繼上篇分享經濟轉資工之路，這篇把ML到SWE的部分補齊。
內部轉組半年多，上個月正式從Machine Learning Engineer轉為Software Engineer了。最近聊天常常被問到為什麼想轉後端，也有一些在做ML或DS的朋友考慮要轉，剛好整理自己的想法，希望哪天厭倦SWE了，回來看一下當初為什麼做這個決定。
下面分享轉後端的原因，以及工作內容的轉變。
💡 縮寫對照表
DS: Data Scientist 資料科學家
MLE: Machine Learning Engineer 機器學習工程師
SWE: Software Engineer 軟體工程師 (這裡針對後端)為什麼不做MLE了？
工作性質
SWE是一個從0到90的從無到有，當PM提出新的產品需求，可以很直觀的在幾個禮拜/月之後，看到新功能上線；而MLE追求的是90到99的優化，像是怎麼更精準投放廣告、chatbot怎麼回答更像真人、偏向MLOps涉及怎麼讓一個巨大的ML模型預測得更快速等。覺得自己對於那1, 2%的提升沒那麼有耐心，更喜歡從無到有的過程，從SWE得到更大的成就感。
另一方面，自己對ML有點失去信心。之前有一部分的工作是跑模型加解釋模型，雖然現在有很多針對模型可解釋性的工具，但通常那些工具也只是告訴你哪個feature重要，還是得針對產品、資料把結果用一個故事包裝好。然後有一天發現程式某個地方寫錯、feature沒處理好、或樣本有偏差，重跑模型發現之前講的故事就不適用了，會覺得那我是不是只是看圖說故事而已。另外很多人可能都聽過的調包俠、調參俠MLE，嗯…就不用多說了。
當然ML還是有很多有趣的地方，看看最近這麼紅的ChatGPT，但非我所能及，還是當個使用者就好。
面試準備
有找過SWE職缺的人應該都知道，準備面試就是刷LeetCode和system design，網路上可以找到很資源，準備起來比較直觀，而且這兩項準備起來幾乎可以適用每家公司。
MLE的面試多樣性高很多，依照工作內容，偏向software engineering的一樣會要求LeetCode和ML system design；偏向模型的可能會有case study問怎麼用ML處理某個問題，也會有快問快答式問的觀念和數學理論，而RecSys、NLP、CV又都很不一樣；偏向MLOps會問怎麼讓模型上線、上線後怎麼監控和維護、CI/CD等等。所以除非是某個領域的大牛，只針對個人興趣和經驗投缺，不然要準備的東西可以涵蓋coding, statistics, ML/DL models, MLOps，相當累人。
目標感
最後這個跟公司所處的階段很有關係，只針對我的情況。
簡單來說，我們公司還在偏向用戶成長的階段，更著重在開發新功能和產品，而不是怎麼優化現有的功能。因此就遇過當初上層想要做某個模型，但做好之後有其他更重要的需求，所以就不了了之。這種事情發生一次兩次之後，我會覺得不知道自己在做什麼，可有可無、沒有目標感。但也有同事覺得過程是自己喜歡的，最後怎麼樣我們無法控制，做喜歡的事又有薪水就好啦。
(最近聽前組員說，現在開始有一些被重視的專案可以做了，替他們感到開心。)
工作內容的改變
列了5個進後端組比較大的差異：
- 程式語言：最直接的不同，現在幾乎不寫Python，都是用Go。
- API：產品組後端應該都會遇到的東西，進組第一個任務就是開一個API給內部工具使用。
- Kubernetes (k8s)：以前infra主要還是data pipeline、data/feature storage、model management，沒有太多碰k8s的機會。換組後剛好遇到一個全新的service，從無到有佈署了一次。
- 跨組合作：畢竟是在產品組，所以新功能會同時需要跟前端合作，了解彼此的時程、定好contract、討論什麼東西會block對方要先處理等等；比較大的功能發布時，也會需要跟marketing、businsess system保持溝通，確保同步上線。
- Design：以前在ML組系統沒那麼複雜，要做一個改動可能就是某個service裡的某一個模型。但在後端組，一個功能會牽涉到多個services，比如之前有個Auto Trial Start專案，就是當用戶註冊我們的硬體裝置，比如智能攝影機，用戶可以不用填寫信用卡資訊，直接獲得兩個月的軟體服務適用期，這裡牽涉的services就包括訂閱管理、系統監控、通知推送等等。
以上紀錄一下，目前很滿意轉成後端工程師，更廣泛的了解整個系統怎麼運作，自己能做的事情又更多了。
如果有在思考要不要跨入MLE、或想從DS/MLE轉走的朋友，還是得說不同公司、不同組的差異很大，多聽聽各方意見再做決定吧。
