FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

分析

FDE 与 AI/ML 工程师的真正区别,不在技术栈

技术栈几乎相同,区别在于谁来定义问题,以及工作是否由真实用户的使用结果来验收。

分享微博

要点速览

  • AI 工程师和 ML 工程师共用框架、数据管道、版本管理和监控。没有这些技能,FDE 很难在客户现场部署任何东西。
  • 区别在于对谁负责。AI 和 ML 工程师为内部客户构建系统;FDE 与某一家具体客户并肩工作,自己厘清问题范围。
  • 对 FDE 来说,没人用的好模型依然算失败,而且上线之后 FDE 仍要负责。
双轨示意图。上轨是 AI/ML 工程师:范围由产品路线图确定。下轨是 FDE:范围在与客户合作中逐步摸清。两条轨道都经过同一个共用工具箱:训练、优化、模型服务、数据管道、模型版本管理、把模型封装成 API 以及部署。AI/ML 轨道在部署后随即止于“工单可关闭”线,以模型性能衡量。FDE 轨道继续进入上线后阶段,需要查看用户是否真正在用模型,之后才到达“按 FDE 标准完成”线,以采用率和真实业务结果衡量。下方是一个假设示例:模型 F1 达到 0.9,但 200 份文件中只有 30 份交给模型处理,使用率为 15%。
技能几乎相同,不同的是谁来下达任务,以及工作何时算完成。对 FDE 来说,没人用的好模型意味着项目尚未完成。

打开 Workable 的 AI 工程师岗位描述模板,你会看到一条熟悉的要求:熟练使用 TensorFlow 或 PyTorch。ML 岗位要求的工具一模一样。

Simplilearn 说得更直白:雇主经常混用这几个头衔。

既然工具相同,头衔又用得随意,问题自然来了:AI 工程师、ML 工程师和前线部署工程师(FDE)到底有什么不同?答案不在技术栈,而在于你对谁负责,以及工作何时才算完成。

对想转做 FDE 的开发者来说,这个区别决定了准备方向。如果把 FDE 理解为“更强的 AI 工程师”,你就会把时间花在学更多框架上。而通常欠缺的是另一样东西:与真实用户打交道,并以他们如何使用产品来衡量结果的习惯。

技能几乎完全重合

重合程度比很多人想的更高。从 TechTarget 到 Codecademy,各方对 AI 工程师的描述大体一致:负责开发和训练 AI 系统,需要兼具软件工程师和数据科学家的技能,还要懂数据工程。

这份工作也一路延伸到生产环境:搭建部署管道、管理模型版本、实时监控性能、管理数据流和基础设施,并把模型封装成供其他应用调用的 API。

ML 工程师处在同一条轴线上,只是深度不同。Coursera 把 ML 工程师归入数据科学团队,负责研究、构建和设计 ML 系统。Simplilearn 的划分是:ML 工程师通常在训练、优化和模型服务上钻得更深,AI 工程师覆盖的应用面更广。

一个求深,一个求广,但用的是同一个工具箱。

由此可知,FDE 同样需要这个工具箱。很难想象一个人不会搭管道、不会管版本、不会监控模型,却能在客户环境中部署 AI 系统。所以区别一定在别处。

谁来定义问题?

职业指导网站 Futurense 指出了最清晰的结构性差异:AI 工程师对内向公司负责,问题范围由产品路线图决定;FDE 的问题范围则是在与客户合作的过程中逐步摸清的。

专注 FDE 职业的博客 FDE Academy 从 ML 工程师的角度给出了同样的判断:ML 工程师的客户在公司内部,FDE 则与某一家具体客户并肩工作。

这听起来像组织架构问题,却改变了技术工作的性质。问题来自路线图时,最难的部分已经有人替你做了:决定解决哪个问题。如果要在客户现场自己找范围,客户调研就成了工程的一部分。选错了问题,再优雅的管道也毫无价值。

指标一变,“完成”的含义也变了

Futurense 写道,FDE 的成功以真实业务结果衡量,而不只是模型性能。FDE Academy 说得更直接:技术上再出色的模型,如果没人用,按 FDE 的标准仍然是失败。FDE 以用户采用率和业务结果来衡量,上线后依然要负责。

看一个假设的例子。一家银行每天要对 200 份贷款申请做分类。工程团队训练出的模型在测试集上 F1 达到 0.9,封装成 API 后完成部署。对按内部路线图工作的团队来说,工单到这里就可以关闭了。

再假设信贷员在 200 份申请中只把 30 份交给模型处理。模型输出和他们使用的表单对不上,手工处理反而更快,于是他们退回手工操作。使用率只有 15%。F1 分数没变,模型依然很好,但按 FDE 的标准,这个项目正在失败。

所以 FDE 的下一步不是重新训练模型,而是坐到信贷员身边,看他们在哪一步绕开了模型,然后修改输出格式或集成点。这依然是工程工作,只不过问题由用户的工作流程定义,而不是由数据集定义。

把 AI 工程师和 ML 工程师放在同一列(两者都服务内部客户),与 FDE 的边界会比分别阅读各自的定义清晰得多。左列的“成功指标”一行,是根据 FDE 相关描述刻意与“只看模型性能”划清界限的说法推断而来:

标准 AI 工程师 / ML 工程师 FDE
技术重点 ML:训练、优化、模型服务;AI:构建、测试、部署、把模型封装成 API 同样的基础,用于让系统在客户那里跑起来
客户 内部,通常在数据科学或产品团队 某一家具体的外部客户,并肩合作
范围由谁确定 产品路线图 与客户合作时逐步摸清
成功指标 偏重模型性能 使用情况和真实业务结果
上线之后 工单可以关闭 仍需负责

读岗位描述,看职责而不是头衔

既然头衔可以互换,岗位描述上的头衔几乎说明不了什么。不如从中寻找上表三个问题的答案:客户是谁?范围由谁确定?成功如何衡量?

一份标题为“AI Engineer”的岗位描述,如果提到驻场客户、访谈用户和使用率指标,实际上更接近 FDE。反过来,标题带“Forward Deployed”、内容却只谈模型基准和内部路线图的岗位,可能只是换了名字的 ML 工程师。

也要留意动词。“提升准确率”指向模型,“确保客户能用起来”指向结果。

如何准备

你已有的基础依然算数。如果搭过管道、做过模型版本管理或把模型封装成 API,你已经具备三种岗位的共同部分。不要丢下 PyTorch 去追逐泛泛的软技能。

需要补上的是两个具体习惯。第一,自己厘清问题范围:写代码之前,先和将要使用产品的人聊,记下他们现在怎么工作。第二,部署后衡量使用情况,而不是停在离线指标上。

如果你做过外包项目,或直接对接过海外客户,你可能已经有了这两方面的素材,只是没用对名字。在简历上,把“训练分类模型,F1 达到 0.9”这样的描述,换成写清谁在用、哪个工作流程变了、上线后你修复了什么。

后一种写法用的正是 FDE Academy 衡量 FDE 的语言:用户采用率和业务结果。

面试时,把问题反过来问:“如果模型效果很好,但客户不用,这是谁的问题?”对方的回答比岗位描述上的任何头衔都更能说明这个岗位的真实面貌。

这篇文章对你有帮助吗?

8 个信源
路线图上的下一篇 · 阶段 8: 职业发展为什么狂刷 LeetCode,对 FDE 面试帮助不大在 Distyl AI 和 Databricks,分量最重的一轮是 45 到 60 分钟,面试官扮演刻意隐瞒信息的客户。