Was machen Data Scientists und ML Engineers? Modelle, die den Produktivbetrieb erreichen

Ein Data Scientist findet Signal in Daten und prototypt Modelle, die vorhersagen oder klassifizieren. Ein ML Engineer macht daraus verlässliche Produktivsysteme: Trainingspipelines, Serving, Monitoring, Rollback. In kleinen Teams trägt oft eine Person beides.

Ich erkläre die Rolle praxisnah: was die Person wirklich tut, welche Kompetenzen zählen und wann Sie diese Stelle besetzen sollten — ohne leere Buzzwords.

Was die Rolle im Alltag leistet

Im Alltag gehört dazu:

• ML-Probleme rahmen, Features vorbereiten, Modelle trainieren und bewerten.
• Experimente fahren und Unsicherheit ehrlich kommunizieren.
• Modelldienste, Batch-Jobs und Feature-Pipelines ausliefern (ML Eng).
• Nach dem Launch Drift, Latenz, Kosten und Business-Wirkung überwachen.
• Mit Produkt Use Cases wählen, in denen ML Regeln schlägt.

Was wirklich zählt

Tools kommen und gehen; die Grundlagen bleiben:

• Python, Statistik-/ML-Bibliotheken, Experiment-Tracking
• Für ML Eng: Serving, Container, MLOps, Datenpipelines
• Starkes SQL und Dateninstinkt; Domäne rahmen können
• Für LLM-Apps: Evaluation, RAG, Guardrails, Kostenkontrolle

Wann Sie diese Rolle brauchen

Wenn Regeln und Dashboards nicht reichen — Empfehlungen, Forecasts, Betrug, Ranking oder LLM-Funktionen, die bewertet und betrieben werden müssen, nicht einmal demoen.

Fazit

Der teure Fehlschlag ist ein Notebook, das nie ein überwachter Dienst wird. Stellen Sie für den Weg in den Produktivbetrieb ein, nicht nur für Accuracy-Folien.