作者丨Alexei Bochkarev

譯者 | 晶顏

審校 | 重樓

出品 | 51CTO技術棧（微信號：blog51cto）

在當今瞬息萬變的技術世界中，機器學習（ML）后端工程師驚覺自身正處于進步的最前沿，被迫不斷適應和加速創新。在競爭激烈的技術市場中，產品質量是成功的核心，尋找產品改進的新方法是ML后端工程師的責任。在本文中，我們將介紹幫助您成為優秀ML后端工程師的五種策略。

1、策略1：持續學習ML基礎知識

在ML后端工程師能夠創新復雜的應用程序之前，他們必須首先了解機器學習的基礎知識。理論基礎、經典算法和已確立的最佳實踐不僅僅是學術練習；它們還是后續每一層知識和專業技能的基礎。

案例研究：改進電子商務聚合器的查詢分類算法

確定用戶查詢或搜索短語背后意圖的過程稱為查詢分類（Query Classification）。這對電子商務聚合器來說至關重要，這些聚合器會將來自不同零售商的產品整合到一個平臺上。例如，客戶在銷售書籍、電子產品和服裝的電子商務聚合器中輸入查詢“Harry”，該聚合器可以指向“Harry Potter”（書籍或電影）和“Harry Styles商品”（服裝）等結果。在這種情況下，精確的查詢分類對于確保用戶找到他們所需的產品至關重要，這可以帶來更高的轉化率和用戶滿意度。   

雖然基于規則的分類系統可能難以處理這樣的查詢，但經過大量數據訓練的ML模型可以對用戶正在尋找的內容做出有根據的猜測。如果您不了解基本的算法和方法，如基于規則的分類、決策樹、樸素貝葉斯分類器（Nave Bayes Classifier）、神經網絡和深度學習等，那么您成功的機會幾乎是渺茫的。

掌握ML基礎知識的關鍵要點和技巧

通過定期回顧和加強機器學習基礎知識，您可以鞏固自己的知識，更好地了解趨勢，并在競爭中保持領先地位。以下是一些建議：

• 把時間和資源投入到基礎課程、講習班和研討會上。雖然“重返校園”似乎有些奇怪，但這些途徑往往為舊概念提供了新的視角。
• 參與實踐項目和挑戰，使您能夠應用基本的機器學習概念。這不僅加強了理解，而且揭示了理論可能遺漏的細枝末節。

2、策略2：內部測試（Dogfooding）自己的產品

Dogfooding表面看是“吃自己的狗糧”，現在也被譯為“內部測試”，指的是作為最終用戶使用您自己的產品，以深入了解其優點、缺點和需要改進的地方。這個概念的基本思想簡單而深刻：通過親自體驗自己的產品，您將能獲得寶貴的見解，這些見解可以幫助您識別問題、痛點和創新機會，否則這些問題可能會被忽視。

案例研究：幫助一家土耳其搜索引擎提高搜索質量

例如，一家土耳其公司在決定從頭開始構建一個新的搜索引擎時，盡管擁有一支稱職的QA團隊，并利用了BERT和Neural Networks等先進算法，但他們仍然很可能會面臨搜索結果相關性和準確性方面的偏差?！皟炔繙y試策略”（Dogfooding Strategy）——所有公司員工開始專門使用自己的搜索引擎來滿足在線搜索需求——可能會有所幫助。它將有助于定義和解決查詢分類、詞嵌入、UI實現和廣告放置等方面的缺陷?！皟炔繙y試”方法將為技術團隊提供必要的數據，以實現更適合土耳其語言和用戶行為細微差別的算法。   

Dogfooding的最佳實踐：

• 定期使用：將您的產品集成到您的日常工作中，確保您在各種場景和上下文中使用它。
• 多樣化的團隊參與：鼓勵所有部門的成員使用產品，而不僅僅是工程師和產品經理。不同的視角可以突出不同的問題。
• 反饋渠道：創建簡單的內部反饋渠道。當一個想法或問題在腦海中迸發時，它是最強大的。
• 快速迭代：當獲得的見解觸發及時響應時，Dogfooding效果最好。根據反饋確定優先級并采取行動以不斷改進產品。

3、策略3：產品差距的定量分析

在產品開發過程中，如果沒有定量分析，有時很難確定需要改進的特定領域。它使企業能夠準確地識別差距，并通過可測量的數字數據剖析產品性能，將用戶行為、反饋和產品指標轉化為有形的數字，從而執行有針對性的改進。

