AI市场需求变化了，应届生们却还停留在几年前的认知上...

文 | 不拖更的夕小瑶

来自 | 夕小瑶的卖萌屋

2014年末入坑AI&＃xff0c;一路见证了AI行业的快速起飞、爆炸、焦虑和冷却。

小夕前几天在知乎上看到一个问题《如何看待2021年秋招算法岗灰飞烟灭》被顶上了热榜。

有点感叹&＃xff0c;怎么就灰飞烟灭了呢&＃xff1f;&＃xff1f;

2018届的讨论&＃xff1a;“算法岗是否值得进入&＃xff1f;”&＃xff1b;
2019届的讨论&＃xff1a;“怎样看待算法岗竞争激励&＃xff0c;供大于求&＃xff1f;”&＃xff1b;
2020届的讨论&＃xff1a;“算法岗已经是一片红海&＃xff0c;诸神黄昏&＃xff0c;要不要转开发&＃xff1f;”&＃xff1b;
而今年&＃xff0c;直接变成“算法岗已经灰飞烟灭”啦&＃xff1f;&＃xff1f;

喂喂&＃xff0c;是谁带的节奏。。。这车毁人亡的速度也太快了哇

可事实真的是这样吗&＃xff1f;还在车上的小伙伴是不是要赶快跳下车&＃xff1f;

不&＃xff01;是&＃xff01;哒&＃xff01;

在很多人眼里&＃xff0c;AI行业的岗位数量变化趋势是&＃xff1a;↘&＃xff0c;而涌入这个行业的人数变化趋势是&＃xff1a;↗&＃xff0c;所以大家普遍认为按照这个趋势下去该到了灰飞烟灭的程度了。而据小夕观测&＃xff0c;2018年&＃xff0c;企业主招不够合适的人&＃xff1b;2019年&＃xff0c;企业主招不够合适的人&＃xff1b;2020年&＃xff0c;企业主依然招不够合适的人&＃xff01;

这说明了什么&＃xff1f;

虽然AI行业涌入的人越来越多&＃xff0c;行业也变得日趋成熟了&＃xff0c;竞争有所加剧。但&＃xff01;是&＃xff01;真正导致应届生一片哀嚎的&＃xff0c;不是岗位消失了&＃xff0c;而是市场需求变化了&＃xff0c;应届生们却还停留在几年前的认知上。

接下来&＃xff0c;本文从以下三个层面分析今年的算法岗秋招形势&＃xff0c;并给今年找工作的师弟师妹们给出一些建议。

• “供”与“需”

• “研究“与”落地“

• “梦想“与”现实“

“供”与“需”

在2015年、2016年等早些时候&＃xff0c;市场普遍认为能手推SVM的应届生就是优秀的&＃xff0c;毕竟那时深度学习还是新鲜事物&＃xff0c;很多厂都还停留在规则&＃43;统计机器学习的技术栈上嘛。

后来&＃xff0c;到了2017、2018年&＃xff0c;大厂小厂们疯狂的拼论文、刷榜单&＃xff0c;这时候能发顶会论文、靠炼丹术刷爆比赛榜单的应届生自然就成了香饽饽&＃xff0c;而这时候那些思维还停留在白板手撸SVM的应届生们就开始一片哀嚎&＃xff0c;“为啥我已经可以5分钟全程推导SVM了还是拿不到offer哇&＃xff01;”&＃xff0c;于是抱怨“2019届太难了&＃xff01;供过于求&＃xff0c;我们被剩下了&＃xff01;”

再后来&＃xff0c;时间线进展到去年和今年&＃xff0c;各种AI Lab开始“名存实亡”&＃xff0c;大小厂们都开始认真考虑AI的落地和变现问题&＃xff0c;不再那么热衷于秀论文&刷榜单了。然而&＃xff0c;应届生们终于认识到&＃xff0c;“只会推导SVM是不够的&＃xff01;我要开始憋论文了&＃xff01;”于是憋了一两年&＃xff0c;终于有了一篇论文&＃xff0c;然后发现“哇&＃xff0c;为什么我有论文你们都不要我&＃xff01;算法岗灰飞烟灭了哇”

最近又看了一些粉丝和师弟师妹们发来的简历&＃xff0c;越发感到这个“供”与“需”错位的严重性。需求方已经从研究导向转变到落地应用导向了&＃xff0c;而作为供给方的很多应届生们依然思维停留在几年前的“进企业搞研究刷榜单”的旧思维上。努力错了方向&＃xff0c;自然眼中满满的都是“市场饱和&＃xff0c;灰飞烟灭”的景象。甚至&＃xff0c;已经2020年了&＃xff0c;我还能在一些简历中看到“熟练推导决策树、逻辑回归、SVM等常用机器学习算法”这样的表述&＃xff0c;实在是有些无力吐槽了(´Д&＃96;&＃xff09;

