03
機器學習工程師是 AI 技術的「工程實現者」：把研究模型變成可監控、可維護、能穩定服務使用者的系統。
你每天真正會在解決什麼問題？
工作的核心不是只看職稱，而是理解這個角色如何把模糊問題轉成可以被處理的工作。
SHIP
把模型送上線
將資料科學家開發的離線模型透過 CI/CD 管道自動部署。
SERVE
包裝模型服務
將模型包裝成高併發、低延遲的 API 服務。
WATCH
監控模型品質
設計模型監控與自動重新訓練機制，防止模型退化。
OPTIMIZE
優化推理速度
透過量化與硬體加速，讓模型在真實環境運作得更快。
先把這幾件事練到能用。
Python / C++
寫出可測試、可維護、能進入服務環境的程式。
必備Docker / Kubernetes
管理模型服務的封裝、部署與擴展。
核心PyTorch / TensorFlow
理解模型結構與訓練流程，能在工程上做出取捨。
核心AWS / GCP
在雲端平台上建立可觀測、可擴展的服務。
加分一天的節奏，比職稱更誠實。
一個普通的工作日DAILY RHYTHM
追蹤服務
追蹤推薦 API 的回應時間是否高於預期。
優化效能
重構特徵處理程式，讓推理流程更有效率。
金絲雀部署
使用 Docker 與 Kubernetes 將新版模型分階段上線。
這條路不只通往一個終點。
先建立這個角色的基本功，再依照你更喜歡的問題，往管理、產品或更深的數據技術前進。
ML Engineer建立模型服務基本功
資深 ML Engineer主導平台與部署策略
MLOps Architect / Tech Lead定義 AI 產品的工程方向
看懂角色之後，面試會考什麼？
不同角色的面試形式差異很大，提早知道每一關在測試什麼，準備才有方向。
SCREEN
履歷 / 系統設計電話篩選
確認雲端、容器化與模型服務化的實務經驗。
TEST
程式與系統設計測驗
常考 API 設計、併發處理，或現場設計一個模型推論服務的架構。
ONSITE
MLOps 情境題
討論模型如何監控、如何處理資料漂移與版本回滾。
FINAL
團隊與職涯期待面談
確認你想往研究、平台還是產品方向發展。
作品集怎麼準備
準備一個完整走過訓練到部署的專案，附上你怎麼監控與重新訓練模型的設計文件，而不只是模型本身。
常見的落選原因
- 只準備模型訓練程式碼，答不出上線後的監控與版本管理設計
- 系統設計題只講功能，沒考慮流量與延遲的取捨
- 沒有展示過任何「修過的坑」（例如資料漂移、服務當機排查）
ML Engineer 的工作，讓模型離開 Notebook，真正成為可靠的產品能力。
