最近，一亩三分地论坛有人发帖分享Data Scientist转Machine Learning Engineer的经验。

其中包括：coding、ML system design、ML八股文等方面的内容，有兴趣的小伙伴请扫码阅读：

帖子下，有人写了一个很干货的评论：

匿名用户-NANDR

楼主厉害，祝楼主一路顺利！

不知道楼主是不是被裁了没有选择，我现在大厂做ML的role， 类似meta MLE/亚麻AS之类的，想讲一下我的two cents。当初其实我反而又萌生跳去meta做DSA的想法， 但是pay肯定是降的， 后来碰上裁员潮就作罢苟着，但是做了大概8年ML了， 想分享一下， MLE众所周知工资高，地位高，但是说实话缺点和压力也是不一样的。

ML的role，进去公司能不能成功，跟技术能力真的关系不大，现在那点ML的知识，进去谁不会呢，最大的取决因素是你在做什么project，什么domain。很多很多组，要做的东西根本不适用ML，但是却强行上ML，碰到这种组有经验的ML员工估计一眼就看出问题，赶紧提桶跑路转组，最怕经验尚浅，沉迷于各种ML的奇淫技巧，最后踩进坑了拼命调参去解决一个用ML根本解决不了的问题，赔进去了几年职业生涯也学不到什么东西。

所以要是ML的role，选中一个有前途的project/scope/domain至关重要，比较避坑的会有例如什么Fraud detection， people DS什么的，免得得罪人这里就不多说了，我觉得作为ML职业的初期，最好就是多做做不同的project选不用的domain培养一下Business sense， 这行的竞争力从一开始的technical，慢慢会转变成你对一个项目落地合理性和结果预期的把控。

然后选了一个好的domain，但是要是背负KPI的话，压力其实跟销售差不多，例如做推荐，OKR就是这个季度要提高多少% CTR，想想压力大不大？ML模型毕竟是模型，得A/B testing，在meta你肯定也知道讲impact的话用ML出metrics 比DSA出metrics难多了，过程很不可控。你提高CTR，帮公司提高了赚了钱，也不像销售那样分成给你，顶多给你一个好rating工资加点花生， 但是干不成几个quarter你就很难survive了， 懂点ML的都知道这个role的工资高大概也是源自于这种不可控的风险也高。同时能提高metrics的东西很多也要进production， 不是每个组都有luxury resource有SRE/SDE帮你oncall， 当你做了几个模型又没人oncall的时候，你就相当于24/7 oncall + 要研发新模型，break production的压力也是有的，MLE首先也是engineer， 等于一个人做Science + Engineering的工作是必须的。

再加上ML工作的技术迭代速度也相对较快，以后面试肯定是越来越造火箭了，看现在面试你也要准备那么多，以后只会越来越卷，所以MLE肯定不是各方面完爆DSA的。根据职业发展，其实待遇MLE>DS>business这种我们觉得都正确的逻辑，却会发现职位越高差距越少，例如亚麻BIE，做到L6 > 亚麻AS L6 MRG再到L7/L8领导一堆名校PHD AS的可能性大大的有，工资差距越来越少，到了Director + 可能技术Director跟MKT Director待遇差距都不大了，提前给LZ打个预防针。

现在个人想法就是懒，觉得MLE这个工资虽然暂时有可能高点，但是其实风险也大，比较容易掉进特别的ML domain， 比起analytics离Business更远了一点点， 所以估计等市场变好之后，会尝试降薪或者平薪转行一些中小厂的analytics mrgs + 的role试试能不能走出卷ML八股文/技术的道路，感觉跟楼主正好相反，挺有意思的，欢迎楼主也来分享你的two cents。

大家如果还有相关的问题和看法，欢迎点击“阅读原文”到一亩三分地讨论