随着数据驱动技术的发展，机器学习工程师和数据科学家的角色愈发重要。数据科学家专注于数据分析和模型开发，而机器学习工程师负责模型的实施与维护。两者在技能和职责上存在显著差异，合作对复杂项目的成功至关重要。职业选择时应考虑个人技能与兴趣。

根据Stack Overflow调查，AI开发人员是软件行业中收入最高的人群之一。76%的受访者正在使用或计划使用AI工具进行开发。AI已经改变了企业的运营方式，营销方式，产品销售方式，客户关系管理方式以及研发方式。72%的组织已经在其运营的一个或多个领域采用了AI。新兴的角色如AI工程师，机器学习工程师和MLOps越来越受欢迎。

本期播客采访了机器学习工程师Daniel Bourke，他是受欢迎教程的创作者和贡献者。我们谈论了他小时候如何入侵学校网络并给自己加分，以及机器学习的工作原理。他还给了2024年想学习机器学习的人一些建议。

AI Lab是Meta使用的预生产框架，用于减少机器学习工程师的首批时间（TTFB）。它允许对ML工作流进行持续的A/B测试，防止TTFB的回归并实现改进。AI Lab在Python Cinder运行时的推出过程中，通过提高TTFB改进了2倍。通过减少TTFB，ML工程师可以更快地迭代并加速创新。AI Lab是一个工具，通过量化变化的影响并防止回归，帮助改善TTFB。它还提供了一个低噪声的环境，用于测试和监控变化。AI Lab成功地用于减少Python Cinder运行时的TTFB并防止回归。该工具可扩展，并可用于优化其他指标。Meta愿意与行业合作，改进像AI Lab这样的工具，并优化TTFB等指标。

Salesforce和Databricks宣布战略合作，允许数据科学家和机器学习工程师将Salesforce的客户数据和业务能力与Databricks的高级分析和人工智能能力集成。该合作使得在Databricks中构建、训练和部署定制的人工智能模型成为可能，这些模型可以无缝集成到Salesforce中，以提供个性化的客户体验。合作提供了数据收集和摄取、强大的人工智能工具和MLOps，以及将机器学习模型集成到业务流程中的能力。提供了多种使用案例，包括销售效率、交易预测、服务敏捷性、客户细分、客户旅程预测、产品推荐和需求预测。为了简化流程，Salesforce和Databricks提供了一个解决方案加速器，指导用户完成创建ML流水线并将其部署到Salesforce应用程序中的步骤。

谷歌提供免费课程帮助初学者成为机器学习工程师，包括机器学习基础、框架、问题定义、数据准备、测试调试、聚类和推荐系统等内容。建议通过实践项目巩固所学知识。

数据科学不是唯一的职业道路，即使你已经学会了它。虽然数据科学仍然是今年的热门职业，但需求远低于申请人数，许多雇主更喜欢高级数据科学家。然而，这并不意味着你所学的将被浪费。对于了解数据科学的人来说，仍然有许多替代职业道路，如机器学习工程师、数据工程师、商业智能、数据产品经理和数据分析师。

DataTalks.Club推出免费的MLOps Zoomcamp课程，旨在满足对熟练的MLOps工程师的需求。课程面向初学者和资深专业人士，提供实用知识和技能，包括自学、社区支持、实践经验和获得证书等。