后台留言『交流』,加入 NewBee算法讨论组导读作为一名算法工程师,怎样才能在如此大环境中规划好自己的职业生涯,从而更好地应对大环境的不稳定性?本文将分享关于算法工程师职业生涯规划的一些思考和经验今天的介绍会围绕下面三点展开
:1. 职场中的三个重要阶段2. 算法工程师如何做好规划3. 明确路径,打磨技术分享嘉宾|马迪 腾讯 推荐算法生态方向技术负责人出品社区|DataFun01职场中的三个重要阶段关于职业生涯路径的思考,涉及到一个哲学问题:我从哪里来,要到哪里去?作为一名算法工程师,在职业生涯中一般会面临以下 3 个阶段的挑战。
1. 挑战 1:学生到职场的转变这是所有职场人的必经之路在学校里,导师和学生之间关系相对简单和单纯;而在职场中,会遇到很多复杂的、先前没有接触过的事情对此,有如下几条建议:① 在正式入职前参加至少一份实习,提前适应职场生活;。
② 在职场中要保持好奇心,多和资深人士请教交流,少说多看多做;③ 在职场中要保持学习力,注重基础知识和能力的积累,并与职场实际问题结合;④ 摆正心态,不要嫌弃 dirty work,在小事中也可以积累经验和 Credit。
2. 挑战 2:从 Junior 到 Senior 转变这也是大部分资深职场人士经历的成长路径以国内大厂为例,腾讯的 Junior 职级大约是 6-9 级,大约对标阿里的 P5-P7,对应 Junior 工程师到 Senior 工程师的成长过程。
这个阶段正是积累业务本领和技术深度的重要阶段每个人在此阶段经历的时间长短不一,取决于职场机遇、个人状态和业务成长空间等对此,有以下几条建议:(1)深入了解业务本质相对于天马行空的想法和研究,想法“落地”更重要一些。
近期互联网行业的前沿发展方向,包括 Chat-GPT、AIGC 等大模型的出现,都是紧贴用户需求和相应产品进行技术创新的产物近期流行的 Chat-GPT,其背后的大语言模型其实很早就出现了,但是由于早期缺乏应用“引爆点”,没能通过产品进行“落地”,因此一直未能得到大规模的应用。
作为一名算法工程师,一定要从产品和业务本质出发,去了解并挖掘算法带来的价值(2)深挖技术不断拓展和提升自己的技术能力以推荐系统为例,需要全栈式了解召回、排序(包括混排和精排)等模型的建模能力,以及 SOTA 模型的优缺点、顶会前沿模型进展等。
(3)T 型人才发展T 型人才是一个常常被提及的概念,指的是在自己的技术赛道确保技术深度的同时,提高自己的技术延展性延展性包括两个方面,一个是业务层面,一个是技术层面仍然以推荐系统为例,推荐系统方向的算法工程师建议更多地了解 CV 和 NLP 的基本原理,从而更好地赋能相关的业务。
总的来说,Junior 工程师的工作更多地偏向任务的执行,而 Senior 工程师的工作更多地偏向具体的问题思考与解决例如,某 APP 的 DAU 出现下滑,需要找到下滑的原因并提出解决方法这是个很大的 topic,可能是由于某个页面某个场景的转化率比较低所导致,也可能由其他各种复杂的原因导致,这就是一个 Senior 工程师需要系统考虑的问题。
首先通过数据分析定位关键问题,进而设定目标、搭建模型、构建评价指标,进而提出解决方案,最终将问题解决而在这样的过程中,靠个人往往难以达成目标,需要协调各类外部资源共同完成3. 挑战 3:从员工到 Leader 的转变
第三个挑战,可能有些工程师已经经历过,但是大部分工程师可能尚未经历,那就是从员工到 Leader 的转变这是一个很大的跨越,因为 Leader 需要带领团队达成目标,因此责任更加重大另一方面,如今互联网公司管理模式逐渐扁平化,因此留给 Leader 的岗位其实并不多。
