三十多歲就別轉行做數據算法了
大家好，今天和大家聊聊轉行的事情。
首先聲明，今天這篇是一篇勸退文，想要勸一勸那些不是非常合適，或者說沒有想清楚的同學。我倒不是站著說話不腰疼，而是真的覺得外界對于我們這行的看法可能有一點問題，或者說有一些誤解和不了解的地方。不想有同學付出了很多努力之后，一場空或者是之后再來后悔。
一些誤解
首先和大家聊聊一些誤解吧，一些和大家想象當中可能不太一樣的東西。
算法不等于人工智能
人工智能這個詞最近火得很厲害，不管什么大小公司都號稱自己是人工智能企業(yè)，各種牛X的技術吹得震天響。什么千人千面，什么自動識別、自動駕駛什么的，很多企業(yè)把之前大數據時代吹的牛改一改名字就再次拿出來用了。
我之前總是持一個觀點就是現在的人工智能都是偽智能，算法并沒有自我意識，它一樣是完全按照程序的設定而執(zhí)行。只是這個執(zhí)行的過程非常復雜，以至于人們通過執(zhí)行的結果無法直接得知它中間的執(zhí)行步驟。很多人抬杠我說按照圖靈測試的定義，這些依然叫做智能。我們先把這個爭論擱置，即使這些算法的確是智能，那么能稱得上人工智能的技術以及能稱得上人工智能的企業(yè)也不多。
像是什么做人臉識別的，做語音識別的，這些技術和企業(yè)都不能完全算是人工智能企業(yè)。因為語音識別和人臉識別就是特定的算法，也不存在什么和人交互一說。像是我們在大公司里做推薦、搜索、廣告以及NLP的工程師就更不算是人工智能了，頂多算是智能一些的算法。既不存在和用戶的交互，我們也不是沖著智能這個方向去的，一切都是為了業(yè)務指標。
技術驅動是偽命題
我之前在的公司就是成天號稱自己是技術驅動、數據驅動。但不客氣地說，這個詞在中國幾乎是一個偽命題。因為技術驅動很難，并且也不掙錢。
即使是著名的達摩院這樣的機構，也要承擔著盈利的壓力，連阿里旗下的研究機構都是如此，其他的機構更是可想而知。現在的所謂人工智能以及各種智能算法的技術，很難落地，也就是說很難找到應用場景。找不到應用場景，這個技術再牛，也沒有用，因為對于公司和企業(yè)來說，它的使命是掙錢，而不是推動社會或者是技術發(fā)展，這些只是掙錢的同時帶來的效果。
像是人臉識別、圖像識別或者是其他一些算法，它們有什么特別能賺錢的應用場景嗎？不能說沒有，只能說以目前的技術能達到的效果而言，不多。
舉個例子，比如什么AI看病，AI診斷。機器能達到的準確率真的能超過醫(yī)生嗎？以目前的算法的能力來說，置信度沒辦法達到非常高，準確率能有95%就算是絕頂的效果了。但對于醫(yī)生來說5%的誤診率是一件很可怕的事情，這意味著多少醫(yī)療事故啊。退一萬步說，即使AI達到了很高的水平，病人能相信AI的判斷嗎？我想大部分人肯定還是覺得有專業(yè)的醫(yī)生來判斷更踏實。何況醫(yī)療領域的數據非常私密，一般的醫(yī)院也是不可能愿意拿出來和企業(yè)進行分享的，所以這也是當下互聯網醫(yī)療一直沒有大動作的原因。
工作內容并不有趣高端
說起來做算法的或者是做人工智能的，是不是覺得工作場景很高大上，每天都鉆研最新的技術，閱讀最新的論文，談笑有鴻儒，往來無白丁？
現實可能是每天都是數據、數據、數據，指標、指標、指標。
前面說了，幾乎所有的技術都是為了業(yè)務服務的，如果不能帶來業(yè)務上的價值，那么這個部門被裁撤的日子也就不遠了。既然如此，那么我們用算法做算法，目的也都是為了帶動業(yè)務的增長，也就是業(yè)務指標的提升。那么我們要做的就是想盡辦法帶來提升。想要提升，就得有好模型，想要有好模型離不開好數據。
不要迷信各種論文、金鑰匙，只有數據才是核心。數據決定了效果的上限，模型不過是逼近這個上限罷了。數據一團糟用什么模型也不會有用。既然如此，那么我們每天要做的就是和各種枯燥的數字打交道，大量的時間花在了分析數據、清洗數據以及制作數據上。除此之外可能還有一些其他的臟活累活，并不比一般的開發(fā)輕松。
