读研以来&＃xff0c;一直在工业界辗转&＃xff0c;到现在快三年了。这些年做的项目&＃xff0c;都是和自然语言处理相关&＃xff0c;所以之后的方向&＃xff0c;也是和这条路联系紧密。
我的职位是算法工程师&＃xff0c;在工业界&＃xff0c;算法的工作划分十分精细。首先&＃xff0c;从大的方向来说&＃xff0c;就可以划分为图像视觉、自然语言处理和推荐系统。而我所从事的自然语言处理行业&＃xff0c;又存在很多细分。例如&＃xff0c;有做语音识别的&＃xff0c;有研究对话系统的&＃xff0c;有做文本搜索召回排序的&＃xff0c;还有做一些基础任务研发的&＃xff0c;例如文本分词、情感分析。
除了研究方向&＃xff0c;算法工程师在企业里&＃xff0c;也有职能划分&＃xff0c;可以分为研究型和业务型。
对于研究型&＃xff0c;很多互联网公司都成立了人工智能实验室&＃xff0c;对基础的深度学习技术进行研究&＃xff0c;每年也有不少的成果发表在国际顶级会议上。腾讯的AI Lab、阿里的达摩院、华为2012实验室都是属于这样的机构&＃xff0c;据我观察&＃xff0c;一线互联网企业都有这样的部门&＃xff0c;在算法方面进行资金投入&＃xff0c;布局业务场景。
对于业务型&＃xff0c;做的事情就和线上业务更加相关一些。刚刚提到的人工智能实验室&＃xff0c;通常也是学术研究和业务两条线发展&＃xff0c;学术研究的成果衡量一般是通过学术论文的发表&＃xff0c;重要比赛成绩的刷榜。业务的成果通常是通过各公司的特定指标来衡量。
一直以来&＃xff0c;研究投入就是非常烧钱的事情&＃xff0c;而且现在投入的研究&＃xff0c;通常不能在短期时间内获得非常好的回报&＃xff0c;这里面涉及的因素就很多了。研究的时候&＃xff0c;容忍度比较高&＃xff0c;在有限的测试数据上去优化模型&＃xff0c;不用太考虑真实负责的数据来源&＃xff0c;不用考虑模型的大小&＃xff0c;预测时间的快慢。
很多时候&＃xff0c;模型弄好了&＃xff0c;测试结果非常惊艳&＃xff0c;好不容易优化了预测速度和储存空间&＃xff0c;放到线上一看&＃xff0c;badcase 层出不穷&＃xff0c;尤其是现在深度学习模型的引入&＃xff0c;badcase 的定位和调优变成了比较困难的一件事。为了应付上线&＃xff0c;又免不了引入一些特定的规则。这些规则是非常 ugly&＃xff0c;也容易影响其他数据的预测。
可见&＃xff0c;即使是实验效果不错的模型&＃xff0c;想要在业务中取得不错的效果&＃xff0c;还要经过不短时间的磨合&＃xff0c;积累出可持续优化迭代的解决方案。
在企业中&＃xff0c;尤其是互联网企业&＃xff0c;业务营收是非常重要的。刚刚提到的 AI Lab&＃xff0c;是很多算法工程师在企业的去向&＃xff0c;但这种特殊的机构&＃xff0c;往往地位稍显尴尬。因为 AI Lab 和一线业务部门相比&＃xff0c;是相对独立一些的&＃xff0c;它既有研究&＃xff0c;也有业务。但是重要的业务都是肥肉&＃xff0c;肯定是被一线的业务部门紧紧抓在手里的&＃xff0c;AI Lab 想要获得好业务&＃xff0c;还是比较艰难的&＃xff0c;容易出现狼多肉少的情况。
所以&＃xff0c;如果想要做研究&＃xff0c;AI Lab 是个好去处&＃xff0c;但如果想要将算法应用的实际业务中&＃xff0c;最好去一线的业务部门的算法组。
去一家公司之前&＃xff0c;先调研下部门是否对公司很重要&＃xff0c;是否能够为公司带来重要流量和现金流。举个栗子&＃xff0c;阿里妈妈是阿里巴巴集团负责广告业务的事业部&＃xff0c;互联网企业的广告是最挣钱的&＃xff0c;无论是谷歌还是facebook&＃xff0c;广告都是收入的大头。所以&＃xff0c;如果能够去阿里妈妈做广告推荐算法&＃xff0c;努力工作&＃xff0c;前途、钱途都是会有的。
其实&＃xff0c;现在算法的产业落地&＃xff0c;成熟的模式还是没有太多改变&＃xff0c;视觉方向是人脸识别&＃xff0c;自然语言方向&＃xff0c;拥有大规模流量的还是搜索。此外&＃xff0c;推荐系统和广告的紧密联系也是不言而喻的。
工作时&＃xff0c;作为技术人员&＃xff0c;需要找到自己感兴趣、能够持续发力的技术点&＃xff0c;例如人脸识别&＃xff0c;搜索排序&＃xff0c;人机对话&＃xff0c;知识图谱等等。找定了技术点&＃xff0c;在这个细分板块不断更新技术认知&＃xff0c;积累经验&＃xff0c;然后开展相应的业务&＃xff0c;形成一个完整的故事链。就像一颗参天大树&＃xff0c;技术点是主干&＃xff0c;具体的业务是枝叶。这样的结构才合理&＃xff0c;才完整&＃xff0c;否则&＃xff0c;仅仅局限于零碎无章法的业务&＃xff0c;或者无法落地的技术&＃xff0c;都是难以长期持续发展的。
我是 NLP 算法工程师&＃xff0c;之前做的工作和人机对话多一些&＃xff0c;现在是从事文本搜索这个方向。这也是我秋招找工作时候的决定&＃xff0c;想在搜索领域深耕三年五载&＃xff0c;成为细分领域的小小专家。我给自己提出的目标是&＃xff1a;在不断积累与搜索相关技术的同时&＃xff0c;关注业务层面的落地&＃xff0c;在实践中学习、沉淀可快速复制的场景解决方案&＃xff0c;构建自身核心竞争力的护城河。
一句题外话&＃xff0c;为了获得去离业务更近部门工作的机会&＃xff0c;秋招时&＃xff0c;我离开了一个非常好的平台&＃xff08;实习了半年多&＃xff09;&＃xff0c;去一家小巨头的新兴部门工作。这是对我个人而言非常重要的选择&＃xff0c;放弃相对的稳定发展&＃xff0c;去追求拥有一定可能性的更佳收益。希望未来能够应了那句话&＃xff0c;想要什么&＃xff0c;追求什么&＃xff0c;得到什么。
还可以看
2020 互联网应届硕士的薪资情况
读研三年&＃xff0c;值还是不值
读研&＃xff0c;竞赛&＃xff0c;与实习
京公网安备 11010802041100号