Beide werken met modellen en machine learning, en in veel teams overlappen ze. Toch ligt het zwaartepunt anders: een data scientist ontdekt wat mogelijk is, een machine learning engineer zorgt dat het betrouwbaar werkt.

Het verschil in één zin

Een data scientist onderzoekt de vraag en ontwikkelt het model. Een machine learning engineer maakt het model productierijp en houdt het draaiend.

Naast elkaar

• Zwaartepunt: de scientist bij analyse, experiment en modellering; de ML engineer bij software-engineering en productie.
• Vraag: de scientist vraagt "welk model beantwoordt deze vraag het best?"; de ML engineer "hoe draait dit model betrouwbaar, snel en schaalbaar?".
• Werkomgeving: de scientist vaak in notebooks en met experimenten; de ML engineer in code, pijplijnen en productieomgevingen.
• Samenwerking: de scientist dicht bij de business; de ML engineer dicht bij engineering en IT.

Welke heb je als eerste nodig?

Een data scientist als:

• je nog onderzoekt of een voorspellend model waarde oplevert;
• de vraag nog niet helemaal scherp is;
• er veel analyse en experiment nodig is.

Een ML engineer als:

• er al een veelbelovend model of prototype is;
• modellen in producten of processen moeten draaien;
• betrouwbaarheid en schaal belangrijk zijn.

Veel organisaties hebben beide nodig: de scientist voor het "wat", de engineer voor het "hoe in productie".

En de AI engineer?

Voor toepassingen op bestaande taalmodellen is vaak geen van beide de eerste keuze, maar een AI engineer. Zie AI engineer of ML engineer.

Veelgestelde vragen