估这个feature 值不值得加？
• 一亩三分地是否应该上每日答题这个feature？如何衡量其影响？
  

现在的data science项目课程应该没有哪家是解决以上问题的吧？然后学生们一脸懵逼，不知道怎么解决此类问题。只能去做低端的analyst，给个数据集写SQL，close ended questions更容易handle。



《4》未来的方向

Data Science：

个人感觉今后趋势是往FB靠近，往Airbnb远离。当然，这个还是要看公司、看职位，如果是一个写的了代码、做的了分析的人，其实是非常宝贵的。相信会找到适合你的职位。


ML：
. 1point 3acres
最牛逼的人，会逐渐集中在Deep Learning。DL和ML是不一样的。Linkedin有很多MLE，它家的MLE质量很棒，但是大部分人不做DL。做DL比较多的行业，比如无人车 – 无论无人车啥时候落地，DL总归是技术前沿。

Software Engineer 里的track：Data Infra和 Machine learning 甚至前些年Mobile，都曾经出现过短时间的人才缺口，也都迅速填上了。MLE前两年奇缺，很多人公司也提供内部training，帮助员工做ML，坑逐渐填上了。DL门槛高很多，估计填坑速度会远比ML慢。DL Engineer目前很抢手。有机会入行的同学，应该毫不犹豫跳进。


总结：

• DL monkey 是monkey中的monkey，拥有跟多个公司配对的权利。
• ML monkey、DI money，跟mobile monkey, front end monkey等，作为主流，身强力壮者，也有跟多个公司配对的权利。
• Analytics monkey，R monkey，市场需求会一直在，但在猿族星球里会逐渐变成 second class monkey，憧憬着可以去圣地Airbnb。那里据说香蕉很多，鸟语花香，还跟 engineer monkey平权。
• SQL monkey 是最不值钱的monkey – actually，猿族里很多人认为SQL非我族类，也好意思叫monkey？
  

作者：一只名叫Warald的老monkey~~

搞data 并且跟SDE同pay 的是data infra. 因为那也是infra

绝大部分公司里data eng 过不了data infra 的代码和设计面。

data infra 应该不会使劲考SQL。应该构架为主。

回楼主对L家model的评论。从KDD15开始，L家的各个ML驱动的产品线都开始deploy deep+wide model。说l家不做deep learning是不正确的。

第二个需要厘清的问题是，AI, ML, DL的概念范围。DL是ML的一个分支，ML是AI的一个分支。说DL和ML是不同的，就外行了。

无人驾车驱动的核心model是应用于CV的model（一般都是各种CNN），这也是最常用的deep model之一。但deep learning远远不仅仅只有这个方向而已。

NLP是L家最重要的topic，我们有大量的deep model例如sequence model(LSTM, GRU) 应用于ranking，translation，normalization, representational learning. 这些不是DL，哪些算是DL？


DL不是ML的全部，还有RL，还有Statistical learning。 DL绝对不是super hammer, 有他应用的背景和场合。加上DL本身hyper param难以训练的问题，经验非常重要，这大概是DL人才还比较稀缺的原因吧。

另外我很好奇，每个人都跑去做无人车才算是DL么？需要那么多人么？

个人觉得ds对于个人综合能力的发展还是很有用的。可能很多人complain这个track的主要原因还停留在pay相对于sde来说略低一点。但不同公司也是不一样的，不同组或许也不同。如果一个公司或org是ds driven，但留给ds创造impact的机会还是挺大的。至于w说的很多时候impact无法衡量…我觉得衡量impact也是ds挺擅长的事情。我们组动不动就broadcast我们的model save了公司xxM…我自己都觉得不好意思…

整个thread浏览下来，感觉大家或许对sql or sql monkey有点误解。写好sql并不容易…写好一个highly efficient的queries也不是简单的事情。更何况就算是建模为主的ds面试里，如果sql不行，基本上是拒。因为建模需要做feature table，而大多数时候不会有dedicated的DE帮你建table，就算有，你也不放心别人做。所以sql是基础，没有的话 肯定很难做成任何类型的ds，当然伦比重的话，sql顶多占10%（建模导向型ds）。

回到之前的话题，为何我说ds可能或许是个不错的track，至少对于一部分人来说。主要因为这个职业要求的技能多啊！拿我们组的面试来说，coding需要eng电面水平，ML要好，query要会写，communication能力要出色等等（我绝壁会fail，如果让我再走一遍面试…）。而且在实际工作的时候，在project前期需要很多communication和stakeholder management的技能，这些机会对于软性技能的锻炼真的是非常有效。project敲定下来后，又要有能写RFC把整个project给scope好，具体到每一个步骤，这里能锻炼的东西就多。等scope完，很多时候就是你一个人完成所有scope好了的步骤，包括 找feature，写逻辑做data engineering，测试不同api以及调整参数，再offline以及online test，最后还花精力写一个漂亮的ppt，还没完…还要能convince你的stakeholder去用。然后从头到尾顺利执行下来，有需要很强的leadership能力去coordinate以及处理dependency和conflicts的能力…

做个优秀的ds还是挺难的…

没做过sde的活，但至少在工作内容的多样性上来说，ds应该是胜过sde，以及大多数其他职业。






求大米……

如果早两年看到这个就不会被坑了。当年挤破头去面DS，不去刷题，因为看到大家都说这是当前最sexy的工作。结果到头来还是做二等公民，杂活一大堆，也没有什么明确的career path.

顶站长！

很形象！

有启发！

默默同情 SQL monkey~

感谢楼主分享 非常有用 想请问楼主 在马上要读analytics相关的master的情况下 应该如何定位和学习呢 应该侧重于sql, algorithms 还是ml/dl 同时frontend还应该继续精进吗（我本科和master都跟software无关） full stack只是因为兴趣学习 我的ultimate goal就是找到工作

补充内容 (2019-5-21 08:10):
应该走软件开发的道路还是跟着grad school 走data science

顶站长，不知道Google的ds，engineer算是哪一类呢？介于2，3之间还是属于特别的一类？

哈哈 不知道苦逼的etl pipeline monkey属于哪一个，感觉被渐渐淘汰了，然后现在的de也在慢慢的sql化

DA monkey呢

半个sas monkey