ML Atlas

Blog · Na start ·

Analityk danych, data scientist czy ML engineer? Różnice

W skrócie

Analityk mówi, co się stało, data scientist przewiduje i sprawdza, a ML engineer wdraża model do produktu. Czym się różnią i od której roli zwykle się zaczyna.

Krótka odpowiedź

Te trzy role odpowiadają na różne pytania:

  • Analityk danych: co się stało i dlaczego? Ile sprzedaliśmy, gdzie klienci odchodzą, czy kampania coś dała.
  • Data scientist: co się stanie i skąd wiemy, że to prawda? Buduje modele, które przewidują, i sprawdza, czy działają na nowych danych.
  • ML engineer: jak sprawić, żeby model działał codziennie w produkcie? Wdraża modele, pilnuje ich szybkości i tego, czy z czasem się nie psują.

Granice są płynne, a firmy nazywają stanowiska po swojemu. Czytaj obowiązki w ogłoszeniu, nie sam tytuł. Dla osoby, która zaczyna, najczęstszym pierwszym krokiem jest analityk danych, co pokazujemy z liczbami na stronie Przebranżowienie na ML.

Wspólny rdzeń wszystkich trzech ról zobaczysz w lekcji Cały proces w 15 minut: pytanie, dane, model i uczciwa ocena.

Analityk danych: pytania o to, co już się stało

Na co dzień: zapytania SQL do bazy, arkusz, wykresy i raporty, często w narzędziu do pulpitów (BI). Coraz częściej też Python z pandas. Najważniejsza umiejętność to zadać dobre pytanie i nie dać się nabrać liczbom.

Typowe pułapki analityka to średnia, która ukrywa rozrzut, i wzór, który odwraca się po podziale na grupy. W Atlasie zobaczysz je w hasłach statystyki opisowe, paradoks Simpsona i korelacja to nie przyczynowość.

Data scientist: przewidywanie i sprawdzanie

Na co dzień: modele przewidujące (kto zrezygnuje, ile sprzedamy), eksperymenty typu test A/B, dużo statystyki i Pythona. Najwięcej czasu zjada przygotowanie danych i sprawdzanie, czy wynik nie jest złudzeniem.

To rola, w której najbardziej przydaje się nasz kurs ML. Trzy lekcje na początek: punkt odniesienia, ocena klasyfikatora i wyciek danych.

Wymagania bywają wysokie. Amerykański urząd statystyki pracy (BLS) pisze, że data scientist zwykle potrzebuje co najmniej licencjatu z matematyki, statystyki, informatyki albo pokrewnej dziedziny, a część pracodawców chce magistra albo doktoratu. To dane z USA, ale w Polsce obraz jest podobny: liczby o wykształceniu zebraliśmy na stronie kariery.

ML engineer (i AI engineer): model w produkcie

Na co dzień: programowanie, potoki danych, wdrażanie modelu jako usługi, testy, monitoring. Model, który świetnie wypadł w notatniku, w produkcie spotyka nowe dane, a te z czasem się zmieniają. Tego dotyczą hasła wdrożenie modelu i monitoring i dryf danych.

To rola najbliższa programowaniu. W analizie 903 amerykańskich ogłoszeń na AI engineera z serwisu Glassdoor Pythona wymagało 71%, a do osób z 0–2 latami doświadczenia było skierowanych tylko 2,5% ogłoszeń. Dlatego skok prosto na tę rolę bez doświadczenia w programowaniu zdarza się rzadko.

Co mają wspólnego

Wszystkie trzy role muszą umieć odpowiedzieć na te same pytania:

  • Z czym porównuję wynik? Bez punktu odniesienia nawet wysoka trafność nic nie znaczy.
  • Czy wynik jest z danych, których model albo analiza nie widziały?
  • Czy w danych nie ma przecieku informacji z przyszłości?
  • Komu zaszkodzi pomyłka i jak bardzo?

Jeśli umiesz je zadać, łatwiej przejdziesz z jednej roli do drugiej. Więcej we wpisie Jak sprawdzić, czy model jest dobry.

Od której roli zacząć

  • Masz zawód i nie chcesz go zmieniać? Dołóż do niego dane i AI. To najkrótsza droga.
  • Chcesz pracować z danymi od zera? Celuj najpierw w analityka: SQL, Python, statystyka i jeden porządny projekt.
  • Programujesz? Wtedy ML engineer albo AI engineer jest bliżej, niż się wydaje.

Konkretny plan na pierwszy miesiąc dla dwóch najkrótszych dróg znajdziesz na stronie Przebranżowienie na ML, w sekcji o pierwszych czterech tygodniach. Nie obiecujemy, że któraś z tych dróg kończy się pracą w określonym czasie.

Co dalej

Źródła

Tagi: kariera analityk-danych data-science ml-engineer na-start

W Atlasie