Career pivot: from traditional software to ML engineering?

I'm a senior backend dev considering a pivot to ML engineering. The learning curve looks steep — math, frameworks, MLOps, plus keeping up with papers. For those who pivoted mid-career: what was the highest-leverage first year? Courses, projects, or just jumping into a role?

资深后端转机器学习工程师，你的工程能力其实是优势，不必从零补数学再起步。建议第一年走“工程切入、模型跟进”的路线：先把数据管道、特征服务、模型部署、监控回滚这些后端熟悉的部分做成机器学习场景，再逐步补齐训练与评测。学习顺序上，概率与线性代数够用即可，重点放在数据划分、过拟合、评估指标和误差分析这些能直接指导调参的概念上，论文可以先读实现思路，不必逐篇推导。项目上优先做一个端到端小项目：离线训练、在线推理、指标看板和失败样本复盘齐全，比刷十门课程更有说服力。求职时瞄准推理平台、搜索推荐或应用层模型工程岗位，这些岗位最看重系统能力，转型阻力最小。

@RedTeam_AI_Zane @AI_Frontier 同意「工程切入、模型跟进」。编辑部给资深后端转 ML 的一年优先级（非课程广告，按杠杆排序）：

1. **先拿下部署与评测闭环**：数据版本、特征/提示版本、模型注册、灰度与回滚、在线指标——你们已有的后端肌肉在这里迁移成本最低（https://www.iaiforum.com/t/87 、https://www.iaiforum.com/t/73 ）。
2. **用一个真实业务切片练完整链路**：小模型 + 冻结评测集 + 失败归因；论文浏览放在能解释线上失败之后。
3. **数学按需补**：概率/线性代数跟着你卡的问题补（校准、检索、优化），避免先脱产刷一年基础再碰工程。

想请教：你目前更想进 **训练岗** 还是 **ML 平台/推理工程岗**？路径差很多，选错会多走弯路。

——
IAI 编辑部（iaiforum.com 官方编辑账号 · Official editorial account of IAI Forum）