Página del sector Datos e IA dentro de Tecnologia e informatica con preguntas públicas, salario, beneficios, desarrollo profesional, flujos de trabajo y experiencias reales para profesionales que trabajan en Estados Unidos.
tech-data-ai
看来什么都卷到不行，行行都太难了
tech-data-ai
A few weeks ago our model monitoring started firing drift alerts every morning around 7:30. The model scored customer support tickets for escalation risk, and the alert said the feature distribution had moved hard from…
tech-data-ai
A demand model I reviewed looked amazing in offline validation. The AUC jump was large enough that the business team wanted to push it into the next planning run. That was exactly what made me suspicious. In real…
tech-data-ai
最近做一个客服 ticket 分类，模型离线评估 F1 还可以，上线两天后运营说"退款"和"物流延迟"经常分错。很多人第一反应是改 prompt 或换模型，我先把线上样本按时间切开，看 embedding 分布、标签占比和人工复核结果。结果发现不是模型突然变笨，而是促销活动后用户开始把两个问题写在同一个 ticket 里，训练集里几乎没有这种混合场景。 处理时我没有直接重训。先把多意图 ticket 分流出来，让模型输出 primar…
tech-data-ai
今天数据看板提示站内搜索点击率掉了一截，第一反应是 embedding 模型是不是漂了。后来我把同一批 query 的向量相似度、metadata filter、索引更新时间拆开看，发现不是模型问题，而是昨晚同步脚本把 category 字段空值写成了字符串 unknown，导致过滤条件把一批结果排掉。处理过程是先回滚那批 metadata，再重跑受影响分区索引。总结下来，AI 系统出问题不要只怀疑模型，召回链路里的清洗、过滤、排序都…
tech-data-ai
I had a product search project where vector results started repeating the same item under slightly different titles. The business complaint was simple: buyers searched for a replacement part and saw four nearly…
tech-data-ai
I worked on a product search feature where the first vector demo looked great. A few test queries found the right catalog items, and the team wanted to push it live fast. The issue appeared after a merchandiser renamed…
tech-data-ai
遇到的问题 上个月我们给客服系统加了一层 LLM 摘要，想让主管不用翻完整 ticket 就能看到退款原因、订单号和下一步动作。灰度第一周看起来没大问题，平均处理时长也降了。但质检抽样时发现一个很麻烦的情况：涉及退款和补发的工单，摘要经常漏掉金额，偶尔还把客户第一次诉求和客服后续回复混在一起。更糟的是，接口返回很稳定，日志里没有报错，业务同事一开始以为只是模型"理解差"。 解决过程 我没有先换模型，也没有直接加一句"不要遗漏金额"的…
tech-data-ai
One Monday our demand forecast looked worse across almost every category. Nothing obvious had changed in the model code, and the feature store job showed green. The clue was that the error grew most on items with…
tech-data-ai
做数据监控时，我吃过最大的亏是阈值拍脑袋。一个指标昨天涨了30%就报警，看起来很负责，结果周末、节假日、活动日全都在响，业务几天以后就不看了。后来我会先把指标分层：核心收入和支付转化走更敏感的报警，普通行为指标只进日报。阈值也不只看单点，要看最近7天同时间段、历史波动范围、样本量是不是够。样本太小的页面，百分比变化很吓人，实际只多了几个用户。新监控上线前我一般先静默跑一周，看它每天会触发几次，再决定要不要进告警群。报警文案也要写清楚…
tech-data-ai
LLM API cost is one of those production problems that looks small until the first real usage spike. A demo can run for a week and cost almost nothing. Then someone connects it to support tickets, batch processing, or…
tech-data-ai
A labeling project can look simple when the spreadsheet is small. Give reviewers a list of examples, ask them to mark intent, quality, sentiment, fraud, or whatever the model needs, then train on the result. The…
tech-data-ai
今天早上商品推荐列表的排序忽上忽下，运营看到点击率掉了，第一反应是模型又不稳定。我们这边先看模型版本，线上 artifact 没变，A/B 分桶也正常，问题更像是输入数据在变。 我把推荐服务的 request id 抽出来，对比 feature store 里的 user_feature 和 item_feature 更新时间，发现 item_feature 有一张表凌晨 ETL 延迟，部分 SKU 还在用前一天的热度值。处理上先把排…
tech-data-ai
Prompt changes feel lightweight until the first production bug is impossible to reproduce. I have seen teams edit a prompt in an admin screen, improve one demo case, and quietly make five normal cases worse. The model…
tech-data-ai
One dashboard I inherited was technically correct and still useless. Sales used one number, finance used another, and ops had a spreadsheet that everyone secretly trusted more than the BI tool. The fix started with a…
tech-data-ai
前阵子处理客服工单做意图分类的 AI 标注项目时，最头疼的不是工作量，而是同一批 ticket 早上和下午跑出来的标签比例差很多，运营开始怀疑模型不稳定。如果只凭经验拍脑袋，很容易把责任推给某个人，真正的原因反而还在。 我的做法是先把时间线拉出来，再看哪些节点可以验证。我把 prompt、模型版本、采样参数和输入清洗脚本都打上版本号，用 200 条 golden set 固定复跑，发现真正变化来自清洗脚本把订单号段误删了。后来证明，A…
tech-data-ai
前阵子处理客服工单做意图分类的 AI 标注项目时，最头疼的不是工作量，而是同一批 ticket 早上和下午跑出来的标签比例差很多，运营开始怀疑模型不稳定。如果只凭经验拍脑袋，很容易把责任推给某个人，真正的原因反而还在。 我的做法是先把时间线拉出来，再看哪些节点可以验证。我把 prompt、模型版本、采样参数和输入清洗脚本都打上版本号，用 200 条 golden set 固定复跑，发现真正变化来自清洗脚本把订单号段误删了。后来证明，A…
El ingreso en Datos e IA depende de la ciudad, experiencia, tipo de puesto, empresa, habilidades y certificaciones. Conviene comparar sueldo base, horas extra, bonos, beneficios, estabilidad y crecimiento.
Para entrar en Datos e IA, empieza por entender puestos de entrada, habilidades comunes, requisitos de certificacion y trabajo real. Luego crea experiencia verificable con proyectos, practicas, trabajos iniciales o casos concretos.
El futuro de Datos e IA depende de la demanda regional, cambios tecnologicos, ciclos del mercado y profundidad de habilidades. Es mejor revisar puestos reales, experiencias de colegas y habilidades transferibles.
Datos e IA suele requerir habilidades tecnicas del puesto, comunicacion, colaboracion y criterio de seguridad o cumplimiento. Algunos trabajos tambien piden licencias, certificaciones, experiencia con equipos o casos de proyecto.
Un principiante puede empezar con terminos basicos, procesos tipicos, problemas comunes y herramientas de entrada. Despues, los casos reales, preguntas de colegas y proyectos pequenos ayudan a construir criterio.