Ingegneri di Machine Learning – Cosa fanno effettivamente?

Ingegneri Machine Learning - Cosa fanno?

Cosa significa “Ingegnere di Machine Learning” nel nostro campo? Se sì, cosa significa?

Il titolo è una domanda trabocchetto, naturalmente. Come Data Scientist prima di esso, il titolo Ingegnere di Machine Learning si sta sviluppando come una tendenza nel mercato del lavoro per le persone della nostra professione, ma non c’è consenso sul significato del titolo o sulle funzioni e competenze che dovrebbe comprendere. Immagino che i nuovi entranti nel mercato del lavoro in DS/ML trovino difficile decifrare tutto ciò. (Anche le persone esperte lo fanno!) Quindi, parliamo di ciò che potrebbe significare a seconda di chi ne parla.

Mentre stavo discutendo di questo con un amico l’altro giorno, l’ho formulato come INGEGNERE DI MACHINE LEARNING o ingegnere di machine learning. Fondamentalmente, da quello che ho visto, ci sono ruoli ed aspettative in alcuni gruppi sotto il titolo che:

• A. si aspettano competenze estese in ingegneria del software con un po’ di esperienza o almeno familiarità con ML, o
• B. si aspettano un’esperienza intensiva in ML, spesso inclusi deep learning o generative AI, e sarebbe bello se tu potessi scrivere una funzione quando richiesta.

Il primo gruppo probabilmente sarebbe stato semplicemente “Ingegneri del Software” negli anni precedenti, mentre il secondo sarebbe rientrato comodamente nella categoria di “Data Scientist” ai tempi in cui ho iniziato la mia carriera (anche se l’AI generativa non faceva certamente parte del gioco in quel periodo).

Ciò riflette uno schema interessante nello sviluppo della nostra professione in generale. Non siamo mai stati bravi nel suddividere i ruoli nel nostro campo in sottocategorie che delineano chiaramente l’insieme di competenze (o le responsabilità) dei ruoli. È un campo giovane in rapido movimento e in costante evoluzione, quindi non è sorprendente! Questo è sempre stato vero per il titolo di Data Scientist, che era essenzialmente un indicatore di “qualcosa di più tecnicamente abile di un Analista dei Dati” per molto tempo. Alcune persone si riferivano ai Data Scientist come persone in grado di gestire dati non strutturati o disorganizzati, e questo non è più un fattore determinante da quello che posso vedere.

• Crea LLM (Lingua Modello Linguistico) più capacitati con Generazione potenziata da recupero
• XGBoost La Guida Definitiva (Parte 1)
• Come utilizzare il metodo di bisezione per il calcolo numerico

Sospetto fortemente che la crescita dell’Ingegnere di Machine Learning sia dovuta al fatto che le persone che assumono professionisti di tipo SWE erano infastidite dal non ricevere candidati che conoscessero il funzionamento di un modello ML, mentre le persone che assumevano i Data Scientist ottenevano specialisti in analisi quando avevano bisogno di modellatori con competenze in ML. Si sono intersecati da entrambe le direzioni, formando un nuovo titolo che presenta disaccordi interni sull’importanza di ciascun insieme di competenze. Quindi ora abbiamo una nuova divisione nello spazio da considerare.

Anche se questa suddivisione del campo è probabilmente molto naturale, come risposta a questo tipo di difficoltà, voglio sottolineare cosa significa tutto ciò per i candidati e per il campo stesso. Ogni volta che avviene una nuova divisione e il percorso di carriera ha una nuova possibile divergenza, vengono assegnati uno status e un privilegio ai due percorsi, spesso rilevabili dai salari offerti per ciascuna direzione. Ora che il campo della Data Science si sta formalizzando con maggiori opportunità di formazione e simili, le persone hanno percorsi più facili per entrare in questa carriera. Questo include persone svantaggiate o emarginate nella società più ampia. Credo che sia in corso un effetto di “pink-collaring” per i Data Scientist.

(In breve, l’effetto di “pink-collaring” si verifica quando le donne, in particolare, diventano una proporzione più grande dei lavoratori in un determinato settore e i salari e lo status sociale per i ruoli in cui esse predominano sono sistematicamente depressi a causa di ciò. La medicina veterinaria è un esempio comune. Funziona anche al contrario, poiché le donne sono state predominanti tra i programmatori informatici negli anni ’60 e ’70, e quando gli uomini sono diventati più rappresentati in quel campo, i loro salari e il loro prestigio sono aumentati.)

Sta succedendo davvero questo? Non lo so veramente. Vedo solo prove aneddotiche da rapporti del settore di luoghi come Harnham e Burtch Works, oltre a sfogliare le offerte di lavoro su siti come LinkedIn, che fanno sembrare che stia iniziando a verificarsi una divergenza salariale tra Data Scientist e Ingegnere di Machine Learning. Certamente incontro molte più giovani donne, persone di colore e persone di diverse identità di genere e orientamenti sessuali nei ruoli di Data Scientist rispetto a cinque anni fa.

Spero molto che i ricercatori possano scoprire se questa variazione salariale è statisticamente significativa, e se lo è, se corrisponde a cambiamenti nella demografia dei lavoratori come sospetto potrebbe succedere.

In ogni caso, la sfida per chi assume nel campo è quella di non permettere che le assunzioni più prestigiose, più “tecniche” (ad esempio, gli attuali Ingegneri di Machine Learning) siano dominate dagli uomini e da coloro con vantaggi sociali, e di conseguenza che le assunzioni di Data Scientist diventino una variante di status inferiore a cui altri nel campo vengono spostati indipendentemente dalle loro capacità. Naturalmente, pagate i ruoli per quello che valgono per il vostro business, ma non lasciate che questo influenzi la demografia delle persone che considerate o immaginate in ciascun ruolo. Questo è il minimo che possiamo fare in questa fase del gioco in continua evoluzione.

Potete trovare altri miei lavori su www.stephaniekirmer.com.