导读

构建一个从零到一的机器学习团队，对于很多公司来说是一项艰巨的任务。本文提供了一些实用建议，不仅对求职者有参考价值，也为企业提供了宝贵的指导。

在过去几年里，机器学习领域取得了显著进步。然而，管理机器学习团队仍然是一个相对较新的课题。许多机器学习管理者往往是被推上管理岗位的，或是因为需求紧迫，或是因为他们是最优秀的个人贡献者。在一些公司，工程师或产品经理需要负责建立新的机器学习能力，但他们可能并没有太多相关经验。

管理任何技术团队都是极具挑战性的任务： - 需要招聘优秀人才并进行管理和培养。 - 需要协调团队的方向和目标。 - 要做好长期的技术规划并管理技术债务。 - 还要应对来自管理层的期望。

管理机器学习团队更是难上加难： - 机器学习人才稀缺且成本高昂。 - 机器学习项目的时间安排不确定，不确定性高。 - 机器学习项目被视为“技术债务”的高风险区域。 - 很多时候，管理层并不完全理解机器学习。

第一步：定义角色

让我们来看一下常见的机器学习角色及其所需的技能：

机器学习产品经理

与机器学习团队合作，为其他业务和终端用户提供能力。他们设计文档、创建线框图、制定优先级和计划机器学习项目。

DevOps工程师

负责部署和监控生产系统。他们负责运行和维护机器学习产品的基础设施。

数据工程师

构建数据管道、从数据存储中收集和处理数据、监控数据行为。他们通常使用Hadoop、Kafka和Airflow等分布式系统。

机器学习工程师

训练和部署预测模型。他们使用TensorFlow和Docker等工具来处理生产中运行在真实数据上的预测系统。

机器学习研究员

研究预测模型，通常是前瞻性的或非关键性的。他们使用TensorFlow、PyTorch和Jupyter来建立模型和报告。

数据科学家

这是一个概括性术语，涵盖从本科生到博士生的广泛背景。他们通过分析解决业务问题。

第二步：构建团队

构建机器学习团队没有固定的模式，但可以根据公司的具体情况和成熟度来制定策略。以下是几种典型的公司原型：

原型1：初创和专业机器学习公司

这些公司可能完全没有机器学习专业知识，或者机器学习只是在特定情况下进行。这样的公司很难招聘和留住顶尖人才。

原型2：研究和开发机器学习公司

这些公司的机器学习工作主要集中在研发部门，通常雇佣机器学习研究人员和博士生。这类公司倾向于长期投资，但难以将研究成果转化为商业价值。

原型3：产品中嵌入机器学习的公司

这些公司拥有专门的机器学习团队，向工程或技术主管汇报。机器学习的改进能带来商业价值，但也存在人才招聘和数据获取方面的挑战。

原型4：独立机器学习部门

这些公司设有独立的机器学习部门，直接向高级管理层汇报。机器学习产品经理与研究人员和工程师合作，将机器学习集成到产品中。这些公司通常能雇用和培训顶级从业者。

原型5：机器学习优先的公司

这些公司高度重视机器学习，通常拥有强大的数据访问权限和吸引顶尖人才的能力。他们能够在工具、技术和文化方面进行大量投资，但需要克服模型应用和反馈周期缓慢的问题。

第三步：管理项目

管理机器学习项目充满挑战： - 功能差异大，项目进度难以预测。 - 研究和工程之间的文化差异可能导致沟通障碍。 - 预计机器学习项目的工期非常困难。

为了更好地管理机器学习团队，可以采用概率性计划的方法： - 尝试多种方法，根据投入评估进展。 - 让研究人员和工程师紧密合作。 - 尽快建立端到端的管道以展示快速的成功。 - 教育管理层有关机器学习项目的不确定性。

第四步：招聘人才

机器学习人才稀缺，需求旺盛。以下是招聘机器学习人才的一些策略：

招聘机器学习工程师

• 招聘具有软件工程技能并对机器学习有兴趣的人。
• 对于初级职位，寻找有学习意愿的人。
• 明确所需技能，例如不是所有机器学习工程师都需要做DevOps。

招聘机器学习研究员

• 关注发表文章的质量，而非数量。
• 寻找有重大研究兴趣的研究人员。
• 招聘邻近领域的学者，如数学、物理和统计。
• 考虑招聘没有博士学位的人，如本科生、硕士生和工业奖学金项目毕业生。

如何找到机器学习的工作

如果你正在寻找机器学习的工作，以下是一些建议： - 建立通用的软件工程技能（通过课程和工作经验）。 - 表现出对机器学习的兴趣（参加研讨会和在线课程）。 - 展示广泛的机器学习知识（撰写博客文章或综述论文）。 - 演示完成机器学习项目的技能（创建小型项目或重现论文）。 - 证明你有创造性地思考机器学习的能力（赢得Kaggle比赛或发表论文）。

总结

构建机器学习团队是一项复杂而富有挑战的任务，但通过明确的职责划分、合理的团队结构以及有效的项目管理，可以大大提高成功率。希望这篇文章为你提供了一些有用的建议和思路。