“研究”与“落地”

没错&＃xff0c;2019届&＃xff0c;手握一两篇不错的paper&＃xff0c;有几个含金量不错比赛的Top 10经历&＃xff0c;混混大厂实习&＃xff0c;就够收割offer到手软了。无论技术研究部门还是业务部门。

去年&＃xff0c;也就是2020届秋招&＃xff0c;我惊恐的发现&＃xff0c;怎么一些大厂技术研究部门/团队的研究类岗位的招聘bar提高了这么多&＃xff1f;有顶会&＃xff0c;有比赛&＃xff0c;有实习&＃xff0c;但是都不给面试资格&＃xff1f;有SQuAD Top 3的经历还要再考虑下&＃xff1f;

看了看手里的一沓简历&＃xff0c;想了想那捉襟见肘的head count数量&＃xff0c;哦&＃xff0c;确实优秀的候选太多了。手里有两三篇顶会的同学已经够多了&＃xff0c;咱们只有一个研究岗hc&＃xff0c;其余这些就都刷掉吧╮(&＃xffe3;▽&＃xffe3;"")╭&＃xff08;虽然这些简历被刷的同学放在2017、2018年&＃xff0c;很可能是SP甚至SSP的水平&＃xff09;。

但是&＃xff01;在去年这种看似非常惨烈的情况下&＃xff0c;照样有轻松《收割一二十个offer&＃xff0c;拿SSP offer也没有太大压力》的师弟师妹&＃xff01;如果参考上面这段描述&＃xff0c;你可能觉得“那不得是神仙哇&＃xff1f;10篇ACL的那种&＃xff1f;&＃xff1f;”

错了错了&＃xff01;一篇ACL都没有&＃xff0c;却轻松干掉了手握几篇顶会的同学&＃xff0c;还拿了各大厂核心团队的SSP offer。

我的一个可爱小师弟就是这方面的范例╮(╯▽╰)╭

为什么呢&＃xff1f;并不是说算法岗真的已经内卷到非神仙不要的程度了&＃xff0c;而是说&＃xff0c;市场对优秀人才的定义已经发生了变化。现在市场最迫切需要的是能把AI落地&＃xff0c;能求解真实业务问题的工程师&＃xff0c;注意是工程师&＃xff01; 只会侃侃而谈学术动态&＃xff0c;却不具备能力求解真实业务问题的人&＃xff0c;放在今年的工业界是相当不优秀的。哪怕是在技术研究部门&＃xff0c;如果只会写paper却解不动真实业务问题&＃xff0c;也是相当容易被动的。

未工作之前&＃xff0c;大家对工作场景的想象更多的是“我复现了一篇paper&＃xff0c;所以我求解了一个业务问题”。而实际上&＃xff0c;在一些重要的AI商业化场景&＃xff08;如搜索、推荐、计算广告&＃xff09;&＃xff0c;有大量的问题是当今学术界的这些论文解决不了的&＃xff0c;而这些问题切实的关系到产品的用户体验和变现能力。而求解这些业务问题&＃xff0c;并不是复现一两篇论文就结束了&＃xff0c;而是你要无所不用其极&＃xff0c;或许是迭代模型&＃xff0c;或许只是迭代数据&＃xff0c;或许是拍脑袋的训练策略&＃xff0c;或许要进一步拆解问题甚至重新建模&＃xff0c;或许仅仅是生写一千条规则&＃xff0c;甚至是死磕自上而下的性能优化&＃xff0c;乃至考虑从产品维度推动解决问题。

而这一切的背后&＃xff0c;依托的不仅是业务经验&＃xff08;这就是为什么对口的实习经历很重要&＃xff09;&＃xff0c;更重要的是过硬的工程能力。至于学术上的创新&＃xff0c;是锦上添花而不是必要条件。

举个实际场景中的例子。

你可能遇到了一个难解的算法问题&＃xff0c;于是你拿来BERT、XLNet、RoBERTa一顿猛调&＃xff0c;终于把指标刷上去一大截。但&＃xff01;是&＃xff01;你发现根本上不了线哇&＃xff0c;几百上千台的线上GPU机器依然远远扛不住模型的计算复杂度。怎么办呢&＃xff1f;

有人说&＃xff0c;好像XX厂刚出了一篇做知识蒸馏的paper&＃xff0c;声称在GLUE上面获得了重大提升…

too naive&＃xff01;

