[讨论帖]欢迎大家深度探讨各路data scientist(analytics/inference/ML)优缺点

这个帖子的目的是欢迎各个track的data scientist分享自己在实际工作中的感受或观察到的其他DS的工作，比如有趣/无趣的地方，有挑战/无挑战的地方，优缺点等等，从而可以有所比较，找到适合自己或自己想做的事。因为有不少帖子分享各个track的DS的工作内容，需要的技能，这些我想大部分有经验的data scientist都了解了，所以我可能更想了解当真正在在实际工作中运用DS的时候大家的感受。希望大家不吝指教，分享下自己的看法。非常感谢！
本人做Data Scientist差不多4年，我们公司不像那几家大厂明确的track分类，所以更多的full stack，什么都做，另外因为我刚入职的时候在不同的组rotate过，所以算在几个track做过，就来抛砖引玉一下：

1. 我现在组的DS，是full stack的Data Scientist,基本一个项目是end-to-end，从跟客户沟通到做数据分析，建模最后implement到prod都是我自己完成，我觉得这不是一个典型的DS的日常，好处是我综合的能力比较强，什么都有锻炼，包括presentation, sales,到engineering, coding等，最主要的我觉得是快速学习的能力在我的工作中式比较重要的，因为我经常因为要做一个事情而从头快速的学习一个听都没听说过的tool,但我不知道以后还用不用得到这个tool，但是缺点是modeling本身不是那么复杂，也不会花太多时间在model比较上，很少用到deep learning。
所以现在不确定真正适合自己的track以及好上手的track是什么，因为要说偏analytics吧，我没有很多product analysis的经验，也没有A/B testing的实际经验，虽然我觉得这两个技能就准备面试来说还比较有规律可循，但不确定各个公司是不是很看重这个相关的工作经历。但要说MLE的话，我没有那么多经历和时间在搞ml上，tensorflow，keras真的也是偶尔才搞搞，不太熟练的，每次都要一边google，一边做。


2. 我以前在公司的一个AI组做过一段时间，主要做NLP方面的proj。工作内容主要是有一部分research,然后实现cutting-edge的model和论文，然后对几个模型作比较，在做POC，这个工作还蛮有意思的，是用到很多前沿的model,偏MLE，但我不需要在prod上面实现。这个工作我还蛮喜欢的，当时没觉得有什么缺点，一定要说的话就是POC完了，就像deliver到后续的mle或者什么的，所以工作内容就仅仅是model,research，做几个月觉得比较新鲜，时间长了我也不知道有没有意思。然后ml实现的话，也不怎么需要太多技术含量，就是用open source的github，遇到困难我就outreach to author。我感觉机器自己可以做机器学习，就容易被取代。

我之前有考虑做一些偏product和business一些的DS，因为我觉得ML调参的话这个工作好像比较容易被取代，请ML的DS们指教一下你们怎么想。但我没做过product/analytics的DS，不知道日常工作需不需要很多business,全局观等等思考什么的，如果只是程序化的工作，跑跑sql,或者inference，观测一下ABtesting结果什么的，会不会无聊？

目前不到三年工作经验。之前是跟楼主一样的DS但是工作内容偏modeling。也是从客户提需求开始一路负责到到做出end point嵌入客户组的product中。但因为是DS的原因，engineer heavy 的部分还是会交给别人来做。回到刚毕业的时候，因为教育背景的原因，一开始会觉得自己可能更适合于做analytics或者专注于metrics或者experimentation相关的工作，最好是用stats的方法解决各种问题。但这样的工作机会实在太少，尤其是对new grad，大概只有少数大厂有这样带有研究性质的职位。现在因为前一份工作经验是偏modeling的DS的缘故，又跳到新的公司做MLE，最近一直在学习并希望尽快补上相关engineer技能。虽说离一开始的统计专家的初衷越来越远了，但好处是在职业初期把各个角色都尝试一遍，或许能对整个DS行业有个全盘了解和整体把握。

萌女特别猛 发表于 2021-07-15 14:07:57
嗯嗯对的，那你转成MLE会感觉有点吃力吗？需要很强的engineer背景吗？以及你做MLE一段时间觉得工作方面有什么感受！内容重复吗？有意思吗

刚转成MLE不到一个月，还在熟悉各种工具。初步的感觉是以后的工作肯定是coding/engineering/design/documentation heavy。对自己的期待变成一个懂DS/AI的engineer，但首先得是一个engineer，所以一般engineer常用的工具会的东西肯定都得会。隐约感觉从DS到MLE这个转变过程绝对不会轻松。现在还谈不上工作有没有意思但肯定是很新鲜的感觉，所以也有动力每天去学习很多新的东西。最大的不同或许是以后自己得发现问题（而非依赖于客户）和initiate一个项目进而提出解决方案并最终完成部署和检验。而且绝大部分的idea/方向由自己主导以及大部分任务coding都是自己完成。总之，workload，scope，impact，challenge 肯定都会更大。等我真的开始做项目以后才会有更真实的反馈吧。哈哈 或许我可以开个帖子记录下ds到mle的转变过程

个人做的内容比较偏在CV领域的product/analytics，其实非常向往和羡慕你现在的end to end，就是我一直想去追求的方向。但是感觉工业界做久了都是刚开始那1-2年是个deep learning curve，之后也会是个flat，跟不同MLE也有过聊天，大家都觉得调参侠也很无聊，不管是不是有涉及DL都觉得最后没啥技术含量了。。。调参也是玄学。

但是DS的出路我觉得不仅仅限于这几个领域，如果想要走Mgr路线的话，我个人觉得还是全局观和strategic planning/thinking更加重要？所以我觉得像你这种end to end pipeline的经验很难得，希望我之后也有这样的机会！

Xiavi422 发表于 2021-07-21 20:39:10
支持层主有空时开个帖子记录下ds到mle的转变过程哈，谢谢楼主和层主的分享！

哈哈 多谢支持！我要好好记录下这段过程

Frances0412 发表于 2021-7-14 13:29
个人做的内容比较偏在CV领域的product/analytics，其实非常向往和羡慕你现在的end to end，就是我一直想去 ...

听起来你也是product但是也有deep learning?感觉也很多元的样子

棒楼主up一下upup

对end to end很感兴趣，请教楼主“implement到prod”有什么比较好的学习提升方法吗？

其实我觉得end to end更偏向MLE的活了，因为比如data pipeline，ML ops，model deployment都是很engineering的活。

ZeZheng 发表于 2021-07-15 09:51:49
其实我觉得end to end更偏向MLE的活了，因为比如data pipeline，ML ops，model deployment都是很engineering的活。

是的，我们的DS偏ML，但我觉得如果要转成MLE或者去做ML的DS还有点不够😂

dustbin 发表于 2021-07-15 09:31:26
对end to end很感兴趣，请教楼主“implement到prod”有什么比较好的学习提升方法吗？

我们用的是一个internal tool，又涉及到很多不同的东西，我就是看他们的documentation，然后一步一步试，然后遇到问题就slack找人问，没有什么具体的方法😅

普通人觉得end-to-end很累，除非是大牛否则很难每个领域都精。
推荐比较适合新手做一段时间full stack熟悉各个流程，然后选择自己擅长的或者喜欢的focus一个领域比较好。

sakuraori 发表于 2021-07-15 11:14:11
普通人觉得end-to-end很累，除非是大牛否则很难每个领域都精。
推荐比较适合新手做一段时间full stack熟悉各个流程，然后选择自己擅长的或者喜欢的focus一个领域比较好。

嗯反正我感觉我在做implementation的时候不是很喜欢，感觉太engineer，而且很繁琐。