如果有幸成为 Leader,首先要相信自己,大胆带领团队达成目标初做 Leader,往往会面临一个棘手的问题,就是业务和技术的平衡,这里就涉及到管理的艺术管理的本质其实离不开三大要素:责、权、钱“责”代表责任的划分和界定;“权”代表人员工作的安排;“钱”代表对员工的激励机制。
从员工到 Leader 的转变,是个非常有挑战性的工作,而随着阅历的增长,随着沟通能力的提升,这些能力都会潜移默化地形成此外,作为 Leader,需要不断地向外拓展,最大程度地调动其他团队的资源,而不能只是向内索取甚至压榨。
以上是算法工程师常常面临的 3 个阶段的挑战,每个阶段都有各自棘手的问题,但同时也都存在相应的解决办法作为一名算法工程师,在每一个阶段都要有足够的耐心,沉下心来打磨自己,沉淀自己02算法工程师如何做好规划。
算法工程师的职业生涯规划,有 3 个关键点:① Vision:做规划之前要看清楚局势,否则可能会做出不正确的规划;② Self Evaluation:做规划之前要对自己进行一个全面的自我评估,“知己知彼,百战不殆”,从而选择适合自己的方向进行规划;
③ Action:行动起来!规划得再完善,都不如行动来的实际1. Vision对局势的把控,需要做到以下几点:① 首先要保证看得清,清晰地认清当前的局势;② 其次要保证看得全,从更全面的视角审视当前行业的前景;。
③ 最后要保证看得远,这里提到的“远”不仅指的范围,也包括时间跨度;只有看到更远的时间周期,才能更清晰地对未来进行规划。(一)国运层面
![](http://ldjg88.com/zb_users/upload/2023/12/20231227152103170366166387666.png)
上图截取自美国著名风险投资专家雷·达里欧的著作《原则》,书中作者建立了一个模型用来衡量帝国的兴衰,上图中的曲线体现了帝国的兴衰指数随时间的变化图中蓝色的曲线代表美国的国运,和实际的情况相比是具备比较高的吻合度的:在上世纪 50 年代,美国的国运到达了一个顶点,实现了很多科技的突破;反观中国(图中红色曲线),彼时刚刚实现解放,国家一穷二白,正处于低谷时期;时间轴再往前推进到 1500 年(大约明朝时期),彼时中国是处于全球领先地位的;到了近代,中国的帝国指数一直处于较低的水平;到了 1950 年,中国开启“狂飙式”飞速发展;直至现在,中国的帝国指数已经逐步逼近美国,而美国则正在走下坡路。
当然,不同专家基于自己的理解会建立不同的模型,也会有不同的理解同理,在进行行业的 Vision 的时候,也要结合自己的认知与专家的理解,全面、综合地分析(二)移动互联网行业层面具体到互联网层面,尤其是移动互联网行业层面,可以参考下图。
下图是来自 QuestMobile 的月活跃用户规模
![](http://ldjg88.com/zb_users/upload/2023/12/20231227152103170366166371945.png)
图中可以看出,在过去的 3 年时间,整个互联网规模并没有出现大的增长,每年 DAU 净增长只有 2000 万的水平(某款产品的 DAU 过亿),因此这样的增长水平很难支撑起一个 APP 的成长由此看来,互联网的用户规模早已稳定,因此早先利用人口红利、通过人海战术获得收益的方式现在已经行不通了,而整个互联网行业已经成为一个存量市场,这是一个目前需要认清的现实。
互联网行业进一步细分成如下赛道:(1)电商① 早年拼多多、阿里、京东等电商企业使用人海战术,利用补贴得到大规模发展;② 近几年,用户增长空间越来越小,人口红利逐渐消失,因此类似的补贴会越来越少;以双十一为例,近年电商购物企业已不再追求当天 GMV 成交量,而是更加理性地追求利益的最大化;
