450 What is an ML Engineer, with Or from Superwise

מדע וטכנולוגיה | רן תבורי ואורי להב | 202 פרקים
רברס עם פלטפורמה

[קישור לקובץ mp3]פרק מספר 450 של רברס עם פלטפורמה - אורי ורן מארחים מהצד השני של כנס העשור (יש תמונות, בקרוב ההקלטות!) את אור מחברת Superwise.[01:29](רן) אז אור -שתי מילים עליך?(אור) אז אני אור, CTO בחברת Superwise - סטארטאפ שקיים סדר גודל של שלוש שניםאני העובד הראשון שם - בניתי את ה-MVP של המוצרהיום אנחנו כבר יותר בוגרים ובשלים - מתעסקים ב-Monitoring של מערכות Machine Learning ב-Production, במשפט אחד . . . (אורי) כ-CTO ל-CTO: יש את השלב שבו הקוד שלך - אתה כבר מאוד רוצה שהוא לא יהיה במוצר . . . . הוא עוד שם? או ש . . . .(אור) שרידים אחרונים . . . .בהתחלה זה היה קצת קשה לשחרר את הקוד שלי, הייתי מאוד חרד לקוד שנכנסאבל היום, אני חושב שכבר 90% ממנו לא שם.(אורי) אני חושב שכבר 10 שנים אני מנסה שהקוד שלי ימחק - וזה לא קורה . . . נשאר השם של ה-Class.(רן) תקים מצבה סביבו . . . .(רן) כמה מפתחים אתם, ב-Superwise?(אור) אנחנו 20 איש, כרגע מרביתם ב-R&Dממש בימים אלה אנחנו בונים את ה-Core Capability של Superwise, של המוצרעם Design Partners טובים, לקוחות טובים, משלמים, שאיתנו מתחילת הדרך.בינתיים, טפו-טפו-טפו, הולך טוב.(רן) אז מערכת Monitoring ל-Machine Learning, בגדול - אוקיי. . . . גם אני בתחום, אז אולי יצא לנו לדבר קצת . . .[03:06](רן) בעצם, מה שאנחנו רוצים לדבר עליו היום זה על מה המשמעות של Machine Learning Engineering - MLE.אני זוכר את היום שבו בכח-אדם שאלו אותי “מה זה התפקיד החדש הזה שהמצאת פה לאנשים שלך? . . . . “MLE” - מה זה אומר?”אז מה זה MLE? מה זה Machine Learning Engineer, בעולם של היום?(אור) אז זו שאלה טובה - ובאמת הדגש זה על הנקודה של “היום”, מה המשמעות היום.אני אלך טיפה אחורה בהיסטוריה - לא המאוד רחוקה, שנתיים-שלוש אחורה - בעצם איך היה נראה תהליך פיתוח מודל של Machine Learning ולקיחה שלו ל-Production?היה יושב Data Scientist עם ה-Jupyter Notebook שלו, במקרה הטובבמקרה הפחות-טוב - עם ה-RStudio שלו . . . פותח את המודל ובאיזשהו שלב מחליטים ש . . . “ראה כי טוב” והמודל צריך להגיע ל-Productionאז באותו שלב, היו בעצם מדברים על זה עם איזשהו Software Engineer, שיקח את הקוד ויהפוך אותו להרבה יותר רובסטי ו . . . .(רן)  . . . “שיעשה ממנו בנאדם” . . . .(אור) ” . . . . שיעשה ממנו בנאדם” . . . . לגמרי - שיעטוף אותו בטסטים, יכניס כל מיני מושגים של Scalable-יות ו-Reproducible-יות וכו’.וזה, בעצם, ה-Machine Learning Engineer הקלאסי - הבנאדם שהיה לוקח את המודל והופך אותו ל”מתאים ל-Production”.עכשיו, כמו בכל תהליך ידני - התהליך הזה הוא ידני, הוא לא Scalable-יהוא מועד לטעויות, לבאגים . . . .מה שה-Data Scientist התכוון זה לא מה שה-Data Engineer התכוון . . . .(אורי) . . . . ובטח לא מה שהלקוח התכוון . . . .(אור) . . . בטוח לא מה שהלקוח התכוון . . . . זה Given  . . . (רן)  . . . זה כבר לא מנסים - ויתרנו על זה מזמן . . . .(אור) . . . . והתוצאה הישירה של זה הייתה שהמון המון מודלים לא מצאו את דרכם ל-Production.ואז, בעצם, ML Engineer עבר איזושהו סוג של אבולוציה - לתצורה שאנחנו יותר מכירים היוםשבעצם זה יותר מהבנאדם שלוקח את המודלים ומתרגם אותם - לבנאדם שבונה את התשתיתנותן את ה-Infra, את הכלים ל-Data Scientist-ים - לבנות עליהם את המודלים.(רן) אוקיי, אז נשאלת השאלה האם לא כל Data Scientist הוא “בחציו” ML Engineer וחציו מדען . . . .זאת אומרת - איך נראה, לטעמך, איך צריך להראות היום-יום של Data Scientist ובמה הוא שונה מהיום-יום של MLE?(אור) אז זה מאוד מגוון . . . יש כל מיני “Flavor-ים”, לדעתי, של ה-Data Scientist-יםאני במקור גם התחלתי עם רקע של Data Scientist - והפן שאצלי בא יותר לידי ביטוי היה הפן ה-Engineer-י.יש Data Scientist-ים שהם, באופי שלהם, הרבה יותר חוקרים, Researcher-ים, שפחות מדבר אליהם האתגר ה-Engineer-י, ה-Software “המסורתי”יותר “לפתור בעיות קשות”.אז בעצם, מה שמגדיר ML Engineer טוב - צריך שיהיה לו מגוון, Skill Set מסויימים - הוא צריך להיות מאוד Data Engineer באופי שלו - להבין מה זה Data, איך Data מתנהג, בעיות שרלוונטיות לעולם של Data, “להזיז כמה שפחות” וכאלה . . . .והוא צריך להבין את העולם של Machine Learning - איך נראה תהליך פיתוח של מודל, איך מתנהל מודל ב-Production, מה המשמעות  . . . . אפילו איך מפתחים מודל, ברמה מסויימת.הוא צריך להבין תהליכי פיתוח של מוד…

