机器学习工程师和研究员之间，相隔的并不止薪水( 二 ) _机器学习

了解从数据源接收到的数据格式

实现与数据池和数据库的连接，以便存储和访问数据。

了解最终产品将要使用的环境，因为这可以决定分配的资源级别，以确保高效的运行时间和最佳的运行能力。

【机器学习工程师和研究员之间，相隔的并不止薪水】另一方面，机器学习研究员的工作范围往往非常明确。机器学习研究员需要非常专注。
机器学习研究员无需担心机器学习模型或算法在各种环境中的性能如何。机器学习研究员的工作往往非常注重问题和特定领域。通常情况下，他们的任务是负责寻找解决问题的新方法或提高以前设计的解决方案的性能和准确性。

6．工作角色要求对于机器学习研究员的工作角色的描述和需求是精确的，并且集中在机器学习的特定领域。
机器学习研究员的典型职位要求包括：

拥有机器学习平台和库的知识，如TensorFlow、PyTorch、Keras等。
能够进行文献审查,并以精心编写的研究格式呈现报告和实验结果，以便提交给会议或科学期刊。
拥有机器学习特定领域的可靠知识，例如概率模型，高斯过程，强化学习等。
对机器学习的基本主题有深刻的理解，包括理论知识。
针对利基问题的最新技术的扩展。

机器学习工程师的典型职位要求包括：

了解云计算服务，如google Cloud Platform (GCP)和Amazon Web Service (AWS)。
熟练使用JAVA、Python、JavaScript等语言进行编程。
具有将机器学习模型部署到生产环境中的经验。
具有在移动电话等边缘设备上部署机器学习模型的经验。
能够实施、评估和测试针对常见问题（如目标检测、语义分割和图像分类）的最新解决方案。
能够从已发表的研究论文中提取关键细节和信息，并将结果传达给项目相关人员。
具有执行数据挖掘脚本的经验。

7. 重叠部分
机器学习研究员可以进行工程设计，机器学习工程师也可以进行研究。
成为一名机器学习从业者还意味着精通现代的软件库和硬件。机器学习（如果涉及多个学科）的职位名称本身通常不能完整反映实际地职责分工。
我的研究表明，机器学习研究员在实际研究和工程设计之间的比重分配遵循70/30的比例。机器学习工程师则刚好相反，通常他们在工程和研究之间的比重分配为70/30 。
同样，我还可以证明，对于一个机器学习工程师来说，研究和工程设计是分不开的，因为在我目前作为计算机视觉工程师的角色中，我花了大量时间将机器学习模型工程化为解决方案，比如网站或移动应用程序。同时，我也花了少部分的精力在PaperWithCode 或 ReseachGate上搜索寻找针对我正在处理的特定问题的已发表的研究论文。
结论
我必须承认，还有几个关键差别并没有在本文中提及，但是在谷歌中做一个快速搜索，你就能够得到相应的结果。
无论你选择走哪一条职业道路，都必须承认这两个角色都需要花费大量的时间和精力才能获得，记住一点努力总是有回报的。
为了进一步了解作为一名机器学习工程师的感受，我在下面链接了两篇文章，讲述了我作为一名初创企业的计算机视觉工程师的第一天和第一个月的经历。

我作为计算机视觉工程师的第一天的经历（https://towardsdatascience.com/my-first-day-as-a-computer-vision-engineer-8b59750c79a0）
我作为计算机视觉工程师的第一个月的经历（https://towardsdatascience.com/my-first-month-as-a-computer-vision-engineer-5813574d394a）