Чим займаються Data Scientist і ML Engineer: моделі, які доходять до продакшену

Data Scientist шукає сигнал у даних і прототипує моделі, що прогнозують чи класифікують. ML Engineer перетворює перспективні моделі на надійні продакшен-системи: навчання, сервінг, моніторинг, відкат. У малих командах одна людина може закривати обидва.

Тут я розкладаю роль по поличках: чим людина займається на практиці, які навички справді потрібні і коли бізнесу є сенс наймати — без порожнього жаргону.

Що входить у роботу

У типовому тижні ця людина:

• Формулювати ML-задачі, готувати фічі, навчати й оцінювати моделі.
• Ганяти експерименти й чесно говорити про невизначеність.
• Викладати модельні сервіси, батч-джоби й фіча-конвеєри (ML Eng).
• Після запуску стежити за дрифтом, затримкою, вартістю й бізнес-ефектом.
• Разом із продуктом обирати кейси, де ML б’є правила.

Що вміти насправді

Інструменти змінюються, фундамент — ні:

• Python, бібліотеки статистики/ML, трекінг експериментів
• Для ML Eng: сервінг, контейнери, MLOps, data-конвеєри
• Сильний SQL і чуття даних; вміння ставити задачу в домені
• Для LLM-застосунків: оцінювання, RAG, огорожі, контроль вартості

Коли є сенс наймати

Коли правил і дашбордів уже мало — рекомендації, прогнози, фрод, ранжування або LLM-функції, які треба оцінювати й експлуатувати, а не один раз показати на демо.

Наостанок

Дорогий провал — ноутбук, який ніколи не стає сервісом з моніторингом. Наймайте під шлях до продакшену, не лише під слайди з accuracy.