1) machine learning/ deep learning research scientist: research on in depth topic on machine learning/ deep learning/ NLP/ CV/ IR/ Recommendation Systems etc
2) operation research scientist: research on in depth topic on opimization, network routing, pricing etc
3) economist: research on in depth topic on causal inference, mechanism design, pricing etc
偏Production方向：
4) data scientist: design metrics, evaluate model performance
5) data engineer: collect data+build data pipeline
6) machine learning engineer: productionize model developed by scientists/ or simple models
7) business intelligence engineer: dashboard, business analytics
一位网友想咨询：applied scientist和research scientist在工业界的区别是什么呢？
这些titles比如applied scientist, research scientist, machine learning
engineer, data scientist, research engineer在不同公司有些不太一样，但是其实
和ml有关的工作我感觉其实主要是下面几类：
（1）单独的centralized的做ML的组，没有直接的production任务，主要分成下面两类：（1）纯做research写最前沿论文，基本不用管公司的production：这些像是大公司
里面专门做前沿research的组是做这些的。此处一般是项目scientist带着engineer做
，此处的engineer一般叫research engineer，此处的scientist可能叫RS，可能叫AS，不同公司不一样。（2）有一个和公司production的组合作做项目，为公司内部的组提
供ML解决方案，此处一般是项目scientist带着engineer做，此处的engineer一般叫
machine learning engineer，此处的scientist可能叫RS，可能叫AS。
（2）在production组做ML，主要是下面四类：（1）负责建立ML模型，写论文，ship
into production，这类是applied scientist，同时要求有research scientist和sde
的skills；（2）负责建立ML模型。写论文，production不管，这种是research
scientist；（3）负责把research scientist的模型ship into production，这种是
MLE；（4）建立metrics来看模型的business impact或者做experimental design这类
工作的是data scientist。
不同公司现在可能title有些不一样，DS的工作范围很广，AS和RS区别很模糊，但是长
期来看，我感觉大致我描述的这种任务分工模式吧。
问：想请问一下production的定义，可以举个例子吗？
答：模型需要上线被公司的系统使用。此处就有三点：
（1）一般来说模型不能特别复杂和fancy。此处和学校academia的research不一样，
academia就不用管模型是不是需要上线，就比如它的dl模型可以非常复杂，但是
performance很好。公司里面上线的模型必须得是满足latency-constraint的
production-ready模型。
（2）越复杂的模型想上线越困难，越需要mle和infras的优化支持。
（3） 发论文的applied scientist做research的时候，把复杂模型发paper，稍微简化一些的模型上线。
问：可以说是需要被公司业务，无论是间接支持还是直接面向customer，在线使用，这样吗？间接支持我是指一般的data组对于公司业务的日常或持续性的决策支持，就是实际上是offline的model；直接面向customer，举个例子就是用online model直接评估和fliter掉fraud abuser账户这种。不知道哪种更属于production？
答：但是提到online offline模型的话，一般的ml的组模型是有online offline之分的。online有latency要求，实时得到prediction结果。就比如你说的那个fraud
detection，如果是实时跑模型，那是online的。但也有的是做成offline模型，就比如把很多predictions结果存成一个database，实时跑的时候就是lookup，而不是call哪
个模型。
问：关于你的（1）（2）两点，我工作中经常遇到的就是scientist scripts出的model有scalability的问题，换句话说，按照production的数据规模根本实现不了，我需要
重写他们的逻辑，不知道这样算ship into production吗？
答：把ds或者rs的模型重写，either语言重写：python or R to java，or模型写的很
粗糙，比如一堆for loop需要你写成numpy，那的确是你（我猜是mle）完成的ship
into production的。
我觉得tech行业research+data相关的职位之后会越来越细分，大致根据expertise会分成：
偏Research方向：
1) machine learning/ deep learning research scientist: research on in depth topic on machine learning/ deep learning/ NLP/ CV/ IR/ Recommendation
Systems etc
2) operation research scientist: research on in depth topic on opimization, network routing, pricing etc
3) economist: research on in depth topic on causal inference, mechanism
design, pricing etc
偏Production方向：
4) data scientist: design metrics, evaluate model performance
5) data engineer: collect data+build data pipeline
6) machine learning engineer: productionize model developed by scientists/
or simple models
7) business intelligence engineer: dashboard, business analytics
现在data scientist的分工比较模糊，但是长期来看如果想在工业界做research（包括applied research），需要有上述的一些domain的expertise。你如果现在是ds或者mle想长期发做research，工作了也一定要compound自己，一定要发paper一定发paper！