最差的算法工程師能差到什么程度？
點擊上方“小白學(xué)視覺”，選擇加"星標"或“置頂”
重磅干貨，第一時間送達
編輯：Amusi（CVer）?|? 來源：知乎
https://www.zhihu.com/question/347545092
本文僅作為學(xué)術(shù)分享，如果侵權(quán)，會刪文處理
你見過最差的算法工程師能差到什么程度？
作者：Guosheng Hu
https://www.zhihu.com/question/347545092/answer/934820526
真事。
這周面試了一個候選人，面CV/DL/AI的TechLead。簡歷很牛逼，做過很多CV的工業(yè)項目，涵蓋detection, OCR, face recognition, fire/smoke detection等好多項目. 給我們講了45分鐘做得項目，講得很自信。我挑了一個大項目，我說你在這個項目中的貢獻是什么？他說整個項目的所有算法部分都是他實現(xiàn)的。
OK,我開始進行深度學(xué)習(xí)的技術(shù)面。
我先問了兩個深度學(xué)習(xí)的中等難度的問題，他都說不知道。有點冷場，那我趕緊問點簡單的吧。我說，深度學(xué)習(xí)網(wǎng)絡(luò)，進行分類時有哪些loss?他猶豫了一下，回答: relu.
瞬間把見過大場面的我還有同事都震住了。
作者：王喆
https://www.zhihu.com/question/347545092/answer/864222675
我們組一個年輕的印度小哥，UCSD畢業(yè)的，按說教育背景也不錯，寫model serving過程中的一步。每個request開20個線程計算。
我說你一個m*n復(fù)雜度的過程，m和n還都小于100，有必要開20個線程計算嗎？你那線程開銷絕對比并行計算收益大多了好嗎。不聽，給我說（大概意思）：
并行計算比較cool，老老實實寫那個過程太boring。
行吧，不聽不聽吧，自己折騰去吧。
過兩天給我說load test的時候server的latency翻倍，我一看線程數(shù)都超過JVM上限了能不翻倍嗎。
講這個倒不是想取笑這小哥，而是跟大家討論一個問題，就是什么是比“技術(shù)上最差”更糟糕的情況。
如果你只是基礎(chǔ)差，但總體上是一個嚴謹?shù)娜?，其實到不那么麻煩，就是按部就班的學(xué)習(xí)，按部就班的積攢工程經(jīng)驗，無論是哪個領(lǐng)導(dǎo)還是老同事應(yīng)該都是樂于幫助這樣的年輕人的，因為總體來說你還是在解決問題，哪怕速度慢一點，你總歸在成長，而且是讓系統(tǒng)整體混亂程度降低的。
最差的算法工程師其實是什么呢？是自己對技術(shù)的感覺很差，但對自己的感覺挺好，試圖用一些比較fancy的手段解決問題，但實質(zhì)上引入了更高的系統(tǒng)復(fù)雜度，增加了系統(tǒng)潛在風(fēng)險，這樣的人，其實對整個團隊是負能量的存在，始終需要更senior的人幫著擦屁股，這無形增加了整個團隊的工作量，這就是最差的算法工程師。
我特別喜歡的一句話是：
“不帶評論的觀察是人類智慧的最高境界”
希望剛?cè)胄械乃惴ㄍ聜兡軌蛑肋@句話的意義，其實公司不急于讓每個人都發(fā)表意見，在自己技術(shù)能力不那么足的時候，不帶評論，不帶主觀情緒的去學(xué)習(xí)一段時間，好好思考一下別人為什么要做出這樣的技術(shù)決策，好好積攢一下自己的技術(shù)感覺，這是最重要的。相信度過最初的積累階段之后，你能夠為團隊做出，為整個系統(tǒng)做出“熵減”的技術(shù)決策。
作者：胡津銘
https://www.zhihu.com/question/347545092/answer/1212688723
先歪個題，從反面回答一下，我碰到什么樣的算法工程師會認為他/她是優(yōu)秀甚至是卓越的大佬，并選擇緊緊抱住大腿不松手。之前與@熊風(fēng)學(xué)長還有很多來自不同公司的前輩們討論過這個問題，本文很多觀點也是來源于他們，這里也感謝大家的指點?？偟脕碚f，以下幾個特點是我特別留意的，如果碰到了我就會認為這位很厲害：
基礎(chǔ)非常扎實。問他/她一些比較經(jīng)典的算法，能夠很清晰地說出算法的特點、適用的場景、坑點、里面的細節(jié)等等。
工程能力很強。我是一位“工程狗”，自己的工程能力很菜，但對工程能力強的同學(xué)非常崇拜 Orz 如果碰到一位算法工程師的工程能力很強，僅憑這一點，我就認為他/她基本上一定是大佬Orz