③ 近期电商行业唯一的人口红利可能来自下沉市场,但是增长空间仍然有限;④ 因此,电商的未来发展方向会偏向于品质化电商,以及垂直电商(2)社区① 社区近年发展迅猛;以小红书为例,小红书的社区氛围非常好:用户不断被小红书的内容“种草”,形成心智;随后用户会主动参与相关话题讨论,并产生共鸣,进而形成收益转化;。
② 社区是个正在发展中的赛道,比较看好未来的发展;对于一些小众的垂直社区,虽然规模不大,但是质量很高;③ 社区的发展靠的不是人口红利,更多是靠渗透而非疯狂增长,因此是个可被看好的发展方向(3)游戏① 游戏赛道的前景是比较看好的,除了国内的游戏业务持续增长,游戏赛道还有一大蓝海在于海外的业务,国内很多游戏运营经验可以移植到海外,这也是腾讯近来的一个业务方向;。
② 总体来看,游戏赛道不受互联网人口红利的影响,同时又有广阔的海外发展空间,是个比较看好的赛道(4)社交网络① 微信的用户规模已经接近国内网民和人口的数量,这是个非常大的规模;② 社交网络的护城河很深,用户很难从原有社交平台轻易迁移到另一社交平台,因为牵扯代价很高,这也是字节跳动多次尝试社交网络业务却始终未能成功的一个原因;。
③ 虽然社交网络在一定程度上会受到人口红利的影响,但是由于其壁垒高,因此未来很大概率会维持稳定现状,即以微信为核心,逐步形成基于微信生态的各类延展;④ 社交网络涉及的算法主要是基于图和社区传播的方法,这类方法对于小规模的社交网络带来的价值非常有限,只有对于微信这种体量下的社交网络,才会发挥出图模型、社交网络传播链、社团发现这类算法相应的价值;
⑤ 综上所述,社交网络相对发展会比较稳,短期内很难有太大的机遇(5)资讯平台① 资讯平台近期同样在走下坡路,用户在一定程度上对资讯平台确实有所依赖,但是依赖的程度并不强烈;② 近两年,资讯平台受到短视频的冲击很大,被短视频抢占了很多的用户市场;。
③ 在这样的背景下,资讯平台将会回归其本质,即分发资讯信息,满足用户特定领域资讯的需求;④ 而对于消遣、娱乐、kill-time 以及其他长尾信息,用户一般会通过短视频平台获取,这样给资讯平台带来了更大的挑战;
⑤ 由于资讯平台的介质复杂,规则繁多,监管力度严格,用户众口难调,再加上外界短视频领域的冲击,使得资讯平台的难度“更上一层楼”;⑥ 此外,资讯平台也比较依靠人口红利,如今人口红利趋于饱和,进一步限制了资讯平台的发展;
⑦ 综上所述,资讯平台赛道的选择要谨慎(6)短视频① 近期短视频的发展如日中天,用户时长最长、用户行为最丰富、用户的正负反馈最密集的产品形态最频繁;② 短视频赛道的数据类型丰富,用户量极大,因此数据潜在价值高,未来发展空间大;。
③ 近期短视频广告乃至直播带货日益普遍,这些迹象表明短视频正在逐步与电商模式相结合,变现潜力巨大;④ 综上所述,短视频是一个机遇很多、潜力很大的赛道。(三)AI 产业层面
![](http://ldjg88.com/zb_users/upload/2023/12/20231227152103170366166316662.png)
上图是 AI 技术的生命周期形态随时间周期的变化趋势:① 处于左侧曲线爬坡阶段的是新兴的 AI 技术,技术前景还有待观察;② 处于中间曲线低谷阶段的是带有不确定性的 AI 技术,这些技术还需要时间和市场的检验,相当一部分 AI 技术会面临“泡沫破碎”;
③ 处在右侧的曲线说明 AI 技术已经突破了“泡沫破碎”,展现并沉淀出来 AI 技术的价值,如果未来几年内结合更好的用户需求和产品应用该技术会“东山再起”;④ 曲线右端是 AI 技术发展最理想的阶段,技术产品化持续带来客观的增长和收入。