לכל הפרקים של פודקאסט רברס עם פלטפורמה >>

פרסומת
[קישור לקובץ mp3]פרק מספר 450 של רברס עם פלטפורמה - אורי ורן מארחים מהצד השני של כנס העשור (יש תמונות, בקרוב ההקלטות!) את אור מחברת Superwise.[01:29](רן) אז אור -שתי מילים עליך?(אור) אז אני אור, CTO בחברת Superwise - סטארטאפ שקיים סדר גודל של שלוש שניםאני העובד הראשון שם - בניתי את ה-MVP של המוצרהיום אנחנו כבר יותר בוגרים ובשלים - מתעסקים ב-Monitoring של מערכות Machine Learning ב-Production, במשפט אחד . . . (אורי) כ-CTO ל-CTO: יש את השלב שבו הקוד שלך - אתה כבר מאוד רוצה שהוא לא יהיה במוצר . . . . הוא עוד שם? או ש . . . .(אור) שרידים אחרונים . . . .בהתחלה זה היה קצת קשה לשחרר את הקוד שלי, הייתי מאוד חרד לקוד שנכנסאבל היום, אני חושב שכבר 90% ממנו לא שם.(אורי) אני חושב שכבר 10 שנים אני מנסה שהקוד שלי ימחק - וזה לא קורה . . . נשאר השם של ה-Class.(רן) תקים מצבה סביבו . . . .(רן) כמה מפתחים אתם, ב-Superwise?(אור) אנחנו 20 איש, כרגע מרביתם ב-R&Dממש בימים אלה אנחנו בונים את ה-Core Capability של Superwise, של המוצרעם Design Partners טובים, לקוחות טובים, משלמים, שאיתנו מתחילת הדרך.בינתיים, טפו-טפו-טפו, הולך טוב.(רן) אז מערכת Monitoring ל-Machine Learning, בגדול - אוקיי. . . . גם אני בתחום, אז אולי יצא לנו לדבר קצת . . .[03:06](רן) בעצם, מה שאנחנו רוצים לדבר עליו היום זה על מה המשמעות של Machine Learning Engineering - MLE.אני זוכר את היום שבו בכח-אדם שאלו אותי “מה זה התפקיד החדש הזה שהמצאת פה לאנשים שלך? . . . . “MLE” - מה זה אומר?”אז מה זה MLE? מה זה Machine Learning Engineer, בעולם של היום?(אור) אז זו שאלה טובה - ובאמת הדגש זה על הנקודה של “היום”, מה המשמעות היום.אני אלך טיפה אחורה בהיסטוריה - לא המאוד רחוקה, שנתיים-שלוש אחורה - בעצם איך היה נראה תהליך פיתוח מודל של Machine Learning ולקיחה שלו ל-Production?היה יושב Data Scientist עם ה-Jupyter Notebook שלו, במקרה הטובבמקרה הפחות-טוב - עם ה-RStudio שלו . . . פותח את המודל ובאיזשהו שלב מחליטים ש . . . “ראה כי טוב” והמודל צריך להגיע ל-Productionאז באותו שלב, היו בעצם מדברים על זה עם איזשהו Software Engineer, שיקח את הקוד ויהפוך אותו להרבה יותר רובסטי ו . . . .(רן)  . . . “שיעשה ממנו בנאדם” . . . .