Представьтесь
Я Мэтью Тайсен, старший инженер по операциям машинного обучения (ML Ops) в Kensho Technologies. Я работаю в Кенсё уже 4 года. Я стал инженером ML Ops благодаря внутренней мобильности. До ML Ops я был инженером по машинному обучению, разрабатывающим модели. Раньше я работал специалистом по данным в интернет-медиакомпании.
Чем вы занимаетесь в качестве инженера по эксплуатации машинного обучения?
На высоком уровне ML Ops превращает машинное обучение из искусства в науку. Компании все чаще используют машинное обучение для повышения эффективности своих продуктов, но это усложняет процесс. Сложно управлять кодом, а также данными, которые генерируют модели машинного обучения. В разработке программного обеспечения такие методы, как модульное тестирование, контроль версий и непрерывная интеграция, повышают точность и надежность. ML Ops привносит тот же блеск и профессионализм в машинное обучение. Думайте об этом как о DevOps для машинного обучения.
Как инженеры ML Ops, мы выступаем в качестве моста между инфраструктурой и командами машинного обучения. Большая часть нашей работы заключается в выявлении или создании инструментов и их развертывании с учетом базовой технологии и потребностей наших пользователей, наших инженеров по машинному обучению.
Как вы начали работать в этой роли? Всегда ли вы хотели этого?
Я переключился с машинного обучения на ML Ops, когда команда была создана в Kensho. В Kensho мы поняли, что для управления нашими инструментами машинного обучения нужна специальная команда. Так получилось, что мои интересы совпали с этой деловой потребностью. С тех пор, как я начал работать в индустрии программного обеспечения, мне было интересно узнать о различных уровнях стека, так что это был способ приблизиться к инфраструктуре.
Честно говоря, в колледже я не хотел работать с компьютерами. Оба моих старших брата — инженеры-программисты, и я хотел заниматься чем-то другим. Я изучал химическую инженерию, но иногда у судьбы другие планы. После докторской степени в области биоинженерии я услышал о машинном обучении как о новой и захватывающей области. Как оказалось, мне нравилось работать с компьютерами, и машинное обучение мне подходило.
Как удаленная работа влияет на вашу работу?
Работаю удаленно с начала пандемии. По большей части это было бесшовно. Kensho некоторое время была компанией с несколькими офисами, поэтому инструменты для видеоконференций и обмена сообщениями уже были на месте. Kensho также является относительно небольшой компанией, поэтому с большинством людей легко познакомиться, даже если вы не видите их лицом к лицу. Возможность работать удаленно также помогает с приездом моей дочери Люси.
Как проходит собеседование с кандидатом на должность в ML Ops?
Это похоже на другие роли программного обеспечения. Вероятно, будут технические экраны, связанные с кодированием и дизайном системы. Компании будут искать знания в области управления жизненным циклом модели машинного обучения и знакомство с некоторыми основными фреймворками.
(Примечание: у Кеншо есть вакансии для ML Ops)
Представьте, что вы снова учитесь в старшей школе или колледже. Как бы вы начали участвовать в ML Ops?
Я бы начал со специальности что-то связанное с компьютерами! Помимо формального образования, существуют также более конкретные ресурсы. ML Ops — это новая область, но уже есть сообщества, собирающиеся для обмена информацией. Один из них, который мне понравился, — это mlops.community.
Отличительной чертой карьеры в области программного обеспечения является то, что у вас, вероятно, уже есть лучший инструмент для обучения и разработки программного обеспечения (компьютер). Вы можете легко освоить любой из языков и фреймворков с открытым исходным кодом. Многим компаниям не требуется формальное образование в области программного обеспечения, особенно для стажировок, так я начал свою карьеру в этой отрасли.
С какими общими проблемами вы сталкиваетесь на своей должности и как вы с ними справляетесь?
Одна из больших проблем, с которыми мы столкнулись, — это переход от старых наборов инструментов к новым. Создание инструментов для компании, у которой есть уже существующие системы, сложнее, чем начинать с нуля. Мы справляемся с этим путем тщательного планирования и обеспечения поддержки обоих наборов инструментов в течение определенного периода времени, пока мы внедряем новые инструменты. Мы склонны привлекать наших пользователей улучшенным удобством использования и функциями, а не подталкивать, устанавливая жесткие сроки для закрытия старых систем.
(Подробнее о философии и инструментах Kensho ML Ops.)
Что вам больше всего нравится в вашей работе?
Понимание различных уровней технологического стека и использование этих знаний для создания инструментов, которые делают машинное обучение более надежным, приносит большое удовлетворение. Это работа с высоким рычагом. Это делает наши команды по машинному обучению более продуктивными, наши модели — более надежными, а наши продукты — лучше. Когда мы видим большие успехи пользователей после развертывания инструментов, это очень полезно. Это оправдывает продуманный дизайн и процессы развертывания.
Что дальше? Как вы видите развитие вашей карьеры в ближайшие 2 года? 5 лет?
Будет некоторая централизация вокруг более успешных фреймворков. Сейчас мы начинаем замечать появление нескольких победителей, и этот процесс будет продолжаться. Потребность в ML Ops будет расти в краткосрочной перспективе. Вероятно, это переходный этап, поскольку компании внедряют новые инструменты. В среднесрочной перспективе, когда мы получим больше стандартизации фреймворков, вполне возможно, что часть работы ML Ops будет разделена между DevOps или инфраструктурой, с одной стороны, и инженерами по машинному обучению или данным, с другой.
Этот блог является частью нашей серии карьерных историй, в которой рассказывается о том, каково это быть частью нашей команды, и рассказывается о карьерных историях Кеншинов. Следите за новыми статьями о жизни в Kensho!