另外，對于開發(fā)而言，他們所作的事情是看得見摸得著，結果可以預期的。我做了一個功能，如果沒有bug，它就是這個功能。但算法不一樣，我們所有的工作都基于我們的推論之上，我們覺得這個模型或者是這份特征可能有用，但是實際情況無從預見。很有可能花了很多精力到頭來一場空，所以壓力并不小某種程度上反而更大。
職場現狀
說起來現在算法崗位的情況，大家最容易想到的一個詞就是卷。
雖然我個人的確很不喜歡內卷這個詞，總覺得它被濫用了，但不得不承認這一行競爭壓力的確不小。先說說校招的情況，如果是校招生，沒有不錯的學歷背景以及比較優(yōu)秀的論文，并且在這個領域內的基本功也算扎實的話，想要進入大公司是非常困難的。
因為現在躋身這行的人太多了，并且說實話在算法領域想要發(fā)一篇論文難度并不大。別的不說，就光我讀過的沒什么營養(yǎng)東拼西湊的水貨論文就不少，有些還是著名學校或者是研究機構出的，其他差一些的學校的情況就更可想而知了。而且現在海歸也很多，從前這些人當中大部分人都選擇了移民，但目前由于疫情以及國內發(fā)展的關系，越來越多的人會選擇回國，這就導致了競爭變得非常激烈，有點金融那味了。
良莠不齊帶來的結果就是企業(yè)會提升對簡歷的要求，比如學歷不好的直接篩掉，比如沒有不錯論文的也篩掉。這樣當然會錯失很多人才，但可以節(jié)約大量閱讀簡歷以及面試的時間成本。這也是當下招聘要求水漲船高的原因。
如果是社招的話，企業(yè)一般都會希望候選人有過相關的工作經驗，即使是大公司愿意招收一些高潛力但是經驗薄弱的候選人。但是前提要求也是學歷以及背景出色，基礎扎實，并且高潛。
高潛這個詞我簡單翻譯一下大概就是性格做事穩(wěn)重踏實，學習能力強，知道自己要什么并能夠不斷付出努力，以及年輕。是的，年紀大了基本上就和高潛這個詞無緣了。這也是我想要勸退那些30+想要轉行從業(yè)的人的原因，世上不如意的事情很多，沒有必要一一勉強。
人群分析
我觀察了一下，對我認識的同事進行了一個簡單的分析，大家可以參考借鑒一下。
在我的同事當中，90%以上學歷出色。在新加坡就不用說了，新加坡國立和南洋理工的碩士居多，除了這兩所還有一些其他海外的名校。以前在阿里也是一樣，90%都是知名985碩士，至少至少也是知名211的碩士。反推過來，如果碩士畢業(yè)于知名985或者是知名211，那么可以推出他們的本科至少也是雙一流或者是還不錯的本科。
我是本科的重大，從學歷上來看基本上是這個行業(yè)當中的守門員。幾乎沒有見過學歷比我還弱的，所以如果你們最近一份學歷比重大還要弱很多的話，建議謹慎。
以論文來說的話，因為國內的碩士基本上都會有論文要求，所以企業(yè)可以根據簡歷上的論文的水平來參考這個人的能力。除非你是國外的碩士，因為國外的很多課程碩士是不發(fā)論文的，所以論文這一項也不太好說。但有的話一定是一個加分項，沒有的話有可能會扣分，尤其是國內的碩士。至少我認識的兩個不錯的新人都有質量不錯的論文，所以我判斷應該論文的分量還是挺重的。
從算法競賽經歷來說的話，有ACM背景的其實并不多，可能10%不到。所以這塊的確是一個不錯的加分項，實際上我本科期間的ACM隊友現在從事算法方向的的確不少，有不少和我一樣，沒有繼續(xù)讀研。從目前的行情來看，的確也有不可企業(yè)越來越看重算法競賽，比如頭條、第四范式等等，所以如果你才剛剛大一的話，我還是很推薦去嘗試一下acm競賽的。
所以我們簡單總結一下，第一梯隊應該是本科有過acm獲獎經歷，碩士申請到了不錯的學校，并且在學校當中有不錯表現以及論文的同學。不過這些人也不多，全國一年acm銀獎以上也就一千人左右，加上折損淘汰率，可能算下來全國也就幾百人，非常非常少。第二梯隊是名校學歷+優(yōu)秀論文，這種組合也很難得，我估計在從業(yè)者中最多也就30%。第三梯隊是有競賽獲獎經歷/大廠實習經歷的優(yōu)秀本科生以及學歷偏弱有不錯論文或者是論文偏弱學歷不錯的碩士，這群人構成了算法從業(yè)者的大頭，中堅力量。但第三梯隊的人數最多，競爭應該也是最大的，大家情況差不多的時候基本上就完全看個人能力了。