重視代碼的測試。算法崗的工作并不完全就是調(diào)參煉丹，往往也是需要去寫一些代碼的，例如寫些spark/sql代碼獲得特征，寫模型等等。既然是寫代碼，就可以而且應(yīng)該在其中加上測試。實際上，根據(jù)我的經(jīng)驗，如果碰到某個其他地方好用的模型在自己的場景下效果很差（不reasonable得差），那很可能是數(shù)據(jù)、特征的處理代碼有問題，或者模型的代碼有問題。這種問題可以用單元測試（斷言等）來提前發(fā)現(xiàn)，也可以用一些sanity check來發(fā)現(xiàn)。
對場景業(yè)務(wù)的認識很深刻。軟件工程沒有銀彈，機器學(xué)習(xí)也沒有銀彈。用什么樣的特征、什么樣的預(yù)估目標、什么樣的評價指標、甚至什么樣的模型，這些東西都是要與場景業(yè)務(wù)結(jié)合的。換言之，工業(yè)屆里，業(yè)務(wù)先于技術(shù)。很多大神在這個方面做得尤其出色。
在實際場景中，注重先把整個pipeline搭建起來。個人認為，這一點在實際應(yīng)用中往往應(yīng)該是最優(yōu)先的。搭建起來之后，機器學(xué)習(xí)系統(tǒng)的上下游也都可以工作，也可以更好地判斷系統(tǒng)的瓶頸所在，把好剛用在刀刃上。這其實就與做開發(fā)的程序設(shè)計一樣，較早地抽象出比較好的接口、搭建一個系統(tǒng)原型是很重要的。
能夠持續(xù)學(xué)習(xí)新的知識，跟蹤最新的成果，對各種模型的motivation有自己的理解，有自己的insight與vision。這里舉幾個我自己學(xué)習(xí)過程中碰到的例子來說明一下這點。例如，推薦系統(tǒng)中，在Youtube 16年的推薦paper中，為何step1和step2的優(yōu)化目標是不一樣的？人臉檢測中，MTCNN為何要分為多階段？landmark檢測中，3000FPS為何要分為兩個階段？（這些是設(shè)計相關(guān)的motivation）Google的wide&deep為何在Google store的場景下效果好，而在其他的場景下效果不一定好（這是對場景的motivation理解）？文字檢測中，PixelLink為何要引入link？OCR中，CRNN為何要引入一個RNN？機器學(xué)習(xí)系統(tǒng)中，LightGBM是如何針對xgboost存在的哪些缺點進行改進的？（這些是對改進的motivation理解）我認識的一些大佬們會主動結(jié)合文章思考這些問題，有的時候會有與paper所claim的不同的理解（畢竟寫paper的story很多時候也不一定靠譜，大家都懂），甚至還會做實驗驗證自己的理解。然后拿這些問題來考我，在我思考不出來后再告訴我他們的理解與實驗結(jié)果Orz
做多數(shù)實驗之前有自己的假設(shè)，根據(jù)實驗結(jié)果會根據(jù)實驗結(jié)果做進一步實驗，或修正假設(shè)、或進一步探究。
自己參與的項目，對其中與自己比較相關(guān)的內(nèi)容的細節(jié)比較清楚，自己負責(zé)的部分能夠了如指掌。
能系統(tǒng)性地分析出機器學(xué)習(xí)整個系統(tǒng)的瓶頸所在，并提出相應(yīng)的解決方案。當(dāng)系統(tǒng)效果不好的時候，知道如何去debug，找到問題所在，改進系統(tǒng)的性能。這方面是我個人尤其欠缺的點。
相應(yīng)地，這些也是我要努力提升的地方。如果我是面試官，我想我也會從這些方面去考察算法工程師的候選人。當(dāng)然了，以上幾點不一定要面面俱到，例如很多大佬不一定工程能力很強，但仍然可以做出很好的東西。換言之，上述特點的precision應(yīng)該很高，但recall不一定特別高。不過，在我看來，與以上描述相反的算法工程師，即基礎(chǔ)不牢、工程差勁、不做測試、不怎么考慮場景、在搭建起pipeline之前過早地沉迷于某一步的優(yōu)化、不學(xué)習(xí)新東西、拿所有實驗當(dāng)黑箱煉丹等等，這樣的算法工程師（其實就是我了）在我看來就比較一般。而差勁的算法工程師，在我看來，是不僅這些方面做不好，還瞧不起這些方面的人。
作者：LinT
https://www.zhihu.com/question/347545092/answer/865893798
強答一波，講講在學(xué)校或網(wǎng)上見到的現(xiàn)象(AI方面，嚴格來說，這些人放到今天的行業(yè)標準下，基本不可能成為一名算法工程師)。
(純屬吐槽，請勿對號入座)
百度百科型選手/PPT選手：常見于各類創(chuàng)新競賽、課程答辯，張口閉口一定是「人工智能」「神經(jīng)網(wǎng)絡(luò)」，上來一定要氣壓群雄，盡管對各類AI問題的進展沒有任何了解，但是在他們這里，各種算法一定是封裝好了，準確率100%，拿來就可以用(plug-and-play)的。什么文本情感分析做輿情監(jiān)控啊，人臉識別智能面試啊，不在話下，章口就來。
