科普：算法崗是什么？我適不適合算法崗？選什么方向的算法崗？

大家好，我是千與千尋，一名專注于后端研發(fā)與算法工程領(lǐng)域的程序員，最近我的作息快趕上yp哥的作息了，不過習慣就好。

昨天晚上深夜回家發(fā)了個pyq，我大致表達的意思：誰說算法崗不加班的？活沒干完的前提下，你不得瘋狂加班的，跟似的干？

然后有粉絲說：什么，算法崗也要加班嗎？不是說算法崗相對開發(fā)崗來說，可以輕松一些嗎？加班沒開發(fā)崗那么恐怖嗎？

先直接說結(jié)論：你們可能是對算法崗有什么誤解了...

千尋目前是大廠一名研發(fā)工程師，雖然是研發(fā)，但是工作內(nèi)容，后端研發(fā)，算法工程應(yīng)用都有所涉及，我就自身的經(jīng)歷給大家介紹一下算法崗的工作內(nèi)容，算法崗的種類，以及什么樣的人適合做算法崗，對于想轉(zhuǎn)行算法崗的朋友一些建議。

算法崗是什么？

算法崗是大中型企業(yè)在已經(jīng)有完整的盈利閉環(huán)系統(tǒng)的基礎(chǔ)上，需要對其盈利模式進行深度的優(yōu)化，使得系統(tǒng)可以更加具有針對性的服務(wù)用戶目的的工程人員。

算法崗什么工作內(nèi)容？

之前的文章中我曾經(jīng)列舉過算法崗與開發(fā)崗位的具體工作內(nèi)容差別，算法崗為包含算法工程師，算法研究員。

算法研究員：算法研究員的hc相對較少，一般僅僅在特大廠的AI lab以及AI四小龍以及獨角獸的公司會有一定的需求，當然這僅僅是針對互聯(lián)網(wǎng)公司的情況進行描述的，如果是進入國企或者研究所，對前沿的技術(shù)研究需求還是很多的。

算法研究員主要的是進行傳統(tǒng)模型準確率以及性能的深度打破，在目前的SOTA之下，SSD在COCO數(shù)據(jù)集上的檢測MAP準確率目前是75.8%，那么研究員就會想盡各種tricks來提高模型的準確性，改進網(wǎng)絡(luò)結(jié)構(gòu)，或者特征提取方式，達到打破目前的最高準確率，從而發(fā)表頂會論文。

算法工程師：算法工程師相對研究員來說，更加接近實際的業(yè)務(wù)，將算法實際的用到工程中，從而發(fā)揮算法的效果，一般來說在實際的業(yè)務(wù)生產(chǎn)中，我們所使用的算法模型也都是穩(wěn)定的模型，進行遷移學習，從而可以達到速度與準確率的完美結(jié)合。算法工程師相對研究員崗位來說，并不需要實際的模型突破，很對時候達到80%-90%基本就可以使用了，與研發(fā)進行配合聯(lián)調(diào)，將算法模型的調(diào)用接口化，用于工程需求中。

算法崗位的方向

算法崗位的方向還是很多的，最大的范圍之下，可以劃分為計算視覺，自然語言處理，搜索廣告推薦算法，語音算法，方向太多，很難做到所有的都面面俱到。我對我所研究兩個方向，進行一下我的心得的分享，推薦派單算法，以及計算視覺算法(CV)

計算機視覺：

其實在之前作為的計算機視覺的算法工程師，我在計算機視覺方面還是有自己的一些見解，具體可以說明為計算機視覺的算法工程師，我自己的一個感覺，為了防止杠精，我說明僅僅代表我自己的觀點，我個人其實不太看好CV方向，原因如下：

1.看似方向廣，就業(yè)崗位多，事實上市場比較飽和，toC的大模型相對來說有些已經(jīng)投入使用，然而對于toB的業(yè)務(wù)，AI四小龍獨角獸公司，相對來說，已經(jīng)做得十分完善，市場沒那么龐大。

2.技術(shù)相對來說比較完善，同時技術(shù)的重要性并不是很舉足輕重，對于互聯(lián)網(wǎng)的核心盈利方式——平臺+廣告的模式之下，圖像的地位其實并不是很重要，“說白了，不是能增加資本家資產(chǎn)的東西”

3.圖像識別，目標檢測，商湯和曠視做的很強，一般應(yīng)用于工業(yè)界，生成對抗，圖像分割等相對來說用于互聯(lián)網(wǎng)的短視頻中，抖音快手中的魔法表情使用就是用GAN完成的

計算機視覺是算法崗中人很多的方向，因為很多本科生的專業(yè)是自動化，機械電子，通信工程的同學都會多多少少接觸到數(shù)字圖像，所以在研究生期間也會繼續(xù)研究圖像，也就作為CV算法崗。

推薦系統(tǒng)算法：

說到算法崗的大頭,也就是最為出名的"搜廣推",先說一個結(jié)論：如果現(xiàn)在想轉(zhuǎn)行做算法崗，或者是高年級的本科生以及碩士生還沒用找到算法崗的方向，那我建議你轉(zhuǎn)推薦算法。

