同级别的SWE薪资是不是比不了MLE

做到深入了你会发现mle需要具备两种思维：工程思维和数据分析思维。比如：在广告模型中，突然线上的calibration飘了，工程思维会指引到模型更新了么，什么时候更新的，且更新过程正常吗以及特征的pipeline和service是否正常等问题。在以上都确定没有问题时候，需要分析思维检查特征分布了；
再给一个例子：kpi总是要让模型更好的，现在要加特征A，能否建立预期估计一下这个特征A在进入模型前后的变化。如果预期带来影响不会很大，那这个Q你至少得move forward到别的方面吧，你至少避开坑了；
再深入一下，当你做到很重要的role的时候，还要具备对业务的深入，以及如何用是否该用模型来处理业务指标的关系，比如：处理gmv和revenue 的关系等，因为有时候公司在一定时期内会更关注GMV，有时候更关注revenue，有时候关注下单量，有时候更关注高价订单量。所以，得设计个模型能迎合老板的需求。
欢迎各位大佬友善指点哈。

MLE要卷起来了嘛？SWE转MLE难度怎么样呀？

匿名者 发表于 2022-6-2 00:58
问题是你理论基础不扎实，你怎么只要怎么选取好的framework？ 难道你是金主爸爸 钱就是多，欸，我就是枚 ...

感觉数学基础好，在卷顶会的时候优势比较大
感觉MLE可以分为有顶会paper的MLE， 例如李沐组
还有没有顶会的MLE，很多转行或者DS or SDE转的，ML功底和SOTA模型的认识没有那么深，重点还是Engineering 能力，pineline，infra之类的，当然phd做HPC或者distributed learning 的也有很多大神，发SC啥的，难度也很大，而且很hard core 相比某些水顶会的paper

沐神好像也是做distributed system出身，但ML功底深厚，偶像！

匿名用户 发表于 2022-06-01 21:53:11
张口就来？用GCN举一个例子。GCN本质是laplacian 矩阵。图的节点会因为其邻居节点改变自身的状态。这个状态的描述也是从傅里叶变换推到拉普拉斯。

你告诉我 模型没有本质？ 你学过数学？

这点东西，很难称之为“数学”…或者最多就大一水平数学😂

回到LZ标题的问题—并不是，也要看公司，🐶家5年+经验的L5 MLE TC35万的路过，每次看到meta的大包裹都非常羡慕。

匿名用户 发表于 2022-06-02 07:18:48
回到LZ标题的问题—并不是，也要看公司，家5年+经验的L5 MLE TC35万的路过，每次看到meta的大包裹都非常羡慕。

为啥不跳呢？感觉TC可以2x+

匿名用户 发表于 2022-06-02 07:48:43
为啥不跳呢？感觉TC可以2x+

沉迷于做手上的项目，经常一做就是很长时间😷虽然钱少，工作内容比较喜欢

brtt13 发表于 2022-6-2 09:17
这点东西，很难称之为“数学”…或者最多就大一水平数学😂

大二上吧，数分和线代学完就够了。
我也是数学出身的，但是感觉数学家和ML Researcher关注的东西和解决的问题完全不一样，数学家更注重设计精确的定义，把关系抽象化，从而把关系运用到其他看起来不相关但有内在联系的一类东西上去。实分析测度论，抽代范畴学，拓扑微分流形都是如此。ML还是以实际应用为导向的，硬要说的话可能和PDE比较类似？
ML Engineer就和数学更遥远了。