以几个近期热门的 AI 方向为例,展开详细介绍:(1)AIGC近期 AIGC 非常流行,例如 Stable Diffusion、Midjourney 等 AI 绘画工具Chat-GPT 出现也颠覆了 CV 和 NLP 领域的很多模型,体现出了大模型极强的产品力。
很多工程师担心这类大模型的出现会对算法工程师,甚至对全人类构成威胁,实际上距离“威胁”还有很远的距离,通用人工智能(AGI)的实现还有很长的路要走,无论是 AI 作画还是 ChatGPT,算法暂时还不具备逻辑和意识能力。
一项技术发展到一定阶段,遇到一个好的产品 idea,一定会爆发,因此不管是 AI 作画还是 ChatGPT,背后都有用户需求和产品 idea 做支撑由此带来的启示是:技术和业务永不分家,只有充分了解业务,才能将算法技术带来的价值最大化。
(2)自动驾驶自动驾驶是个比较看好的方向,其旨在解决一个终极问题:如何实现道路交通流量最优化自动驾驶分为很多层级的目标,最先要实现的是“单车智能”,目前已经有很多公司做到了令人比较满意的效果,如特斯拉自动驾驶。
在国外,FSD 自动驾驶已经做到比较成熟的阶段;而在国内,无论是新锐车企的小鹏,还是独立第三方平台百度 Apollo 等第一梯队的自动驾驶企业的自动驾驶技术也日趋成熟自动驾驶本身就是个产品,辅助甚至取代人,在一定程度上解放人工,让人觉得更安全。
综上所述,自动驾驶这一赛道潜力巨大、前景明朗,而且该方向的愿景也很伟大,因此是个值得考虑的方向(3)CV/NLPCV 和 NLP 是传统深度学习的两大主流研究方向,可类比于基础学科中的物理和化学,是很多 AI 模型的基石。
CV 解决的是“我看到了什么”,NLP 解决的是“我听到和说了什么”如果将 CV 和 NLP 这两个方向攻克,机器将会更好地学习和理解人类,具备了很多“通感”能力因此,CV 和 NLP 这两个方向是常青的,特别是 AI 作画和 Chat-GPT 产品 idea 的爆发,会反过来促进 CV 和 NLP 领域的发展。
综上所述,CV 和 NLP 是值得持续深耕的两个方向(4)AI for Science(AlphaFold2)AI 在科学领域的应用,这个方向大家的关注可能会少一些,但是同样具备不错的价值和前景其中一个应用方向是量子计算,利用物理学界的特性解决超级计算的能力;另一个应用方向是蛋白质基因结构预测(AlphaFold2),对新药研发尤其是癌症靶向药的研发具备非常重大的意义。
大数据医疗技术,以及 AI 在医疗健康领域的应用,前几年还更多地还是停留在理论层面,近两年已经出现了很多的模型成果,初见成效因此,AI for Science,尤其是医疗领域,未来的愿景还是非常美好的,未来几十年,人类的寿命很可能因为 AI 技术的突破而得到延长。
综上所述,AI 科学甚至 AI 医疗领域未来的价值是可观的,只是这部分的研究尚处于初步阶段,距离产品化落地的周期相对较长,年轻的算法工程师可以考虑尝试这类前沿的赛道,占得先机(5)推荐系统和计算广告推荐系统和计算广告属于比较传统的“搜广推”赛道,近两年,暂时没有实现方法论层面的突破,近年顶会论文更多是针对一些小的问题点进行的突破。
搜广推赛道更多地依赖业务,如果业务层面没有出现更大地突破,那么算法发展前景也相对比较有限另一方面,该领域的人才相对比较饱和,竞争也比较激烈,因此谨慎考虑这一赛道2. Self Evaluation除了提升 Vision 层面的理解外,还要充分地做好自我评估。
自我评估主要从 3 个维度考虑:(1)你擅长的是什么?自己最擅长的点往往并不是自己所判断的,一般可以参考过往的工作经历中哪一部分真正得到了其他人的认可别人印象中的自己和自己眼中的自己可能会不太一样,而自己擅长的东西一定是来自别人认可的东西。