案例研究：提高地圖搜索服務的排名質量

以一個全球流行的地圖搜索服務為例，它不斷收到關于搜索結果排名質量的投訴，用戶聲稱特定的地標應該得到更多的可見性。該公司可以通過定量分析來檢查用戶搜索模式、點擊率、用戶粘性持續時間和重新查詢頻率，從而獲得有價值的數據。獲悉這些數據可以幫助定義為什么著名的地標經常被忽視，并改進排名算法，以改進關鍵的“以用戶為中心”的指標。   

快速分析產品質量并得出可操作性見解的技術：

• A/B測試：將您的用戶群分成兩組，測試不同版本的產品。比較性能指標，看看哪個版本更受用戶歡迎。
• 熱圖：利用生成用戶交互熱圖的工具。這張圖描述了用戶在哪些地方花費了大部分時間，哪些功能被忽略了。
• 用戶流分析：發現用戶如何瀏覽您的產品。確定瓶頸或下降點，以幫助優先考慮需要改進的領域。
• 帶有定量問題的反饋調查：設計帶有數字評級的調查，而不是開放式問題。這為分析提供了更精確的基線。
• 實時監控工具：部署提供實時洞察用戶行為的工具，使團隊能夠快速識別和解決任何意外問題或差距。

4、策略4：加快開發周期

ML模型開發周期是一個迭代過程，包括構思、訓練、測試和部署。這個循環的每一個循環都旨在建立一個更精細、更準確、更有效的模型。在日益激烈的市場競爭中，縮短周期是絕對必要的，快速迭代也是必要的。

案例研究：減少自動駕駛汽車項目的模型推理時間

在自動駕駛汽車行業中，駕駛模型的推理時間至關重要，因為較長的推理時間可能導致道路上的反應延遲。通過整合一些真正有效的策略來簡化開發周期，可以讓自動駕駛汽車更快地實時反應，同時也允許團隊更頻繁地迭代和改進模型，從而進一步提高性能。

加快開發周期的策略包括：

• 使用更小的模型/更小的池進行實驗：在擴大規模以進行更快的實驗和假設驗證之前，先從更小、更易于管理的模型或數據子集開始。
• 構建自動化培訓和評估管道：自動化耗時的任務（如培訓和評估管道）以釋放工程師的時間進行改進和創新。
• 在線測試之前利用Dogfooding和離線測試：在啟動全面的在線測試之前，先在內部使用您的產品并運行離線測試來檢測主要問題，以盡早解決潛在問題，從長遠來看，這樣做更加節省時間和資源。

5、策略5：構建示范性原型

示范性原型（Demonstrative Prototype）是一個非常有用的工具，可以增加創造成功最終產品的機會。它將抽象概念與具體的產品實現聯系起來。

示范性原型在產品開發中所扮演的角色包括：

• 可視化：原型將想法變為現實，讓所有利益相關者（無論他們是開發者、投資者還是潛在客戶）都能與之互動并更好地理解概念。
• 收集反饋：用戶可以測試原型，并為進一步的設計改進提供反饋，以確保最終產品與用戶的需求和期望緊密匹配。   
• 降低成本：與在全面生產后進行檢測相比，在原型階段識別設計缺陷或效率低下可以節省大量資源。
• 獲得利益相關者的支持：一個可行的原型可以向潛在的投資者或高層管理人員證明這個想法的可行性。
• 改進用戶體驗（UX）：與原型交互可以提供對用戶旅程的見解，允許設計師改進用戶體驗，以獲得更大的直觀性和用戶滿意度。
• 降低風險：通過在真實場景中測試原型，可以及早識別和解決潛在的風險或缺點。

6、結語

在本文中，我們研究了如何在這個蓬勃發展的行業中成為優秀機器學習（ML）后端工程師。他們專注于持續學習機器學習基礎知識，使用Dogfooding方法和定量分析，加速開發周期的技術，以及構建示范性原型。

如果您選擇ML后端工程師的職業路徑，那么將這些策略應用于您的日常工作可以幫助您提高績效，將自身水平達到新的高度，并推動整個技術領域向前發展！         

參考鏈接：https://hackernoon.com/five-strategies-to-become-top-ml-backend-engineer