1、將模型發布成服務的能力

模型訓練好后，需要發布成服務，這樣才算完成落地。但是發布成服務，并不是那么簡單。

如果用python，那你至少得會tornado或者flask。要學會這兩個框架，至少需要對web服務技術有所了解。

如果用java，大部分是用spring，那你至少需要對spring全家桶有所熟悉，當然，maven啥的是不能少的。

如果是用RPC，除了spring之外，對RPC（比如hsf）技術也要熟悉基本原理，并能熟練運用。

在容器化的今天，你的服務一定是在容器中運行的，這需要你對docker等容器化技術比較熟悉，才能真正地與docker配合，完成服務發布。

不同的公司都有自己的devops工具，用來完成創建應用、申請機器、創建環境、發布服務、發布變更等工作，也需要很好地掌握。

2、配置監控的能力

服務上線了，監控必須要跟上，不然，服務掛了很久你都不知道，怎么能行。各個公司都會有自己的服務監控工具，比如supervisor等。有時候，你需要對服務狀態有更加細致的監控，比如某類異常過多，響應時間加長，請求數據具體情況等，這往往需要你對監控工具比較熟悉，才能順利配好。

3、負載均衡、擴縮容、容災備份的能力

有了監控，不等于完事大吉，你還得考慮服務承載能力問題，需要多少臺服務器，負載均衡按照什么策略。如果服務請求突然增多，如何快速擴容，服務器如何配置在多地，增加服務的容災能力。這些事情雖然都有工具可用，但首先需要你對這些事情的基本原理比較清楚，并提前熟悉，才能在必要時用得上。

4、灰度測試的能力

有時候你訓練出一個新的模型，需要檢測效果，這是你的服務已經在線上了，直接用新的模型頂上是風險很高的，離線測auc呱呱叫，上線后auc直線呼呼跳的事情是很正常的。所以，一定要用小流量進行驗證，這需要你對灰度測試機制比較熟悉，不然，做不到這一點，新模型是上還是不上呢？

5、數據分析的能力

好的，模型已經上線運行了一段時間，需要分析下效果。首先，你的log有沒有記得夠詳細，可以支持所有粒度的模型情況分析？嗯，記log確實是一件需要提前想好的事情，不要小看它哦。另外，大概率情況，你的log會被load進大數據系統，比如hive，那么要分析log，hive你總得會吧。有時log還需要進行很多處理才能得出分析結論，那么，大數據分析工具spark啥的你總得會吧？各個算子可是都清楚了？

6、報表生成的能力

你的模型總得有一些日常觀察指標吧，這樣你才能時刻追蹤到模型服務的最新情況，一旦發生指標異常，可以迅速分析解決。這時候沒有比一個完善的報表更重要的了。所以你需要會將自己模型服務的報表做出來吧，報表工具雖然有，但你總得會才行啊。

7、制作前端portal的能力

為了在上線前更方便地體驗模型服務，你總得為服務搭建一個前端使用頁面吧。至少讓老板們可以愉快地測試你新model的效果。前端頁面可以非常簡單，vue啥的都可以。問題是這點活兒你不自己干難道還給你招一個前端來？

8、無總結、不進步

可見，從工程師的角度來看算法工程師，一個合格算法工程師首先是一個合格的工程師才行。可能你覺得算法工程師不需要會這么多也能活得很滋潤，因為有工程團隊配合呢。我只想說，你說的是現在，我說的是未來。

總而言之一句話，盡快擺脫調參師的標簽，多領域拓展自己的知識結構，讓自己成為一個T形人才，才能在越來越激烈的崗位競爭中，最大限度提高自己的競爭力。