อาชีพนี้ทำอะไร: ฝน Data Engineer & Machine Learning Engineer

machine learning engineer interview data

ศาสตร์ในการรวม Data Science กับ Data Engineer สำคัญมากขึ้นเรื่อย ๆ ในทุกองค์กรที่ต้องการนำ Machine Learning เข้ามาใช้ในธุรกิจครับ วันนี้แอดมีโอกาสได้พูดคุยกับน้องฝน Machine Learning Engineer ผู้ทำอาชีพด้านนี้ ที่บริษัท Sertis เพื่อมาเจาะลึกกันว่าสายอาชีพนี้เค้าทำอะไรกันบ้าง เพื่อที่จะเป็นแรงบันดาลใจให้กับทุกท่านครับ

บทความนี้อยู่ในซีรีย์ สัมภาษณ์อาชีพสาย Data Science ซึ่งแอดเริ่มต้นขึ้นมาเพราะอยากให้เราเข้าใจพวกเค้ากันมากขึ้น และให้คนที่สนใจทำอาชีพด้านนี้ได้รู้ด้วยว่าต้องเตรียมตัวอย่างไรบ้าง ถ้าใครทำงานในสาย Data อยู่ก็ขอเชิญชวนมาคุยกันครับ ทักมาในเพจได้เลย

เรามารู้จักน้องฝน Machine Learning Engineer ผู้มากความสามารถกันก่อนดีกว่าครับ

บทสัมภาษณ์ฝน Machine Learning Engineer ที่ Sertis

fony machine learning engineer 1
ฝน Machine Learning Engineer ที่จะมาคุยกับเราวันนี้

แอดเพิร์ธ: สวัสดีครับน้องฝน รบกวนเล่าให้ฟังหน่อยว่าตอนนี้ทำงานด้านไหนอยู่ครับ เป็นงานเกี่ยวกับอะไร

ฝน: ตอนนี้ฝนเป็น Machine Learning Engineer อยู่ที่เซอร์ทิสค่ะ ซึ่งรับผิดชอบเกี่ยวกับการนำ machine learning model (ขอเรียกสั้นๆ ว่า ML) ที่ได้จากทีม AI Research ซึ่งเป็นทีมงานที่ถนัดด้านการสร้างโมเดล มาพัฒนาต่อ เพื่อทำให้เกิดเป็น product ที่ใช้ได้จริงๆ

โดย Machine Learning Engineer ต้องรับผิดชอบงานทั้งในส่วนของการ optimize และสร้าง API เพื่อให้สามารถนำไปใช้งานได้จริงๆ หลังจากนั้นก็จะมีหน้าที่ดูแลและตรวจสอบระบบของเราต่อไป

เครื่องมือหลักๆ ที่ใช้ก็จะเป็น Python, Java, Docker, Kubernetes, CI&CD Tool ต่างๆ, Linux และต้องมีความรู้เกี่ยวกับ Cloud Platforms ทั้งหลายด้วย

แอดเพิร์ธ: งานน่าสนใจมาก ๆ เลยครับ เมื่อสักครู่มีพูดถึงว่างานของเราคือรับงานจาก AI Research มาทำต่อ อันนี้แปลว่าคนสร้าง Model เป็นคนละคนกับคนที่เอามาติดตั้งบน Production เหรอครับ

ฝน: หลายคนอาจคิดว่า Data Scientist เป็นคนทำการ deploy model หรือทำ production เองทั้งหมด แต่จริง ๆ แล้วมีหลายบริษัทที่มีทั้งทีม Data Scientist และยังมีทีม ML Engineer เพื่อจัดการงานด้าน Engineering โดยเฉพาะ

การแบ่งสายงานในรูปแบบนี้ทำให้ Data Scientist และ Researcher สามารถโฟกัสกับการทำ model training และ research ได้อย่างเต็มที่มากขึ้น

แอดเพิร์ธ: พอเข้าใจแล้วครับ มีโปรเจค Machine Learning อันไหนของบริษัทที่เอามาอวดได้มั้ยครับ

