諸葛越：關(guān)于算法工程師職業(yè)發(fā)展的思考
整理 |?吳雪松?校對?|?王大川
我今天的分享不會給大家指出具體的路徑，因為每個人和每個公司都不一樣，但希望通過提出一些具體的問題，引發(fā)算法工程師/研究員群體對未來職業(yè)發(fā)展的思考，最終找到一條適合自己的職業(yè)發(fā)展路徑。
我今天的分享會分為三部分：
公司組織架構(gòu)
人才模型
值得思考的問題
很多人可能會有疑問，聊個人職業(yè)發(fā)展為什么要先介紹公司的組織架構(gòu)？它和職業(yè)發(fā)展有什么關(guān)系呢？我想說不僅有關(guān)系，關(guān)系還挺大。首先，每個公司的組織架構(gòu)都不同，不同的架構(gòu)決定了不同的晉升通道，第二，職業(yè)路徑規(guī)劃是為了在職場上走的更高更遠，所以脫離實際的晉升通道談規(guī)劃是不實際的。你在做職業(yè)路徑規(guī)劃時，首先就要了解所處公司的架構(gòu)情況，明確可能的職業(yè)路徑有哪些，然后才能確立目標并為之計劃和執(zhí)行。
接下來我就簡單介紹下三種常見的組織架構(gòu)：
第一種是AI LAB。這種模式在大公司很常見，老牌的有以MSRA為代表的外企研究機構(gòu)，國內(nèi)的如百度的深度學習研究院、阿里達摩院、頭條的AI LAB等。AI Lab可以算是工業(yè)界中頂級的人工智能研究機構(gòu)，匯聚了眾多的業(yè)界大牛和頂尖人才，做出很多根植于工業(yè)界的研究貢獻。在這樣的結(jié)構(gòu)下，你向上走需要具備的技能和產(chǎn)出、能達到的高度肯定與在研發(fā)線的同學是不一樣的。
第二種的AI團隊是在研發(fā)線，位于CTO下面，支持不同產(chǎn)品線和公司級別的AI需求。對這個架構(gòu)下的AI團隊，公司希望它提供的是一種通用的類似于中臺的能力。
第三種的AI團隊位于不同的產(chǎn)品線上，這種結(jié)構(gòu)在大公司常見。產(chǎn)品線比較豐富，且用戶量較大，因此需要有專門的AI團隊進行支持。比如在現(xiàn)場與我溝通的一個小朋友，他是騰訊看一看團隊的算法實習生，聽他介紹了解到騰訊里面團隊分工很細致，算法團隊和工程團隊是分開的，算法團隊又分為獨立的召回團隊和排序團隊，每個團隊在自己的方向上做的很精細。
以上三種結(jié)構(gòu)是比較普遍的，大家可以對照想一想你們團隊在哪個架構(gòu)下面，你又在團隊的什么位置上。兩三年后你肯定是想往上晉升的，那在現(xiàn)有的晉升通道下需要具備什么樣的技能和產(chǎn)出呢？在向上呢，還需要怎么做？繼續(xù)向上又如何呢？這些都是需要大家提前思考的。
接下來給大家介紹一下人才模型，在給定了公司架構(gòu)后，你要怎么做呢？大家可以看這個圖，一個大寫的字母“T”。這是我經(jīng)常給Hulu的同事講的，我們要想象我們的技能就像一個“T-shaped”。也可以比喻為大家熟識的“wide&deep”算法，就是你要走多寬，你要走多深。
有一類人，尤其是我們今天的受眾，應該是傾向于偏深的，從而成為一個專家型人才。比如有一個人，他想成為一個專家，我們對話如下：
我問：5年之后你想干什么？
他答：我想做一個專家；
我問：那10年之后呢？
他答：更專的專家。
想成為專家很好，但只說專家是不夠的，假如說要成為Machine Learning的專家，好像有點太泛了。所以接下來還要問自己另外一個問題，那就是我要“專”什么？對于技術(shù)同學來講，大概有三個維度上的專家：