博客型選手：大概率嘗試過Andrew Ng的網(wǎng)課，但大概率沒看下去，手里一定有一本Python深度學(xué)習(xí)，對原理不求甚解，數(shù)學(xué)公式大概都不想看，論文不想讀，輾轉(zhuǎn)各個博客網(wǎng)站希望找到一個好一點的解讀；跑了一通實例代碼，很有成就感，可能會在某個博客網(wǎng)站發(fā)布一篇博客，標題諸如《自然語言處理入門-XXX》，成功為網(wǎng)絡(luò)貢獻一篇與其他博客雷同率90%的文章，雖然文章名字像是一個系列，但是相信我，他大概率不會再發(fā)布同系列的文章了。
Github選手：常常和PPT選手合作，拿到需求，「人臉識別是吧？」，Github一搜，好多倉庫，全克隆了再說；挑挑揀揀，調(diào)試了半天，依賴裝完代碼跑通了(沒有error)，任務(wù)完成，功德無量，接下來的任務(wù)交給其他隊友！
AI+型選手(教師)：傳統(tǒng)方向出身，沒有學(xué)過ML/DL，在AI興起以后，把DL當(dāng)萬精油用，深度學(xué)習(xí)預(yù)測地震啊，深度學(xué)習(xí)驗證軟件啊...管它什么數(shù)據(jù)驅(qū)動不驅(qū)動，經(jīng)費拿到手就行了。這類老師對AI的認知可能和PPT選手差不多，比學(xué)生多的本領(lǐng)就是寫本子、打招呼了。帶一個PPT選手加一個Github選手，基本上可以在各類創(chuàng)新競賽/項目中拿到還不錯的成績。
名詞流選手：行走的AI術(shù)語詞典，討論問題時就喜歡堆砌名詞，但從不解釋，故弄玄虛，讓外行有一種「不明覺厲」的感覺，其實一些言論根本經(jīng)不起推敲。
潮流型選手：走在AI潮流前列，除了最新的算法，其他的都是垃圾，「不加attention？你這算法不行！」，「2019年了，還用概率圖模型？！」這類人對算法應(yīng)用場景一無所知，對新算法的狂熱程度堪比娛樂圈流量小生的瘋狂粉絲們。
何去何從型選手：多半是半路出家，轉(zhuǎn)行想做AI的，但是奈何基礎(chǔ)弱，一心只想掙大錢，所以會很迷茫，于是到知乎拋下一個問題：「非cs科班可以學(xué)xxx嗎？」「本人xx，應(yīng)不應(yīng)該xxx？」。奈何這類問題沒有什么深度，基本得不到什么可以參考的回答。這類人問題不在沒有基礎(chǔ)，而在沒有主見。
(別打我...)
作者：盛夏的果核
https://www.zhihu.com/question/347545092/answer/840206839
EMMMMMM，原回答不夠嚴謹，下文所說的僅為AI算法工程師。
————————以下為原回答———————————
0級算法工程師——只知道神經(jīng)網(wǎng)絡(luò)和幾個名詞，這一級的人一談到算法和人工智能，無腦牛逼(或無腦diss)就完事了。
1級算法工程師——拜讀過西瓜書/小藍書/花書，看過算法視頻教程，對算法基礎(chǔ)知識有一定的了解;掉過幾個算法包，跑過幾個模型和典型數(shù)據(jù)。這一級通常是調(diào)包俠，調(diào)參怪?？陬^禪:xxx算法模型是真的強!實際上對于算法原理思想一無所知，看的書也只是囫圇吞棗。
2級算法工程師——參加過一兩個算法競賽/項目，跑過知名的幾個效果好的算法模型，并且獲得了中規(guī)中矩的成績(前10-20%)。此時認為算法不過如此，數(shù)據(jù)處理、特征構(gòu)建、模型選擇無非那么幾種套路，僅僅靠著模型融合和毫無想法的數(shù)據(jù)處理過程來上分。這一級充斥著大量的校招算法工程師，承擔(dān)著大中廠算法崗炮灰的角色。
3級算法工程師——參加一些算法競賽并獲得比較靠前的名次，對于使用的模型和方法有叫深入的理解，競賽中存在獨立和較深刻的思考?；蛘哂嘘P(guān)于算法項目相關(guān)的論文。這一級在基礎(chǔ)算法能力上來說已經(jīng)過關(guān)，可以找到還不錯的工作。比較容易擔(dān)憂的是自身的工程能力。
4級算法工程師——除了比較扎實的算法基礎(chǔ)外，還有比較不錯的工程能力。不僅理論知識過關(guān)，同時能將算法結(jié)合到業(yè)務(wù)場景、實際項目當(dāng)中去，并對算法本身進行一定的更改以適應(yīng)背景。這一級的人已經(jīng)能成為offer收割機了，往往能拿到心儀的offer。
(我認為四級已經(jīng)是絕大多數(shù)算法工程師的上限，對于工程師來說繼續(xù)升級需要的是對相關(guān)業(yè)務(wù)的理解、敏銳度和工程能力了，超越了“算法”本身的范疇)
…………
N級算法工程師
對于現(xiàn)有的算法進行創(chuàng)新和改進/開發(fā)算法框架造福AI領(lǐng)域等造成比較大的影響的巨佬。這一級答主根本無法想象那種高度，實屬算法領(lǐng)域的大牛級人物。