ฝน: ฝนเคยทำโปรเจค Face Recognition เป็นระบบตรวจสอบและจดจำใบหน้า เพื่อใช้เป็น Access Control เช่น การสแกนใบหน้าเพื่อเข้า-ออกประตูออฟฟิศ การบันทึกเวลาเข้าออกของพนักงานแทนการตอกบัตร ถ้าใครสนใจโปรเจคนี้ สามารถดูรายละเอียดเพิ่มเติมได้ที่ เว็บไซต์ของ Sertis เลยนะคะ (ขายของแบบนี้เลยละกัน)

(แอดเพิร์ธ: สำหรับใครที่สนใจโปรเจคนี้ ลองดูวีดิโอประกอบด้านล่างได้เลยนะครับ)

แอดเพิร์ธ: แล้วก่อนที่จะมาเป็น Machine Learning Engineer น้องฝนเรียนจบด้านไหนมาครับ แล้วทำยังไงถึงมาเริ่มงานสายนี้ได้

ฝน: ฝนเรียนจบวิศวกรรมคอมพิวเตอร์ จุฬาฯ ค่ะ พอจบมาก็ทำงานเป็น Associate Technical Consultant ครึ่งปี ก่อนที่จะมาทำงานกับ Sertis

โดยเข้ามาทำงานที่ Sertis ในตำแหน่ง  Data Engineer เพราะเป็นงานที่เรามีพื้นฐานมาก่อน รวมทั้งส่วนตัวก็สนใจทางด้าน System Engineer อยู่แล้ว และอยากทำงานกับ Linux อยากรู้จัก Big Data ว่าในชีวิตจริงเขาทำกันยังไง เพราะสิ่งเหล่านี้ก็ตรงกับที่เราเรียนมาด้วย ฝนเลยไม่ลังเลที่จะสมัครตำแหน่ง Data Engineer ค่ะ

แต่พอทำงานมาได้ประมาณหนึ่งปี ทางทีม Data Science เริ่มมีงานเกี่ยวกับ Computer Vision ให้เราเข้าไปมีส่วนช่วยมากขึ้น และทำให้เราได้เรียนรู้มากขึ้นด้วยเช่นกัน หลังจากนั้นประมาณอีกครึ่งปีก็ได้เปลี่ยนตำแหน่งมาเป็น Machine Learning Engineer ซึ่งถือว่าเป็นงานที่เราสนใจด้วย

แอดเพิร์ธ: ได้ยินมาว่าตอนนี้เรียนปริญญาโทไปด้วยทำงานไปด้วยเหรอครับ

ฝน: ใช่ค่ะ ตอนนี้ฝนกำลังเรียนปริญญาโท Master in Computer Science (OMSCS) ของ Georgia Tech ค่ะ เป็นหลักสูตรออนไลน์ เรียนมาเกือบจะหนึ่งปีแล้ว หลักสูตรนี้ใช้เวลาเรียน 2 ปี แต่ถ้าเรียนแบบไม่รีบก็ประมาณ 3 ปี

ที่เลือกเรียนที่นี่เพราะมีให้เลือก Specialization in Machine Learning ประกอบกับเซอร์ทิสสนับสนุนทุนการศึกษาให้ด้วย เลยคิดว่าอยากลองเรียนดู เพราะไหน ๆ เราก็อยากจะเรียนต่อโทอยู่แล้ว นอกจากนั้น GT ก็เป็นมหาลัยชื่อดังทางด้านนี้ด้วยค่ะ

แอดเพิร์ธ: เรากลับมาคุยเรื่องงานกันบ้างดีกว่า ตอนนี้บริษัทที่ทำอยู่เป็นบริษัทด้านไหนครับ แล้วเค้าทำอะไรบ้าง

ฝน: Sertis เป็นบริษัททางด้าน AI และ big data analytics ของคนไทย ก่อตั้งมาตั้งแต่ปี 2014 และจะเข้าสู่ปีที่ 6 ในปีนี้