如果你現在的情況距離第三梯隊還很遠的話，我基本上也是持勸退態(tài)度。
一些建議
雖然這篇說是勸退文，但我知道很多人還是不會聽的，尤其是年輕人往往叛逆，我也理解。所以對于那些不聽勸的，我也準備了一些建議。
無論是轉行的，還是即將畢業(yè)但是積累不多的，想要入行都是不容易的，一定是需要付出巨大努力的，這個心理準備一定要有。沒有任何一種辦法，或者是任何一個培訓班，可以讓你在不努力的情況下達成這一效果。
所以剩下的問題就是怎么努力，往哪里努力。
打好基礎
我給出的建議是打好基礎+做出亮點，算法行業(yè)的基礎無非是算法+數據結構+機器學習+深度學習。這幾塊每一塊都不小，想要從零開始啃下來非常不容易。這也是為什么acm出身的同學有優(yōu)勢的原因，因為他們已經熟練掌握了算法和數據結構，不僅負擔更小，并且對于繼續(xù)學習后續(xù)的機器學習以及深度學習也有幫助。
我個人的建議是大量刷題快速學習，大部分人學算法和數據結構都是為了應付面試。既然如此，那不如索性不用學了，直接上手刷題，在刷題的過程當中學。把學習的時間省下來把LeetCode前300題刷個4遍，把里面涉及到的所有算法都學會練熟悉。這些都是機械操作，考驗的就是毅力和苦功，沒什么太多的技術含量，國外的留學生找工作也都是這么過來的。
機器學習和深度學習難點在于剛入門的時候，剛入門的時候什么都不懂，什么概念都是新鮮的，尤其是還會涉及很多公式推導。但實際上公式推導只涉及簡單的線性代數以及矩陣運算，只是看著唬人。機器學習和深度學習里面具體的技術點也并不多，尤其是深度學習大部分都是圍繞神經網絡展開的各種奇淫技巧。主要難熬的是剛入門的前幾個月，挺過去會好很多。
最后說說做出亮點，說到亮點很多人會想到kaggle或者是其他的一些比賽。我個人覺得這些比賽參加一兩場熟悉一下，理解一下算法是怎么運作的就可以了，沒有必要非要做出成績來。因為kaggle這類比賽用到的技術以及能力和實際工作當中還是有很大差別的，并且現在這些比賽也卷得厲害。里面卷著的基本上都是一些小型的人工智能企業(yè)，他們雇一些全職的員工來刷比賽，用這些比賽的名次來證明公司的能力。所以想要單槍匹馬贏過這些公司非常不容易，也需要花費大量的時間，所以我個人不是很推薦。
讀論文
我覺得比較好的辦法還是從論文下手，把相關業(yè)內的論文讀一讀，積累一點造詣。
對于剛入行的同學來說上來就讀paper是一件比較痛苦的事情，第一個難點是不知道要讀什么，paper這么多，每一篇都讀過來顯然沒有精力，也沒有這個必要。好在現在互聯網非常發(fā)達，我們在網上找一找大牛的博客和指引，可以找到一堆reading list。第二個難點是本身的閱讀難度，畢竟是全英文，再加上又有各種公式，剛開始會比較痛苦這個是肯定的。我個人建議是先硬啃幾篇下來，然后記錄一下讀不懂的地方，再去找一找網上中文的博客和解析來做一個對比。十來篇論文看下來，你會發(fā)現這件事情會一下子變得沒有那么難了。
這里要注意，我們讀論文是要摸清楚在這個領域當中的套路，而不是死板地記錄論文當中的方法或者是技術。到后來當你找到自己的方法論之后，你會發(fā)現讀論文變得非常快。看個摘要，再看個圖例，讀一些描述基本上就差不多了。到這個地步，從理論上來說已經是專家了，可能實踐上還需要積累一些經驗，但至少應付面試找份工作問題就不大了。
一點感受
人人都說算法好，人工智能強，其實真的也就那么回事，依然是辛苦忙碌的打工人，和其他普通程序員并沒有什么高下之分。
即使現實一些從收入上來看，也并沒有比前端、后端、客戶端那些純開發(fā)的程序員多。而且這個行當也不是所有人都合適，除了需要保持持續(xù)學習之外，還需要涉獵很廣，除了算法本身對于后端、大數據、分布式、系統(tǒng)設計都需要有所了解和涉獵，難度和壓力都不小。所以如果已經在互聯網行業(yè)當中做上程序員了，真沒多大必要非要換方向，有點吃力不討好。能輕松一點，何必卷著呢，對吧。
好了，今天的文章就到這里，感謝大家的閱讀，喜歡的話給個三連吧~