然后你发现&＃xff0c;哪怕用上几台V100来跑&＃xff0c;也要跑上十天半个月&＃xff0c;还是收益未知的&＃xff0c;谁会等你复现paper呢&＃xff1f;创新就更无从谈起了。

学术经验仅仅是决策的一方面&＃xff0c;你知道这个paper没必要复现&＃xff0c;但是或许有的结论你可以借鉴。更重要的是靠多年的炼丹直觉&＃43;工程能力&＃xff0c;快速搭建一个简单粗暴、易于实施且预期有迭代空间和足够不错的起点的基线&＃xff0c;然后才是堆砌多年积累的上分tricks&＃xff0c;快速刷分。虽然下一步就是要搞创新了&＃xff0c;不过堆tricks上分这一步完成后&＃xff0c;在业务部门很多场景下其实问题已经解了&＃xff0c;就可以考虑下一个问题了。显然&＃xff0c;如果是到此为止的话&＃xff0c;手速和代码质量才是最重要的&＃xff0c;至于你的学术sense&＃xff0c;sorry还没来得及发挥&＃xff0c;leader说已经可以考虑开始下个需求了。

遗憾的是&＃xff0c;现在市场上大部分的算法岗都是这种程度的。你可以考虑一下&＃xff0c;这种情况下&＃xff0c;你简历上就挂着几条不痛不痒的水文&＃xff0c;你能证明自己的优势吗&＃xff1f;灰飞烟灭也不足为奇吧。

于是&＃xff0c;有人会觉得在技术研究部门情况会好些&＃xff1f;

nono&＃xff0c;这时候你要面对的问题难度可能要上升一个level了&＃xff0c;你发现完成上一步堆tricks刷分之后还是无法求解这个问题。于是终于有追前沿、搞创新的理由了。然后&＃xff0c;这时候你以为就可以整体泡着茶看看paper&＃xff0c;跟小伙伴们愉快的讨论学术idea&＃xff1f;

天真了&＃61;&＃xff0c;&＃61;

你会面对更大的压力&＃xff0c;会对你的coding能力、炼丹速度和学术sense同时提出更大的挑战&＃xff0c;毕竟别人写的1000行代码&＃xff0c;那都是十之八九要上线产生收益的&＃xff0c;而你的代码&＃xff0c;又难&＃xff0c;又容易出错&＃xff0c;收益还未知&＃xff0c;学术sense差点的小伙伴可能一周下来全是fail的实验&＃xff0c;coding能力差的小伙伴可能一周下来就是一个fail的实验╮(&＃xffe3;▽&＃xffe3;"")╭

于是&＃xff0c;你为了对抗这种不确定&＃xff0c;保证每周都有正向产出&＃xff0c;你只能有更快的手速、更多的策略迭代以及挤出时间尽可能的从近期的paper找下灵感。这种感觉跟在学校实验室开心的做科研完全不同的好吧&＃xff01;&＃xff01;

当然&＃xff0c;现在国内的工业界依然存有非常少量的团队&＃xff0c;依然在快乐的做着不过问业务和落地的研究。在那里或许你可以继续找回在学校实验室做科研的感觉&＃xff0c;但是&＃xff0c;或许你要考虑一下你决定赴身工业界的目的是什么&＃xff1f;快乐的理想派研究是不是就是你的全部诉求&＃xff1f;是不是无所谓升职加薪与可持续性的那种&＃xff1f;对大部分人来说&＃xff0c;是矛盾的&＃xff0c;需要做出一个选择。

“梦想“与”现实“

可能是因为技术研究部门往往可以回避一些业务上的dirty work&＃xff0c;更加专注在算法研究上&＃xff0c;于是很多小伙伴会蜜汁嚷嚷着要去大厂做研究。就像小夕之前在这篇《拒绝跟风&＃xff0c;谈谈几种算法岗的区别和体验》中提到的&＃xff0c;不同定位的算法岗都会有其存在的问题&＃xff0c;也都会有其相应的优势。梦想是要有的&＃xff0c;但是更重要的是认清自己&＃xff0c;选择最适合自己、最契合实际的道路。

从性格上来讲&＃xff0c;如果你像小夕一样&＃xff0c;喜欢死磕一些比较困难的算法问题&＃xff0c;idea丰富&＃xff0c;喜欢试错和追前沿&＃xff0c;又有还不错的炼丹直觉和动手能力&＃xff0c;那么说明你最少具备胜任偏研究性质算法岗的基本素质。如果背景、经历和热情都够&＃xff0c;那么就勇敢尝试去有核心业务支撑的技术研究部门/团队吧&＃xff0c;在这里你能更加充分地释放自己的潜力&＃xff0c;发挥自己的价值。