ที่บริษัทให้บริการด้าน Data Analytics ตั้งแต่จัดการข้อมูล วางระบบ วิเคราะห์ และให้คำปรึกษาจากข้อมูล และบริการด้าน Data Science คือ การนำ AI และ ML มาออกแบบ และปรับใช้ให้เข้ากับความต้องการของลูกค้า ซึ่งครอบคลุมทุกอุตสาหกรรม เช่น Retail, Bank, Airline, Energy ฯลฯ นอกจากนี้ยังมีผลิตภัณฑ์ของบริษัทเอง ภายใต้ชื่อของ Datana อีกด้วย

ที่บริษัทมีวัฒนธรรมองค์กรที่ดีมาก ทุกคนรู้จักกัน คุยกันได้หมด รวมทั้งสามารถเข้าถึงผู้บริหาร C-Level ได้ง่าย มีชาวต่างชาติมากมายกว่าสิบประเทศ ทำให้เราเป็น multi-cultural

เราจะเรียกคนใน Sertis ว่าเป็น Sertizen  เราอยู่กันแบบพี่น้องเฮฮา และรักในการเรียนรู้สิ่งใหม่ ๆ แต่เวลาปาร์ตี้ก็ปาร์ตี้กันสุดจริง ๆ ค่ะ

แอดเพิร์ธ: ในตำแหน่งงานของน้องฝนตอนนี้ พอเล่าได้มั้ยครับว่าวันนึงต้องทำอะไรบ้าง

ฝน: ฝนทำงานเป็น Project เพราะฉะนั้นงานเลยไม่ค่อยจะ routine มาก ตามแต่ละช่วง phase ของ project นั้น ๆ ค่ะ ในทุกวันก็จะมีการ Daily Standup แล้วทำงานๆๆๆ นอกจากนั้นก็มีประชุม และสัมภาษณ์คนที่มาสมัครงานกับ Sertis ด้วยค่ะ

แอดเพิร์ธ: ในการวางแผนงาน หรือประชุม น้องฝนได้เจอกับคนทำงานในตำแหน่งอื่น ๆ ด้วยหรือเปล่าครับ

ฝน: เริ่มต้นก็ทำงานกับเพื่อนร่วมทีมและคนใน Squad (Squad = คนที่ทำ Project เดียวกัน) ที่มาจากหลากหลายทีม (ทีม = คนที่ทำตำแหน่งเดียวกัน) เป็น Cross-functional team ค่ะ

เราใช้ Agile ในการทำงาน มี Daily Standup เพื่อมาพูดคุยอัปเดตสั้น ๆ กันทุกวัน ทั้งในทีมและใน squad ว่าเราได้ทำอะไรไปเมื่อวันก่อน แล้ววันนี้จะได้ทำอะไร

นอกจากทำงานกับคนที่บริษัทแล้ว ก็จะมีการประชุมกับลูกค้า มีออกไปพบปะประชุมกับลูกค้าบ้าง เช่น ออกไป demo ออกไป deploy ในไซต์ลูกค้า หรือเข้าไปประชุมถ้าลูกค้าต้องการข้อมูลเชิง technical

แอดเพิร์ธ: ไอเดียของ Squad น่าสนใจมากครับ ใน 1 Squad หรือ 1 โปรเจค จะมีสมาชิกมาจากทีมไหนบ้างเหรอครับ

ฝน: Squad ที่ฝนทำอยู่ จะเป็นทีมสร้าง product ก็จะประกอบด้วย Project Manager ที่รัน sprint คุยกับลูกค้าและวางแผน จัดทำเอกสาร, AI researcher ที่ทำ model เกี่ยวกับ computer vision, Software engineer ที่ทำ web/mobile application, มีทีม designer ด้วย แต่ designer จะคุยกับ software engineer มากกว่า