第一，某一項技術(shù)的專家。比如說我是強化學習方向的專家，我對強化學習演進的歷史特別清楚，過往的技術(shù)點有哪些，未來可能的研究趨勢有哪些，更重要的是我還為這項技術(shù)的發(fā)展做出過某些重要的貢獻。那我就算是強化學習的專家了，這是一個很確定的。
第二，某一技術(shù)領(lǐng)域的專家。比如說CV是一個技術(shù)領(lǐng)域，這個領(lǐng)域里有很多特定的算法，雖然我不是某一特定算法的專家，但是我都了解，更關(guān)鍵的是我可以利用這些成熟的算法解決特定的業(yè)務問題，這也是一類專家；例如推薦系統(tǒng)也是一個領(lǐng)域，也可以成為這個領(lǐng)域的專家。
第三，某一商業(yè)領(lǐng)域的技術(shù)專家。比如說拿商業(yè)廣告來說，它包含了一整套的技術(shù)，例如說怎么優(yōu)化網(wǎng)上廣告的配型，比如說怎么做廣告的個性化推薦等，你不僅都知道還可以帶領(lǐng)團隊搞定整個系統(tǒng)的問題，所以你也可以成為這一商業(yè)領(lǐng)域的算法專家。
如果你想成為一個專家，那到底是你想成為上述三種的哪一種呢？有過思考嗎？
我們接下來說第二類，與專家相對應的是偏寬度，簡稱為“雜家”吧，也有三個維度：
第一，全能型算法工程師；這類工程師的學習能力特別強，給他任何一個問題，都能通過快速學習掌握相關(guān)知識點，然后把問題解決；再拋給他另一個完全不同的問題，依然可以快速解決。其實在某些類型的企業(yè)或者某些階段的企業(yè)，給算法工程師營造的工作學習環(huán)境就是這樣的，你沒有辦法決定精專一個方向，因為每天都要面對各種層出不窮的問題，且都需要你盡快解決。但是大家可以想象在這種環(huán)境長期發(fā)展下去的話，對算法工程師長期發(fā)展會造成什么影響；
第二，可能不完全包含算法工程師，在特定的領(lǐng)域內(nèi)，你對數(shù)據(jù)全流程都了解，對數(shù)據(jù)怎么從頭到尾應用到機器學習領(lǐng)域都了解，有點數(shù)據(jù)科學家的意思。
第三類，在大廠或者大平臺有過豐富的經(jīng)驗，用同樣的算法解決不同量級的問題；相較于其他沒有相關(guān)經(jīng)歷的算法工程師，你知道怎么去處理更大的問題面對更大的挑戰(zhàn)，這是很重要的優(yōu)勢。
總結(jié)來說，即使說你什么都能干，也要想一想是在一個什么樣的框架下處理什么樣的問題。
再說第三類，還有些人在特定階段要走向管理，轉(zhuǎn)向管理需要具備的技能與前兩類又不一樣。
其實當你已經(jīng)是一個領(lǐng)域的專家后，大家都會在繼續(xù)走專家線還是走向管理線間有過思考和搖擺。但是不管你最終走向何方，一定要知道適合的才是最好的。怎么判斷自己更適合哪個呢？那就需要把專家線和管理線對人才模型的要求搞清楚。專家線前面已經(jīng)說過，我們在介紹下管理人才需要具備的技能。
第一點，“學而優(yōu)則仕”。怎么理解呢？只有那些已經(jīng)成為技術(shù)專家的人，才有選擇的機會。轉(zhuǎn)管理是有門檻的，發(fā)展路徑會一般是技術(shù)專家-技術(shù)leader-管理。；
第二點，需要學習相應的軟技能。這個涵蓋的范圍還挺大，簡單列舉些：如何招人、如何用人、如何保人，領(lǐng)導力，溝通能力，項目管理能等等。
如果你未來想要走向管理崗，在技術(shù)上一定要有建樹，還要提前學習和儲備相應的軟技能，而不是轉(zhuǎn)過之后在補充。
03
1. Deep and wide, which domain?
這個問題在之前討論過，大家可以回顧下。希望你在平時對這個問題就有深入的思考，不要到三五年之后被問到的時候回答“我還沒有想好”。找不到方向時，往哪個方向走都是錯誤的。