(2)你的兴趣在哪里?(Follow your heart)找到自己的兴趣点是非常重要的每个人都有自己的迷茫时期,这样的时期还是更多要 Follow your heart,找到属于自己内心真正感兴趣的领域。
(3)是否能够给你提供体面的收入?职场生活其实是个比较单纯的自身价值和公司需求进行匹配的过程,公司通过报酬换取个人价值,因此,合理的、足够体面的收入是非常合理也是非常必要的但是也不要只关注收入这一个点,工作价值、成长空间等各个方面也要综合考虑。
03明确路径,打磨技术规划做得再详尽,最终还是要通过行动来落实1. 路径行动的第一步是明确自己的行动路径: (1)制定一个短期规划和一个长期规划① 如果只有短期规划而缺乏长期规划,则计划达成之后容易陷入迷茫;。
② 如果只有长期规划而缺乏短期规划,则容易变成空想家,缺乏实践落地的方式,长期规划会变得遥不可及;③ 一定要将短期规划和长期规划结合起来作为自己的行动路径;④ 短期规划和长期规划之间界定的时间点因人而异,一般建议短期计划以半年为周期,长期计划以 2-3 年为周期。
(2)换个视角看成长路径① 以前文所述的职业生涯挑战 2(从 Junior 到 Senior)为例,工程师在大厂获得了职级的提升(例如从阿里 P7 逐步升到 P9),而该职级背后应该具备的能力,是需要工程师内心非常清楚的;
② 成长的本质就是经历 4 个阶段:a)Troubleshooter - 解决琐碎的问题:能够解决足够琐碎的问题,才能有能力去解决更大的问题;b)Problem Solver - 系统性解决一类问题:以某 APP DAU 下滑为例,如果能够把 DAU 下滑的问题分析路径拆解清楚并给出相应的解决方案,那么就从 Troubleshooter 阶段成长到了 Problem Solver 阶段;
c)Growth Hacker - 带领团队向正确的方向前进:更进一步,将所有的 DAU 下滑原因分析清楚并一一加以解决,就已经具备了带领 APP 团队实现 DAU 增长的能力;d)Business Pilot - 业务领路人
:当成长成为一个业务领路人,就会有足够的能力和权限去决定资源和方向;③ 明确自身成长路径,比明确 P5 或 P8 这样的职级更具指导意义2. 技术作为算法工程师,过硬的技术是先决条件:(1)保持技术领先 - (器,术,法,道)。
① 强大的工程开发能力:作为一名工程师,开发能力是最基本的能力;② 扎实的机器学习原理:机器学习的原理具有普适性,会引领一些分析思路,同时机器学习也是深度学习模型以及更大模型的基础;③ 顶会和尖端方向跟踪:虽然学术界顶会的方向和工业界的方向未必同步,但是学术界的尖端方向往往能够给工业界提供解决思路的启发;
④ 行业中的“最佳实践”:每一名工程师都需要在各自行业中积累适用于特定场景的“最佳实践”,通过积累和沉淀逐步形成宝贵的行业经验;(2)保持强大的执行力所有的计划,最终都要靠执行力来落地,因此强大的执行力以及自驱力是非常必要的。
3. 心态其实不仅职场,在很多领域都是如此:将心态调整好,很多事情最终都会迎刃而解良好的心态主要包括如下几个部分:(1)Focus Collaborative沟通协作要聚焦在少数几个关键问题的解决上,从而减少无意义的会议。
(2)往前走⼀步作为算法工程师,一定要往前多走一步多了解产品和运营团队的诉求,站在对方的角度考虑问题要有“补位思维”,和产品、运营等其他合作伙伴协作前进,各自取长补短,最终协作将事情做成不要排斥甚至对抗产品、运营团队提出的诉求;也不要因为对方的经验不够丰富、考虑不够周全等原因而忽略对方的一些 idea,从而错过一个产品落地的机会。
