Data Scientist ve ML Engineer ne yapar? Canlıya ulaşan modeller

Bir Data Scientist veride sinyal bulur, tahmin veya sınıflandırma modellerini prototipler. Bir ML Engineer umut vadeden modelleri güvenilir canlı sistemlere çevirir: eğitim hatları, serving, izleme, geri alma. Küçük ekiplerde bir kişi ikisini de kapatabilir.

Rolü pratik dilde anlatıyorum: kişi gerçekten ne yapar, hangi yetkinlikler işe yarar ve bu pozisyonu ne zaman açmalısınız — boş jargon olmadan.

İşin asıl kısmı

Tipik bir iş haftasında şunlar vardır:

• ML problemlerini çerçevelemek, öznitelik hazırlamak, modelleri eğitip değerlendirmek.
• Deneyler yürütmek ve belirsizliği dürüstçe anlatmak.
• Model servisleri, toplu işler ve öznitelik hatlarını yayınlamak (ML Eng).
• Lansmandan sonra sapma, gecikme, maliyet ve iş etkisini izlemek.
• Ürünle birlikte ML’nin kuralları yendiği kullanım yerlerini seçmek.

Gerçekten işe yarayan yetkinlikler

Araçlar değişir, temel yetkinlikler kalır:

• Python, istatistik/ML kütüphaneleri, deney takibi
• ML Eng için: serving, konteynerler, MLOps, veri hatları
• Güçlü SQL ve veri hissi; alanı çerçevelemek
• LLM uygulamaları için: değerlendirme, RAG, korkuluklar, maliyet kontrolü

Bu rolü ne zaman açmalısınız

Kurallar ve panolar yetmiyorsa — öneriler, tahmin, dolandırıcılık, sıralama veya bir kez demo değil, değerlendirilip işletilmesi gereken LLM özellikleri.

Kısaca

Pahalı başarısızlık, izlenen bir servis olmayan defterdir. Yalnızca accuracy slaytları için değil, canlıya giden yol için işe alın.