2. How much do i want to work with people? And how good am i?
大部分人都有轉(zhuǎn)管理的想法，但是你一定要清楚做研發(fā)與做管理是很不一樣的。簡單提醒幾點：
第一，何時選擇轉(zhuǎn)管理？如何從技術(shù)專家過渡到管理崗位？這是需要面對的第一個問題；
第二，如何獲取團隊的信任？是不是只要你的技術(shù)足夠強，就可以獲取團隊成員的認可和尊敬，就可以把老板交代的任務都干好。是不是真的是這樣子的？
第三，如何盡快進入管理角色？你要充分意識到管理工作更多是和人打交道，包括上級老板、一起配合的兄弟團隊以及你所帶領(lǐng)的團隊成員，涉及到很多與人溝通的細節(jié)，你該如何應對。
3. How to balance engineering skills vs research skills?
這個問題是算法工程師群體們普遍都會遇到的，算法研究能力or工程能力。您在其中一個方向上成為專家是沒有問題，企業(yè)都會有合適的位置給到你。但如果你想走到更高的職級，就需要不斷拓寬與現(xiàn)有工作相關(guān)的技術(shù)棧。大家可以回到開頭講的團隊架構(gòu)圖，你會發(fā)現(xiàn)在組織的特定層級的特定位置，算法研究和工程能力會結(jié)合起來，這就要求位于這個位置的人必須兼顧兩個方向，兩個方向都要通，否則很難做到把兩個方向的團隊帶好。
隨著近兩年算法崗位的成熟，有一種說法重新被大家認同，那就是“算法工程師首先是一名工程師”，可見對算法工程師工程能力的重視已經(jīng)是普遍的觀點了。
4. How to balance working on the real problems vs exploring advanced tech?
對于這點，它不是一邊好于另外一邊的問題，更多的是環(huán)境塑造或者個人偏好。尤其近幾年，企業(yè)對算法應用的需求激增，但偏偏人才供給短期內(nèi)又很難被滿足，導致很多算法同學一個項目接一個項目的做下去，解決了一個又一個的實際問題，在這個過程中自然積攢了大量的實際經(jīng)驗；但是另外一些身在Ai Lab的算法同學就不一樣了，頂會paper一篇接一篇的發(fā)，保持著對新技術(shù)新發(fā)現(xiàn)的持續(xù)跟進。你很難說一個好過另外一個，需要認清個人更喜歡哪類工作，以及在特定的環(huán)境下做符合預期的事情。
5. How to develop methodology over time so you can solve larger and more complex problems?
最后是關(guān)于發(fā)展個人方法論的問題，這個問題我在內(nèi)部也經(jīng)常提起。拿我們團隊舉例子，你是團隊的一個reasearcher，業(yè)界一些前沿的技術(shù)成果都跟上了，那你如何才能在此基礎(chǔ)上做的更好呢？
大家可以思考這樣一個問題，工作經(jīng)驗分別為1年、5年、10年的三個工程師在解決同一個問題時的差別是什么呢？結(jié)果可能都一樣，那就是問題都被解決了，但真正的差別在于大家看問題的角度和維度不一樣。作為工作經(jīng)驗久的工程師，你看到的不應該僅僅是問題的表面，更要看到問題的前因后果，以及其他與此相關(guān)的事情。為什么會這樣呢？因為通過多年的工作積累，資深的工程師已經(jīng)有了解決問題的框架，可以把問題放在框架下拆解分析，最后找到解決問題的方法。
隨著工作年限的增加，大家一定要總結(jié)并提煉出與工齡相匹配的方法論，否則你是無法對“后浪”形成競爭優(yōu)勢。形成了自己的方法論后，不僅可以更高效的應對老問題，還能從容的面對新問題。為什么會呢？因為老問題可以直接套用現(xiàn)有解決方案，效率肯定提高；面對新問題時，將問題放在現(xiàn)有的方法論下進行拆解，很快也會找到方案。你一定要知道，隨著職級增加的不僅是收入，還有需要處理問題的數(shù)量。如果沒有積累，你在應付激增的問題時會顯得很吃力。
今天的分享就到這里，希望通過這些問題引發(fā)你對職業(yè)發(fā)展的思考，早日找到適合自己的發(fā)展路徑，謝謝大家。