Карьерные треки в Data Science и ML-стек Monzo Bank: выжимка AMA с Neal Lathia

Как построить успешную карьеру в ML, организовать эффективную ML-команду и выбрать правильный MLOps-стек, поделился Neal Lathia, Staff ML Engineer в Monzo Bank.

Что происходит

В рамках серии Ask-Me-Anything (AMA) платформа Evidently AI пригласила Neal Lathia, Staff ML Engineer в Monzo Bank, поделиться опытом. Neal рассказал о карьерных путях ML-инженера, построении и расширении ML-команд, ML-стеке Monzo и трендах ML. Monzo начинала без ML-команды в 2018 году, а сегодня она насчитывает около 20 человек, распределенных по разным направлениям.

Что это значит на практике

Интервью затрагивает ключевые вопросы, с которыми сталкиваются CTO, технические директора, лиды команд машинного обучения и senior-разработчики, стремящиеся эффективно развивать ML-направление в своих компаниях.

Карьера в ML engineering

Выбор между управлением и экспертизой: Neal рекомендует помнить, что лидерство важно в обеих траекториях развития. Лидерство выражается через код, документацию и участие в командной работе. Monzo предоставляет возможность переходить от управления командой обратно к роли индивидуального контрибьютора.
Актуальность знаний для ML-менеджера: Менеджер должен сохранять эмпатию к команде и понимать, что значит выполнять работу руками. Важно поощрять команду делиться новыми технологиями и инструментами.
Советы начинающим ML-инженерам: Не стоит скромно называть себя "junior", акцент в резюме должен быть на влиянии проектов, а не просто на умении кодить. Важно смотреть на глобальный рынок труда.

Построение ML-команд

Структура ML-команды в Monzo: Команда выросла с 2 человек в 2019 году до примерно 20 в 2023. Сейчас она децентрализована и встроена в кросс-функциональные команды, включающие специалистов по машинному обучению, инженерии, анализу данных и принятию решений.
Оптимальный состав ML-команды для стартапа: Нет универсальной структуры, но важно быть гибким и адаптироваться к меняющимся потребностям бизнеса.

Внедрение моделей в production

Советы по первому внедрению модели: Сначала нужно внедрить модель, убедиться, что она работает (через ручное тестирование) и приносит пользу бизнесу. Не стоит сразу фокусироваться на скорости inference или переусложнять систему.
Build vs. Buy в MLOps: Решение о создании собственного решения или покупке готового зависит от контекста. Даже при покупке требуется интеграция и обучение команды. В Monzo построение собственных систем облегчается благодаря безопасной и удобной платформе.
ML на Edge: В Monzo большая часть данных не создается на устройствах пользователей, поэтому обработка данных происходит на backend-инфраструктуре.
Мониторинг ML-моделей: Monzo использует существующие инструменты для получения глубокой аналитики.

Что делать

Оцените, какой путь развития в ML подходит именно вам: управление или экспертиза.
Не бойтесь экспериментировать со структурой ML-команды и адаптировать ее под нужды бизнеса.
При внедрении ML-моделей в production, начните с малого и постепенно наращивайте сложность системы.
Тщательно взвешивайте все "за" и "против" при выборе между "build" и "buy" в MLOps.

Источник: https://evidentlyai.com/blog/ama-neal-lathia

Карьерные треки в Data Science и ML-стек Monzo Bank: выжимка AMA с Neal Lathia

Похожие статьи

Поделиться в соц. сетях

Комментарии