ส่วนหน้าที่ของฝนที่เป็น Machine Learning Engineer เป็นคนที่อยู่ตรงกลางระหว่าง AI Research กับ Software Engineer เพื่อให้โมเดลสามารถนำมา Integrate ได้ค่ะ

fony machine learning engineer sertis
ตำแหน่ง Machine Learning จำเป็นต้องประสานงานกับทีมอื่น ๆ เพื่อให้โปรเจคสำเร็จ

แอดเพิร์ธ: ขอถามคำถามจากทางบ้านสักหน่อยครับ คุณ Parin Kittipongdaja ฝากคำถามมาว่า “อนาคต ML Engineer กับ Data scientist จะถูก AI ที่เก่งๆ Disrupt งานได้ไหม”

ฝน: ถ้างานในตำแหน่งที่ทำเป็นลักษณะที่ทำซ้ำๆ คิดว่าจะต้องมี tool หรือ framework อะไรมาจัดการเพื่อทำให้มันง่ายขึ้นค่ะ เพราะโดยทั่วไปคนเราไม่อยากอยู่กับที่ ต้องปรับปรุงพัฒนา process การทำงานให้ดีขึ้น สบายชีวิตขึ้นค่ะ

ส่วนตัวจึงมองว่าไม่ใช่ disruption แต่เป็นการลด manual operation และเพิ่ม automation มากกว่า ถ้าเรายังอยู่ในฐานะผู้สร้าง คิดว่ายังมีโจทย์ และความต้องการต่างๆ ที่ challenge อีกมาก ที่ยังต้องอาศัยทักษะ การสื่อสาร การออกแบบ และการตัดสินใจของมนุษย์เข้ามาเกี่ยวข้อง ยังไงก็มี demand ของอาชีพสายนี้อยู่ค่ะ

หลายด้านที่ยังต้องการทักษะความชำนาญและประสบการณ์ ในการแก้ไขปัญหาเฉพาะทางอยู่ ยกเว้นแต่ว่าถึงวันที่ AI สามารถทำงานได้แบบ independent แล้วจริงๆ ถ้าความสามารถของ AI ถึงขั้นนั้นได้ก็คงเป็นการ disrupt ในวงกว้าง ที่ไม่ได้กระทบแต่แค่สายนี้แล้วค่ะ

แอดเพิร์ธ: รบกวนถามอีกข้อจากคุณ Kritsada Limpawatkul ครับ​ เค้าฝากถามมาว่าโครงสร้างขององค์กรแบบไหนที่เอื้อให้ตำแหน่งนี้ทำงานได้ดีครับ

ฝน: ส่วนตัวคิดว่าต้องเป็นองค์กรที่เป็นแนว Tech หรือ AI company จะเอื้อตำแหน่งด้านนี้ที่สุดค่ะ ไม่จำกัดว่าจะเป็นองค์กรใหญ่หรือเล็ก แต่ต้องมีทีมงาน มีความรู้ความเข้าใจและมี vision ที่โฟกัสด้าน technology เพราะต้องใช้ความรู้ ด้าน engineering และ infrastructure ในการทำงาน

มี culture ในการเรียนรู้และเปิดรับสิ่งใหม่ๆ เสมอ ให้โอกาสในการลองผิดลองถูก และเรียนรู้บทเรียนจากข้อผิดพลาดโดยไม่ตำหนิกันค่ะ (blameless culture) การมี software engineering practice ที่ดีก็เป็นเรื่องสำคัญ เช่น methodology, testing และ version control เพราะจะช่วยให้เราพัฒนา product ได้ดีขึ้น และเป็นระบบมากขึ้น maintain ได้ง่าย

ยกตัวอย่างโครงสร้างบริษัทที่ทำอยู่ ก็จะมีทีม machine learning and data engineer ที่เป็นสองทีมอยู่ด้วยกัน, data analyst, data science และ AI researcher เพื่อแยกตาม functionality ให้ทุกคนได้โฟกัสในงานส่วนของตัวเองได้เต็มที่ค่ะ แต่ก็มาพูดคุย sharing กันอยู่บ่อยๆ

