FDE 与解决方案工程师、机器学习工程师和售前工程师的对比

探索前沿部署工程师、解决方案工程师、售前工程师和机器学习工程师的不同角色。了解每个角色如何以不同的成果来衡量、他们的主要职责，以及他们如何以独特的方式为在客户环境中部署 AI 系统做出贡献。本课程将 FDE 角色与类似的技术岗位进行对比，帮助你准确描述并为该角色做好准备。

有几种技术岗位需要贴近客户和 AI 系统工作。解决方案工程师、售前工程师、机器学习工程师和前沿部署工程师都要编写代码、与客户交流，并解释产品的工作原理。他们的职位描述往往使用相似的词汇，因此从外部看这些头衔似乎可以互换。

真正的区别在于每个角色以什么来衡量，以及其参与从何处开始、到何处结束。了解这些界限有助于我们准确解读职位描述，并用与该角色相符的术语来描述 FDE 的工作。

头衔在不同公司之间也有所差异。这里的描述遵循每个角色在行业内的普遍形态，任何一家公司的界定都可能略有不同。

以成果衡量每个角色

一个角色的责任核心是该角色被衡量的成果，即对该角色而言算作成功的结果。两个角色可以承担许多相同的任务，但责任核心仍然不同。

这四个角色各有自己的核心。

• 售前工程师： 以购买信心来衡量。售前工程师在销售过程中与客户经理搭档，进行产品演示，回答买方的技术问题，并展示产品如何满足买方的需求。
• 解决方案工程师： 以技术契合度来衡量。解决方案工程师研究产品如何契合客户的环境，通常通过概念验证和架构指导来实现，许多人还会在购买后继续支持客户。在某些公司，这一头衔与售前工程师高度重叠。
• 机器学习工程师： 以模型和流水线的性能来衡量。机器学习工程师构建和改进产品背后的模型、数据流水线和评测系统，通常是在自己公司的平台内部进行。
• 前沿部署工程师： 以客户环境中可运行的系统来衡量。FDE 在客户系统内部进行构建，并持续参与，直到系统在日常使用中运行起来。

当这四个角色同时出现在同一个项目中时，这些核心区别最为清晰。

在同一个项目中比较各角色

设想一家保险公司采用 AI 平台处理理赔录入。在销售阶段，售前工程师向保险公司领导层演示理赔录入功能，并解答安全团队的问题。解决方案工程师用样例理赔数据运行概念验证，并设计平台如何接入保险公司的文档系统。供应商的机器学习工程师改进提取模型和所有客户都依赖的评测流水线。当保险公司正式签约后，FDE 将系统接入实时理赔队列和保险公司的访问规则，构建生产工作流，并全程跟进上线过程。

每个人都为同一个成果做出了贡献，但每个人考核的是其中不同的部分。下表从相同维度比较了这四种角色。

这一比较显示出四个不同的职责中心。而在实际工作中，这些职责背后的任务重叠程度远超表格所示。

角色之间的重叠之处

FDE 常常在项目早期向领导层做汇报、进行需求调研并证明技术适配性。当生产质量取决于此时，他们也会运行评测并调试模型行为。解决方案工程师经常编写大量的集成代码，许多机器学习工程师也会直接与客户合作解决难题。这四种角色的任务清单高度重叠。

真正保持区分的是职责中心。FDE 运行演示，是为了服务于其将要构建和维护的生产系统。解决方案工程师编写集成代码，是为了证明产品适配。机器学习工程师与客户会面，是为了了解模型需要在哪里改进。同样的任务，在不同角色中服务于不同的成果。

每种角色也都需要在其自身领域具备真正的深度。售前工程师将技术能力转化为买家信任的语言。解决方案工程师在众多客户环境中进行设计。机器学习工程师负责所有部署都依赖的模型质量。FDE 的工作建立在这三种技能之上，并增加了在单一客户环境内对系统的所有权。

由于任务重叠且头衔各异，区分每种角色最清晰的信号在于其明确的职责。

在实践中区分这些角色

职位描述会写明该角色考核的成果，即使头衔含糊不清。一些反复出现的信号可以指向每种角色。

• 售前信号： 支持客户经理、进行技术演示、赢得技术评测，指向售前工程师或售前方向的解决方案工程师。
• 适配与架构信号： 概念验证、参考架构以及面向众多客户的集成指导，指向解决方案工程师。
• 模型信号： 训练、微调、数据流水线和模型评测基础设施，指向机器学习工程师。
• 交付信号： 在客户系统内构建生产级应用、提供部署支持，以及定期前往客户现场，这些都指向前沿部署工程。

一条招聘启事常常混合两种角色的信号，例如一个带有部分售前工作的 FDE 职位。占描述大部分内容的职责通常能显示出问责的核心所在。

下面的测验用于检验每种情况属于哪个角色。

精准定位 FDE 角色

这些角色中的每一个都在帮助客户在 AI 上取得成功，而每个角色负责这成功中的不同部分。售前工程师和解决方案工程师赢得采用的决定，ML 工程师让模型值得被采用，而 FDE 则让系统在客户自己的环境中真正运行起来。以这种方式看待这些角色，能让比较既尊重事实又准确。当话题转向是什么让 FDE 工作自成一个角色时，这也给了我们一个精准的答案——一个建立在成果而非职位头衔之上的答案。