(3)清零心态面对棘手的问题时,不妨尝试清零心态,抛弃固有思维模式,重新思考业务的核心卸下固有包袱,可能就会觉得眼下的问题实际上可能并没有那么复杂,是可以逐步得到解决的(4)保持⼀颗相对强大的内心互联网行业普遍压力较大,业内竞争非常残酷,因此要保持一颗强大的心,从容面对困难和挑战,不要被外界所干扰
4. 平衡重要关系(1)家庭亲子关系家庭的关系非常重要,“家和万事兴”,多陪伴家人是很重要的事情(2)Work-Life Balance工作只是生活中的一部分,因此还是要更好地平衡工作和生活,做到高效工作、用心生活。
(3)个人兴趣建议每个人都能够发展一两样属于自己的兴趣爱好,让大脑换一种方式运转,对状态的放松是非常有帮助的04总结本文重点讲述了 3 个部分:① 职场三个重要阶段所面临的挑战② 如何做好规划:Vision,自我评估,行动起来。
③ 明确路径,打磨技术,积极心态,处理好重要关系05问答环节Q1:如果岗位面临“35 岁优化”这样的问题,有必要深耕钻研吗?A1:这个问题就涉及到前文所述的“心态”问题:“不以物喜,不以己悲”“35 岁问题”其实每个人都会面临,这个是由环境和市场决定的;而我们决定不了外界,但是能够决定自己;因此努力做好自己,一切都不会差的。
至于是否有必要深耕钻研,关键还是在于自己的职业规划方向,以及自己深耕钻研的方向和程度如果希望走工程师这个发展路径,那还是有必要在自己的领域持续深耕的,夯实基础,对未来会很有帮助;此外,还要考虑业务和管理方向的扩展,正如文中所提到的 “T 型人才”。
综上所述,“35 岁是否被优化”这个问题的决定权不在自己,与其焦虑,不如不断提升个人能力,让自己在职场中更加积极和主动Q2:如何看待大模型的发展给算法工程师带来的冲击?A2:一方面,大语言模型利用足够量级的训练数据确实产生奇幻的效果;但是另一方面,大模型的发展其实离不开产品的“包装”,抛掉产品的“外衣”,其本质还是一个经典的算法模型,只不过参数量级巨大,训练语料更丰富。
大模型的主要优势还是在于训练数据更多,并融入了部分强化学习的算法,将数据训练的每一个细节做到极致因此,对于算法工程师而言,无需太过焦虑,而是积极看待这些大模型:首先,大模型给整个 AI 算法行业带来了“提振”,即从资本层面得到市场的广泛认可;其次,大模型给算法工程师们指明了方向,即将产品、业务和技术结合才能找到出路。
至于利用 AI 模型自动写代码,可以将其看作生产力的辅助,而不会取代人Q3:推荐搜索领域一般人和高手之间最大区别是什么?A3:任何一项技术,都可以分成器,术,法,道这 4 个 level一般人可能更多处于器和术这个层面:使用很 fancy 的模型,使用各种 trick 来调参,最终达到较为满意的效果;而高手往往已经经历过这两个层面,发现这两个层面虽然能解决一部分实际的问题,但是不能解决一些更高层次的问题,这里就涉及到道和法,涉及到更深层次的本质问题。
以推荐为例,如何提升用户满意度这类问题:因为用户满意度的刻画是相对主观的,如何将其拆解成若干个客观的、可量化的指标,这个很考验算法工程师的功力举一个具体例子:CTR 是个常用的指标,在一定程度上可以衡量出用户的满意度;但是如果仅仅优化 CTR 这个单一目标,则可能会带来大量的“标题党”;因此,需要借助其他指标来平衡这个问题;而指标的选择,一方面需要经验的积累,另一方面也需要对业务的深刻理解,这就涉及到法和道这一层面。
因此,要理性看待“级别”,回归本质:我们作为算法工程师,要做的是用工程能力来解决实际的问题从而带来价值,而不是“炫技”玩模型;能够高效解决问题,才是对公司最大的价值Q4:如果要带徒弟,您会教他更多关注哪些魔鬼细节?