แอดเพิร์ธ: จากการทำงานในตำแหน่งนี้ มีส่วนไหนที่ชอบมากที่สุดครับ

ฝน: สิ่งที่ชอบสำหรับงานนี้คือ การได้เรียนรู้สิ่งใหม่ ๆ และทำอะไรใหม่ ๆ อยู่เสมอ เพราะเราได้ทำงานกับ cutting edge technology เพื่อทำให้ ML/AI นั้นรันอยู่บน production ได้จริง  ทำให้เรามีความภูมิใจว่า เราได้เป็นส่วนหนึ่งของ product นั้น และมีผู้ใช้ product ที่เราพัฒนาหลายหมื่นคน

อีกส่วนที่ชอบในการทำงาน คือ ได้ฝึกภาษาอังกฤษไปด้วย ทั้งฟัง พูด อ่าน เขียน เพราะตำแหน่งนี้เราต้องพูดคุย ทำงานกับคนต่างชาติหลายชาติ จึงใช้ภาษาอังกฤษเป็นภาษากลาง ทำให้เรียนรู้การฟังภาษาอังกฤษหลากหลายสำเนียง และเรียนรู้วัฒนธรรม แนวความคิดที่แตกต่างของคนแต่ละชาติ ถือเป็นเรื่องแปลกใหม่ และถือว่าเป็นอีกส่วนหนึ่งที่เราจะได้พัฒนาตัวเองไปในตัว

แอดเพิร์ธ: น่าสนใจมากครับ มาคุยกันถึงส่วนที่ยากที่สุดบ้างครับ มีส่วนไหนที่คิดว่า Challenge ที่สุดในงานของเรา

ฝน: หลัก ๆ เลย คือ Technology กับ Tight Timeline (เวลาที่จำกัด) ค่ะ

สิ่งที่คิดว่ายากที่สุดสำหรับงานนี้คือ การต้องอัปเดต technology ใหม่ ๆ อยู่เสมอเพื่อนำมาปรับใช้ให้เกิดประโยชน์สูงสุด อันนี้น่าจะเหมือนงานสาย tech ด้านอื่น ๆ

แอดเพิร์ธ: อันนี้ก็ตกกะปินี่ครับ…

ฝน: ใช่ค่ะ สาย ML มี library ออกมาใหม่อยู่บ่อย ๆ ด้วย เราต้องทดลองดูว่า solution ไหนที่จะเอามาใช้และตอบโจทย์ได้ดีที่สุด

เหตุผลหนึ่ง คือ การ run ML model ต้องใช้การประมวลผลสูงกว่างานประเภทอื่นๆ เพราะฉะนั้นต้องอาศัย library ที่ optimized มาให้ทำงานได้ดีที่สุดสำหรับ hardware ซึ่งนอกจากจะเรื่องความเร็วในการประมลผลแล้ว ต้องทำให้ระบบของเรามี scalability และ high availability อีกด้วย เพื่อรองรับความต้องการจำนวนมาก ในต้นทุนที่ประหยัดและคุ้มค่าที่สุดค่ะ

hadoop ecosystem
ตัวอย่าง Hadoop Ecosystem ในการจัดการ Big Data ครับ จะเห็นว่าต้องใช้เครื่องมือเยอะมาก เพราะฉะนั้นเลยต้องมี Data Engineer เข้ามาช่วยจัดการนั่นเองครับ ขอบคุณรูปจากเว็บไซต์ NewTechWays

แอดเพิร์ธ: Machine Learning เป็นด้านที่คนให้ความสนใจกันเยอะมากนะครับ น้องฝนมีคำแนะนำอะไรสำหรับคนที่อยากมาทำงานอาชีพ Machine Learning Engineer บ้าง

ฝน: จริง ๆ แล้วตำแหน่ง Machine Learning Engineer เป็นตำแหน่งที่ยังไม่ค่อยมีใครพูดถึงมากนักค่ะ เพราะถ้าเทียบกับงานอื่น ๆ ในสาย Data แล้ว คนให้ความสนใจกับ data science / deep learning มากกว่า