(אור) ” . . . . שיעשה ממנו בנאדם” . . . . לגמרי - שיעטוף אותו בטסטים, יכניס כל מיני מושגים של Scalable-יות ו-Reproducible-יות וכו’.וזה, בעצם, ה-Machine Learning Engineer הקלאסי - הבנאדם שהיה לוקח את המודל והופך אותו ל”מתאים ל-Production”.עכשיו, כמו בכל תהליך ידני - התהליך הזה הוא ידני, הוא לא Scalable-יהוא מועד לטעויות, לבאגים . . . .מה שה-Data Scientist התכוון זה לא מה שה-Data Engineer התכוון . . . .(אורי) . . . . ובטח לא מה שהלקוח התכוון . . . .(אור) . . . בטוח לא מה שהלקוח התכוון . . . . זה Given  . . . (רן)  . . . זה כבר לא מנסים - ויתרנו על זה מזמן . . . .(אור) . . . . והתוצאה הישירה של זה הייתה שהמון המון מודלים לא מצאו את דרכם ל-Production.ואז, בעצם, ML Engineer עבר איזושהו סוג של אבולוציה - לתצורה שאנחנו יותר מכירים היוםשבעצם זה יותר מהבנאדם שלוקח את המודלים ומתרגם אותם - לבנאדם שבונה את התשתיתנותן את ה-Infra, את הכלים ל-Data Scientist-ים - לבנות עליהם את המודלים.(רן) אוקיי, אז נשאלת השאלה האם לא כל Data Scientist הוא “בחציו” ML Engineer וחציו מדען . . . .זאת אומרת - איך נראה, לטעמך, איך צריך להראות היום-יום של Data Scientist ובמה הוא שונה מהיום-יום של MLE?(אור) אז זה מאוד מגוון . . . יש כל מיני “Flavor-ים”, לדעתי, של ה-Data Scientist-יםאני במקור גם התחלתי עם רקע של Data Scientist - והפן שאצלי בא יותר לידי ביטוי היה הפן ה-Engineer-י.יש Data Scientist-ים שהם, באופי שלהם, הרבה יותר חוקרים, Researcher-ים, שפחות מדבר אליהם האתגר ה-Engineer-י, ה-Software “המסורתי”יותר “לפתור בעיות קשות”.אז בעצם, מה שמגדיר ML Engineer טוב - צריך שיהיה לו מגוון, Skill Set מסויימים - הוא צריך להיות מאוד Data Engineer באופי שלו - להבין מה זה Data, איך Data מתנהג, בעיות שרלוונטיות לעולם של Data, “להזיז כמה שפחות” וכאלה . . . .והוא צריך להבין את העולם של Machine Learning - איך נראה תהליך פיתוח של מודל, איך מתנהל מודל ב-Production, מה המשמעות  . . . . אפילו איך מפתחים מודל, ברמה מסויימת.הוא צריך להבין תהליכי פיתוח של מוד…

פודאסטים מובילים

מה שכרוך מה שכרוך 1184 פרקים
המעבדה המעבדה 812 פרקים
אש זרה אש זרה 582 פרקים
קטעיםקטעים528 פרקים
הפודיוםהפודיום526 פרקים
ציון 3ציון 3490 פרקים
פרסומת