A4:这个首先要看徒弟的能力水平定位如果徒弟是应届生,那其实不能有太多的要求,还是要循序渐进;如果徒弟是个业内资深人士,在行业内已经形成了自己的方法论,如果能够达成任务目标,则也无需进行太多的额外要求从团队管理的角度,由于每个人都有自己的闪光点,同样也有自己的缺点,因此很难进行统一的要求;作为团队领导,我会更多关注员工的思考方式、解决问题的思路等,这些方面如果存在不完善、不周全甚至偏差和错误,需要第一时间加以指出和纠正。
此外,涉及到交付物的规范性,例如上线模型规范、代码结构规范、代码注释完整性这类问题,会进行较为严格的要求;其他方面的问题一般不会进行太过严苛的要求,也就不会涉及到太多的“魔鬼细节”Q5:文中提到搜广推领域近年来没有太大的发展,那么未来会有哪些发展方向?
A5:近两年搜广推领域并不是没有发展,而是在技术领域方面没有出现重大的突破,在细分的方向还是有很多发展的不过近两年的发展更多在于业务层面,因为这个领域方向主要是由业务来支撑;因此,如果在业务方面没有产生革命性的“爆发”,则很难带动技术产生重大突破。
至于未来的发展方向,大的方向上应该不会有全新的、颠覆性的模型框架出现;对于细分的领域和方向还是会有很大的发展空间,主要还是取决于具体的行业,以及行业内的业务方向,可以多关注业内相关的顶会来找答案Q6:某工程师在推荐方向有 3 年大厂经验,切换到哪些方向比较合适?
A6:算法赛道的切换,首先要进行自我评估,对自己的兴趣和优势有个准确、全面的认识,比如自己是更喜欢钻研模型方法还是更喜欢解决业务问题,比如在 3 年的大厂经验中有没有哪个细分方向足够擅长和精通;此外,还要考虑哪些发展方向天然具有竞争力,比如文中提到的自动驾驶方向就是个有竞争力的方向,未来可期而且接近落地。
一般来说,由于推荐算法直接对接业务,因此推荐算法工程师的业务敏感度会比较强,因此转行到各个方向都很容易成为解决问题的好手Q7:目前算法岗位大多是高层次院校的硕博在竞争,普通院校学生如何参与竞争?是否需要更换岗位方向?
A7:大厂可能会对院校和学历有较高的要求,但是入职参与业务之后,更多的还是依靠个人能力;普通院校学生可以多争取实习机会,积累更多项目经验,不用过多在乎学校出身Q8:工作太忙没时间 follow paper 该怎么办?。
A8:选择少数几个感兴趣的顶会 paper 持续跟踪;同时多多关注知乎等平台,以及一些行业技术论坛,会有相关博主帮忙分类整理顶会文章并撰写摘要,可以多阅读来找到自己感兴趣的方向时间是挤出来的,每天花半小时到一小时实际研读 paper 并提炼关键技术点,然后定期进行归纳和整理,长此以往就能达到很好的效果。
Q9:如何看待长视频推荐?A9:长视频平台和短视频平台的运行机制有较大不同长视频推荐更多还是关注视频的内容,因此需要算法工程师从业务角度反向思考用户消费长视频的痛点;此外,部分单位的做法是将长视频进行短视频化,提取长视频中的高光亮点,通过“碎剪”的方式将长视频转化为短视频,从而用短视频的思路进行推荐。
从产品的角度,可以借助短视频的思路,通过“长视频带短视频”的方式进行长视频推荐;具体来说,将长视频的片花和预告进行剪辑,用来吸引用户观看,进而通过产品路径来引导用户观看完整版,最终引导用户成为会员,提升用户的 up 值。
由此带来的启示是,算法工程师还是要回归到产品和业务的角度实现突破,而不能仅局限于算法角度Q10:算法对学历要求很高吗?社招是否很看重过往的经历对口?如果对目前技术方向不感兴趣,如何转型?A10:如果一个行业足够内卷,竞争压力很大,那学历问题还是无法逃避的;如果学校和学历不占优势,则可以通过增加项目经验的方式来“曲线救国”。
社招方面,企业方确实更多看重过往的经验,希望引入候选人过往的工作经验来赋能公司眼下的业务;其次也要考察候选人的基础素质,包括自驱力、学习力、思考方式、coding 能力等对于职场中转变方向,可以先考虑在从公司内部转变方向,给自己争取到一个尝试期和过渡期。