แต่ Machine Learning Engineer ก็เป็นตำแหน่งที่จำเป็นต่อการทำงาน ในการจะทำให้ model นี้ขึ้น production ได้อย่างเสถียร ไม่ว่าจะเป็นการทำ automated deployment pipeline รวมถึงการ optimize ให้เกิดประสิทธิภาพสูงสุด

ตำแหน่งนี้เป็นงานที่ได้ใช้ความรู้ทางด้าน system และการออกแบบ architecture ของระบบ ถือว่าเป็นงานที่ท้าทายและได้เรียนรู้อะไรใหม่ ๆ อยู่เสมอค่ะ เหมาะสำหรับคนที่เรียนมาทางด้าน computer ที่ชื่นชอบทางด้าน ML/deep learning และสนใจต่อยอดความรู้ technical เช่น Site Reliability Engineer หลาย ๆ อย่างจำเป็นต้องมาเรียนหน้างาน เพราะมีเทคโนโลยีใหม่ ๆ ออกมาตลอดเวลา

สุดท้ายอยากทิ้งท้ายว่า people skill ก็เป็นสิ่งที่ขาดไม่ได้สำหรับการทำงาน เราจะต้องเป็นคนที่สื่อสารให้รู้เรื่อง และสามารถสื่อสารข้อมูล technical ให้คนธรรมดาเข้าใจได้ เพราะเราต้องทำงานกับคนอื่น ๆ ที่อาจจะ non-technical ด้วย ยิ่งถ้าได้ภาษาต่างประเทศด้วยก็จะทำให้ได้เปรียบในการสื่อสารในการทำงาน

และถ้าสนใจอยากรู้เพิ่มเติมเกี่ยวกับงาน MLE หรือบริษัท Sertis สามารถมาคุยกับฝนได้ทาง LinkedIn เลยนะคะ ลิงค์นี้ค่ะ https://www.linkedin.com/in/fonylew

สรุป งาน Machine Learning Engineer ต้องทำอะไรบ้าง

machine learning engineer tasks
สรุปงาน Machine Learning Engineer จากน้องฝน หัวใจหลัก คือ การนำ ML Model มาทำให้กลายเป็นระบบที่ใช้งานจริงได้ (Productionise)

จากที่เราได้คุยกับน้องฝนกันไปแล้ว ก็จะเห็นว่างาน Machine Learning Engineer เป็นงานที่ต้องมีพื้นฐาน Software Engineer ที่แข็งแกร่งมากในระดับนึงเลยครับ และยังต้องมีความรู้ด้าน Machine Learning ด้วย เพื่อให้เราสามารถคุยศัพท์ Technical กับทีม AI Research ได้

สายงาน Machine Learning Engineer เหมาะกับคนที่จบด้าน Software Engineer มา หรือใครเป็น Software Engineer อยู่ แล้วสนใจศึกษาด้าน Machine Learning เพิ่มขึ้นก็เหมาะครับ ที่สำคัญคือทักษะการเขียนโปรแกรม, Algorithms & Data Structure ต้องได้ครับ

สำหรับคนที่สนใจอาชีพสายอื่น ๆ ในด้าน Data Science ไม่ว่าจะเป็น Data Analyst, Data Scientist, Data Engineer ฯลฯ เดี๋ยวโอกาสหน้าแอดจะไปสัมภาษณ์มาให้กันอีกนะครับ สามารถติดตามเนื้อหาใหม่ ๆ ได้จากเพจ Data Science ชิลชิล เช่นเดิมเลยครับ

และถ้าใครทำงานด้านนี้ หรือมีเพื่อนทำงานด้านนี้อยู่ และยินดีให้สัมภาษณ์ ก็ส่งข้อความมาในเพจได้เลยนะครับ

บทความอื่น ๆ ที่เกี่ยวข้อง

เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ ตั้งค่า

Privacy Preferences

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

Allow All
Manage Consent Preferences
  • Always Active

Save