AI & Data Dreamers練功房
ADMIT ONE ·載入中…工作室 →職涯服務個人設定登出登入／註冊
寶箱片場規則
資料工程師 資料分析師 資料科學家 機器學習工程師 AI 應用工程師
Machine Learning Engineer・職位指南

機器學習工程師

讓模型在生產環境穩定跑：訓練、部署、監控、重訓。

自評進度
登入後記進度
FIT・適合誰
  • 同時喜歡模型與工程，不排斥寫 API 與 Docker
  • 享受把一個會動的 notebook 變成會一直動的服務
  • 願意持續追最新的模型與工具
DUTIES・職責

每天在做什麼

  • 建立與訓練模型，針對需求選演算法並優化
  • 資料處理與特徵工程，含標註流程
  • 模型部署：API、容器、雲端（Vertex AI、SageMaker、Lambda）
  • MLOps：實驗追蹤、版本、監控漂移、自動重訓
  • 與 DS、軟體工程師協作把模型整合進產品
SKILLS・技能

必備

  • Python；TensorFlow／PyTorch／scikit-learn
  • Pandas、NumPy、SQL、BigQuery
  • 統計、線性代數、微積分基礎
  • 部署：MLflow、Docker、FastAPI

加分

  • Kubernetes、CI/CD
  • 特徵倉儲、向量資料庫
  • LLM 微調與推論成本控制
  • 系統設計：延遲、吞吐、快取
INTERVIEW・面試準備

會被問什麼

  1. ML 基礎：損失函數、正則化、過擬合、評估指標
  2. 工程題：設計一個模型推論服務（API、批次 vs 即時、快取、監控）
  3. 程式題：Python 資料結構與演算法、PyTorch／sklearn 實作
  4. MLOps：怎麼追實驗、怎麼發現漂移、怎麼回滾
  5. 作品集：一個部署上線、有監控的模型服務
NEIGHBORS・相鄰職位邊界

和誰容易搞混

資料科學家

DS 探索與建模；MLE 把模型工程化、上線、維運。

AI 應用工程師

AI 應用多用現成模型（API／開源 LLM）組系統；MLE 更常自己訓練與部署。

軟體工程師（後端）

MLE 需要後端的 API、資料庫、雲端部署能力；後端導入 AI 時也會做 MLE 的工作。

資料工程師

特徵資料的管線與品質由 DE 負責；MLE 下游依賴它。

HEADHUNTER・與獵頭合作

怎麼跟獵頭談

  • 履歷寫「部署過什麼、服務多少流量、延遲多少」，比列模型名有說服力
  • 分清職缺是研究型還是工程型，兩者面試題差很多
  • 問團隊規模與資料基礎建設狀況，決定你進去要先做什麼
  • GitHub 要有一個能跑的 repo（Dockerfile＋README）

初稿整理自 Dex 的文章：軟體工程與機器學習工程師的技能與發展方向。