導言

當你考慮你的第一份數據科學工作或你的下一個數據科學職位時，你會想問自己什么是重要的。對我來說，我在數據科學方面有過幾個職位，這些是我認為在選擇下一份工作時必須考慮的一些最關鍵的問題。

您的團隊中有MLOps工程師嗎？

學習數據科學通常包括掌握機器學習算法，但有一個很大的部分在學術界經常被忽視，那就是這些算法的運算。原因可能是有許多不同的方法來部署您的模型，并且許多選項可能包括已經集成到您的業務中的昂貴的特定平臺。由于這種可變性，學?；蝽椖靠赡軙x擇不在教學大綱中包括操作，這是可以理解的。

話雖如此，您很可能想問這項工作是否是您作為數據科學家的責任，或者是否有一個專門的MLOps工程師(或機器學習工程師等)。當然，有些人可以做到這兩個方面，并且更喜歡掌握創建和部署模型過程的兩個部分，但是僅僅是專注于算法的數據科學家也是可以的。與你未來或現在的經理明確這個定義甚至更重要。

您將與SQL/數據/業務分析師一起工作嗎？

與上述考慮類似，您將想要詢問您的團隊中是否有SQL專家。一些數據科學職位幾乎不需要SQL，而其他職位幾乎每天都需要SQL。在您的面試中，您將希望縮小您可以期望執行的SQL的數量，以及您是否是唯一的SQL。

有時，還有其他人，如數據分析師、業務分析師或數據工程師，他們更像是一名專家，使用SQL。然而，在一些數據科學職位上，您將被要求在建模過程之前和之后查詢您的數據。

您需要一次處理一個項目嗎？

在進入一個專業數據科學家角色之前，一次一個項目聽起來似乎是一項簡單的任務，但它可以很快變成一個全職項目。

對于任何一個特定項目，您都可以執行以下步驟:

• 定義業務問題
• 獲取數據
• 查詢數據
• 特性工程(不僅對已有的特性進行排序，而且提出概念上有意義的新特性)
• 模型比較/誤差/精度分析
• AB/測試模型
• 模型部署
• 以上所有人都可以與其他人一起從事某種類型的工作，如產品經理、執行人員、軟件工程師、數據工程師、AB測試人員、業務分析師、數據分析師等。

您是唯一參與項目的數據科學家嗎？

數據科學的一些職位會有一個項目，只有一個人在上面工作，而在其他角色中，有幾個人在同一個模型上工作。人們按照自己的節奏前進，與其他日子相比，有或多或少的效率，每天都可以享受或不享受與其他人在同一個項目上工作。

最終要由你來決定你喜歡什么，同樣重要的是在進入一個角色之前知道你的期望是什么。

項目通常的完成時間表是什么？

算法/模型創建的測試快得驚人。在開發一個模型并將其集成到您的業務中時，前后部分可能會占用大部分時間。

對于任何項目來說，時間線都可以波動，就像上面的其他考慮一樣，它是關于期望的--需要多少工作才能獲得有用的結果。

摘要

總的來說，重要的是要記住，當你接受數據科學角色（或任何角色）的面試時，你應該同樣地面試他們，這些只是你可以問和提出的一些問題或考慮因素。此外，即使在當前的角色中，您仍然可以提出這些問題。

概括地說，在選擇下一份數據科學工作之前，需要記住以下五點:

• 你的團隊中有MLOps工程師嗎？
• 您將與SQL/數據/業務分析師一起工作嗎？
• 你一次只做一個項目嗎？
• 你是唯一一個在項目上工作的數據科學家嗎？
• 一個項目通常的完成時間表是什么？

謝謝你的閱讀。