Q11:推荐算法已经进入瓶颈期,是否需要向数据底层(如 Hadoop、SQL 等)进行深耕?A11:从工程化的角度来看,Hadoop、SQL 等确实是数据的底层架构;但是作为算法工程师,更应该从产品和业务方向寻求突破,而不是深耕和优化底层结构。
Q12:老板是研究院出身,缺乏工程化落地经验,却又在工作中过分关注细节,并且用竞品的优势进行否定和打压员工,如何改善这种处境?A12:其实好的老板应该更多地向外拓展而非向内压榨如果不幸遇到这种习惯于向内压榨的老板,可以反向引导老板向外看看;勤于沟通,了解老板的痛点,做好向上管理工作。
此外,如果真的老板不好相处,无法沟通,而工作内容又不擅长、不感兴趣,且工作不能带来满意的收入甚至影响自己的生活,那么还是建议换一份工作Q13:搜广推和 NLP,未来哪个方向就业更好?A13:搜广推更加贴近业务,而 NLP 是个相对基础的方向。
近年来,搜广推的业务发展已经较为成熟,而 NLP 方向则面临着一大难题,就是难以实现产品化落地如果能够从业务角度找到良好的落地方向,可以尝试 NLP;否则还是建议搜广推总之,搜广推领域会有现成的业务应用课题,只需要使用算法来“解题”即可;而 NLP 领域相反,原始问题非常简单,然而答案非常复杂。
Q14:工作期间切换算法方向会有很高门槛吗?A14:门槛是有的,具体要看个人基础和切换方向例如,如果是搜广推内部切换,难度相对较小;而如果是 CV/NLP 和搜广推之间的切换,则难度相对较大因此,工作期间切换算法方向还是有很大成本的,尤其是社招更加看重过往经验。
不过,如果自身综合素质较强,学习力、自驱力都很优秀,而公司的业务刚好需要这样的人才,也会有很多这样切换方向的机会如果确定自己要切换方向,则需要选好路径、做好计划并持续行动Q15:时间序列预测领域的前景如何?是否有哪些热门方向推荐?
A15:量化交易场景和时间序列预测相关性较高;搜索推荐领域用到时间序列技术的地方不多,可能在用户行为序列建模方面有所涉及;自动驾驶领域可能也会涉及部分时序预测,如 FSD 的路径规划、多帧串联等场景;视频领域的很多技术和时间序列有较强的相关性;流量预测、客户价值预测等场景和时间序列预测相关性较强。
Q16:某算法工程师从业3年,仍然觉得工作吃力,因此想了解算法方向更多是依靠天赋还是后天努力?A16:首先需要明确“吃力”的关键是在于阅读 paper 还是在于解决业务问题从业前期难免会有迷茫期、挫败期和焦虑期,这种情况因人而异,因此很难做出明确的回答,更多的还是在于 Follow your heart,找到自身的兴趣和优势。
Q17:推荐算法与数据挖掘有什么区别?A17:数据挖掘是更加基础的技术,推荐算法是更上层的应用;推荐算法中会用到很多数据挖掘的技术Q18:从社招角度来看,电商推荐算法方向 3 年工作经验应该达到什么水平?。
A18:3 年经验一般能够达到准 senior 水平,对应阿里的 P7,以及腾讯的 9 级水平;进一步发展 2 年,一般可以达到阿里 P8 或腾讯 10 级的水平今天的分享就到这里,谢谢大家一起交流想和你一起学习进步!『
NewBeeNLP』目前已经建立了多个不同方向交流群(机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等),名额有限,赶紧添加下方微信加入一起讨论交流吧!(注意一定o要
备注信息才能通过)
亲爱的读者们,感谢您花时间阅读本文。如果您对本文有任何疑问或建议,请随时联系我。我非常乐意与您交流。
发表评论:
◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。