剛剛我們說了互聯(lián)網(wǎng)公司的兩大盈利方式：

1.建立中間平臺，收取中介費，例如滴滴出行，以及美團點評等。通過建立電商的平臺，進行商家與用戶之間的匹配，促進消費。

2.掌握一定的流量，進行精準的廣告投放。

以推薦算法的結(jié)構(gòu)來給大家進行一下詳細講解：

在以上我繪制了一個很簡單的電商推薦系統(tǒng)的架構(gòu)圖，其中包括每一種流程層的算法邏輯流向。

召回層：召回預計算目標，從海量數(shù)據(jù)中多路召回預排序目標，簡單來說，選擇進入推薦模型的種子號選手，例如購買牙膏需求，牙膏的品牌以及商店有上千萬家，肯定不能所有的進行遍歷，因此會通過人群畫像獲取數(shù)據(jù)的預計算目標，模型計算量有百萬降低到百級。

過濾層：召回層進行召回的預計算目標一定會比最終推薦的目標數(shù)量要高，原因需要進行"過濾",比如存在重復推薦，或者無效推薦（商家關(guān)門，或者斷貨）

精排層：經(jīng)過過濾層的過濾，進入推薦算法模型，進行推薦得分計算，以傳統(tǒng)的機器學習算法為例，在實際的業(yè)務(wù)系統(tǒng)中會存在多種復雜業(yè)務(wù)情形，簡單的機器學習模型根本無法滿足復雜的業(yè)務(wù)需求，常用的機器學習的模型是集成模型例如xgboot模型，通過采取多種關(guān)鍵特征進行決策回歸

以上就是精排層的推薦系統(tǒng)的算法整體框架圖，將數(shù)據(jù)集放入模型進行模型訓練，算法工程的主要職責就是上下的兩個方框：改進模型結(jié)構(gòu)與優(yōu)化特征工程。

改進網(wǎng)絡(luò)模型結(jié)構(gòu): 以xgboost為例，其內(nèi)部包括多個決策樹，決策樹的數(shù)量,以及學習率的大小都可以改進特征的學習率，從而在同等數(shù)量的特征之下可以達到更高的效果

優(yōu)化特征工程：相比于改進網(wǎng)絡(luò)結(jié)構(gòu)，特征工程則是通過增加特征的種類，特征的數(shù)量，比如從原來年齡+性別來推薦商品，到最后使用年齡+性別+愛好數(shù)碼進行商品的推薦，顯然在增加了愛好的特征后可以進行更加精準的推薦，以此類推，優(yōu)化模型的性能。

混排層：相比于精排層，混排層的不是單單注重準確率，而是有意去放出"負樣本",也就是用精準推薦去帶動其他的推薦，比如推薦買大米的商品，順帶推薦豆油，從而獲得更多的收益。

強規(guī)則：根據(jù)運行嗎，比如有一些需要進行強制的置頂，是進行人機交互的主要窗口。

算法崗的性能提高驗證測試

1.對于算法的模型測試來說，線下使用可以使用測試數(shù)據(jù)集進行測試，測試改進模型的準確率。

2.但是實際的工業(yè)生產(chǎn)環(huán)境中更多所使用是線上AB測試，其具體的架構(gòu)圖：

線上AB測試，其原理是將算法模型的不同改進版本，進行的對照，畢竟這實踐才是檢驗真理的唯一標準，只有線下模型準確率再好，一到線上就崩也是涼涼啊，因此需要模擬100%的線上業(yè)務(wù)情形，所以進行”控制變量法"進行算法模型的性能對比。

采用流量分流閥，將全部的流量進行等分為4份，基礎(chǔ)桶為最基本模型，等于模型的basekline，其他的幾個版本的對照桶中放入改進的模型，在同樣的流量之下，對比模型的優(yōu)劣。具體的對比指標有些復雜，總之采用控制變量法進行模型的對照。

算法崗適合什么樣的人？選擇什么樣的算法崗比較好？

算法崗位相對于來說，競爭力比較強，因為算法崗的薪資是互聯(lián)網(wǎng)食物鏈的頂端，對標金融領(lǐng)域的券商投資銀行崗位，所以算法崗的競爭壓力會大一些，不過薪資與競爭壓力是成正比的，也是值得的。

算法崗適合喜歡做研究實驗的高年級本科生或者碩士研究生，算法崗需要不短的追最新的論文，努力將學術(shù)界或者工業(yè)界的最新成功轉(zhuǎn)化為實際的業(yè)務(wù)系統(tǒng)中去。

算法崗的性能提高驗證測試

對于技術(shù)有執(zhí)著熱愛的比較適合算法崗，其實程序員這個領(lǐng)域都差不多，都是需要終生學習的打工人。

針對以上我提到的兩種算法崗位，可以說目前計算機視覺算法崗的需求迭代更類似開發(fā)崗位，而推薦系統(tǒng)的”搜索廣告推薦“可能更加有研究的價值。

最后無論算法崗也好，研發(fā)崗也很好，好好做哪行都行的，程序員領(lǐng)域各司其職，不存在鄙視鏈，一起沖！

我是千與千尋，我們下期見！

往期精彩回顧




適合初學者入門人工智能的路線及資料下載
(圖文+視頻)機器學習入門系列下載
中國大學慕課《機器學習》（黃海廣主講）
機器學習及深度學習筆記等資料打印
《統(tǒng)計學習方法》的代碼復現(xiàn)專輯
AI基礎(chǔ)下載
機器學習交流qq群955171419，加入微信群請掃碼：