当然啦&＃xff0c;按照去年和今年的形势&＃xff0c;虽然硕士仅凭一篇普通的AAAI、IJCAI论文&＃xff0c;一般不足以让你找到一个靠谱的research团队&＃xff0c;但是&＃xff0c;凭借顶会经历&＃xff08;背景好的话没顶会也有机会&＃xff09;去心仪团队做research intern&＃xff0c;然后在实习期间产出研究成果得到认可进而转正&＃xff0c;也往往是比较可行的道路。当然啦&＃xff0c;还有一条路&＃xff0c;就是成为神仙&＃xff0c;用学术成果和影响力证明自己。

一句话总结&＃xff0c;除非性格合适&＃xff0c;背景、科研sense和手速真的还不错&＃xff0c;否则2021年谨慎死磕研究型算法岗

如果你真的喜欢算法&＃xff08;准确说是热爱AI&＃xff09;&＃xff0c;已经上了算法的车&＃xff0c;又有了一些积累&＃xff0c;下车的代价也比较高了&＃xff0c;那么&＃xff0c;不管你是CV、Speech、NLP还是IR、Rec、DM&＃xff0c;请务必重点提高自己的工程能力&＃xff0c;努力让自己成为一个机器学习全栈工程师——不会写paper但跟得上前沿&＃xff0c;写得了规则修得了badcase&＃xff0c;能炼丹上分也会部署模型&＃xff0c;Java/C&＃43;&＃43;跟Python一样熟练。那么是非常容易得到青睐的。如果这时&＃xff0c;你还有学术sense&＃xff0c;发表了一些不错的论文&＃xff0c;或者有更硬核的机器学习系统优化经验甚至更底层的开发和优化能力&＃xff08;如CUDA&＃xff09;&＃xff0c;那我相信你肯定不会灰飞烟灭的&＃xff0c;最起码不会感觉到很被动。

一句话总结&＃xff0c;对大部分2021年应届生而言&＃xff0c;会写系统&＃xff0c;比会写论文更重要

如果还在犹豫要不要上车算法&＃xff0c;或者上车后基本没什么积累&＃xff0c;自己的学校、基础和兴趣又都非常一般&＃xff0c;仅仅是希望找到一份薪资还不错的IT方面的工作&＃xff0c;那么果断下车吧&＃xff0c;去转Java开发&＃xff0c;尤其是应用开发&＃xff0c;AI流行之前的10分资历如今或许只需要7分就能够到offer的bar了&＃xff0c;也更容易谈到更好的薪资。

一句话总结&＃xff0c;无背景、无经历、无兴趣、一心只为高薪的三无人员建议下车

总之&＃xff0c;虽然大家都在唱衰算法岗&＃xff0c;疯狂劝退&＃xff0c;但是对于已经上车的师弟师妹&＃xff0c;除了徒增焦虑也没什么用了&＃xff08;下车代价可能更大&＃xff09;&＃xff0c;因此不如好好琢磨一下你现在会什么&＃xff0c;简历上有什么&＃xff0c;以及市场需要什么。

2021届了&＃xff0c;用人单位依然招不到合适的人&＃xff0c;应届生们依然在抱怨优秀而努力的自己遇不到伯乐。放弃焦虑吧&＃xff01;2021届秋招算法岗没有灰飞烟灭。

说个正事哈

由于微信平台算法改版&＃xff0c;公号内容将不再以时间排序展示&＃xff0c;如果大家想第一时间看到我们的推送&＃xff0c;强烈建议星标我们和给我们多点点【在看】。星标具体步骤为&＃xff1a;

&＃xff08;1&＃xff09;点击页面最上方“深度学习自然语言处理”&＃xff0c;进入公众号主页。

&＃xff08;2&＃xff09;点击右上角的小点点&＃xff0c;在弹出页面点击“设为星标”&＃xff0c;就可以啦。

感谢支持&＃xff0c;比心。

投稿或交流学习&＃xff0c;备注&＃xff1a;昵称-学校&＃xff08;公司&＃xff09;-方向&＃xff0c;进入DL&NLP交流群。

方向有很多&＃xff1a;机器学习、深度学习&＃xff0c;python&＃xff0c;情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦

推荐两个专辑给大家&＃xff1a;

专辑 | 李宏毅人类语言处理2020笔记

专辑 | NLP论文解读

整理不易&＃xff0c;还望给个在看&＃xff01;