I need some career guidance. I’m currently doing model development at ByteDance, mainly training models to solve business problems, I’d describe myself as an applied MLE. Lately, though, I’ve noticed that ML roles at big tech companies seem to fall into two camps: research roles for people with PhDs, and product-focused roles that mainly use LLM APIs, with less model training or algorithm development involved. I feel a bit stuck in the middle, which makes my career positioning feel awkward. How should I progress in my career?

大厂里确实存在研究岗和产品岗的分野，但“会训练模型又懂业务问题”的人，价值在于能把模型能力转成可衡量的业务结果，而不是只追求算法优雅或最新技术。有嘉宾提到，一些技术专家容易把精力放在算法是否优雅、是否解决最难的问题、是否用最新技术上，但这些不一定推动业务前进⁠1。另一位在多家公司做过数据与建模工作的人描述，日常工作里数据清洗、简单分析、A/B 测试、因果推断、实验设计都是必备项，工具选择取决于问题需要什么，而不是越复杂越好⁠2。所以你的定位可以描述成：用训练和算法能力解决具体业务问题，并对结果负责。这个描述比“研究不够、产品太浅”更容易被招聘方理解。

如果产品岗看起来只是调 API，差别往往不在模型本身，而在有没有人能把“这个 AI 用例到底好不好”说清楚。有做应用侧合作的人观察到，很多公司甚至不清楚怎么评估自己的 AI 用例，就直接跳到尝试各种花哨技术⁠3。这正好是应用型 MLE 可以切入的地方：定义任务的成功标准、设计离线与在线评测、判断模型输出是否可靠。另一个可迁移的做法来自学习类材料，它强调不要停在“理解”，而要能做出可靠结果，把错误当成反馈而不是扣分⁠4。你可以先在一个现有业务问题上，主动补一套评测方案，观察它是否让团队更快判断模型该不该上线。

职业定位不是一次选边，而是看今天做的事是否指向你想去的方向。有位在 Facebook 做过多年的人说，他会先想清楚五年后想做什么，再确保当下做的事能通向那里⁠5。对应用型 MLE 来说，如果五年后想做技术负责人或 AI 应用负责人，现在值得积累的是端到端交付、评测体系和跨团队协作；如果更想深入模型，则需要在训练、数据和实验设计上持续加深。两种方向都成立，区别在于你愿意把时间投在哪一类反馈上。可以先问自己：接下来一年，我更想被认可为“能解决业务问题的人”，还是“能把模型做得更深的人”？