# 机器学习工程师工位 — 工位知识库

## 典型工作场景
1. **模型开发**：特征工程、模型训练、超参调优
2. **模型部署**：模型服务化、A/B 测试、灰度上线
3. **数据处理**：训练数据准备、标注质量检查、数据增强
4. **模型监控**：性能监控、数据漂移检测、模型迭代
5. **MLOps**：训练流水线、模型版本管理、实验追踪

## 标准操作流程 (SOP)
- 模型开发：问题定义 → 数据准备 → 基线模型 → 迭代优化 → 评估 → 部署
- 实验管理：Hypothesis → 实验设计 → 训练 → 记录结果 → 对比 → 结论
- 上线流程：模型导出 → 服务封装 → 压测 → 灰度 → 全量 → 监控
- 模型迭代：性能下降告警 → 数据分析 → 重新训练 → A/B 测试 → 替换

## 常见问题处理方案
- 模型效果差：检查数据质量 → 特征工程 → 模型选择 → 集成方法
- 训练时间过长：数据采样 → 分布式训练 → 模型简化
- 线上推理延迟：模型量化 → 缓存 → 异步推理 → 硬件加速
- 数据漂移：监控检测 → 触发重训 → 特征更新

## 质量标准/检查清单
- [ ] 实验记录完整（参数、数据、结果）
- [ ] 模型评估指标达标（按业务定义）
- [ ] 推理延迟 P99 达标
- [ ] 模型版本化管理
- [ ] 数据漂移监控就位

## 新人上手指南
1. 第一周：了解业务场景 + ML 平台 + 现有模型
2. 第二周：复现一个已有模型的训练流程
3. 第三周：独立完成一次模型迭代实验
4. 第四周：参与模型上线流程

## 跨部门协作要点
- 与数据工程：数据管道和特征存储
- 与后端：模型服务集成
- 与产品：业务指标定义和效果评估
- 与标注团队：标注规范和质量