您还未登录! 登录 | 注册 | 帮助  

您的位置: 首页 > 业务知识 > 正文

互联网大厂迎来“裁员潮”,算法工程师如何挨过职业“寒冬”?

发表于:2023-04-25 作者:马迪 来源:DataFunTalk

 

一、职场中的三个重要阶段

关于职业生涯路径的思考,涉及到一个哲学问题:我从哪里来,要到哪里去?作为一名算法工程师,在职业生涯中一般会面临以下 3 个阶段的挑战。

1、挑战 1:学生到职场的转变

这是所有职场人的必经之路。在学校里,导师和学生之间关系相对简单和单纯;而在职场中,会遇到很多复杂的、先前没有接触过的事情。对此,有如下几条建议:

① 在正式入职前参加至少一份实习,提前适应职场生活。

② 在职场中要保持好奇心,多和资深人士请教交流,少说多看多做。

③ 在职场中要保持学习力,注重基础知识和能力的积累,并与职场实际问题结合。

④ 摆正心态,不要嫌弃 dirty work,在小事中也可以积累经验和 Credit。

2、挑战 2:从 Junior 到 Senior 转变

这也是大部分资深职场人士经历的成长路径。以国内大厂为例,腾讯的 Junior 职级大约是 6-9 级,大约对标阿里的 P5-P7,对应 Junior 工程师到 Senior 工程师的成长过程。这个阶段正是积累业务本领和技术深度的重要阶段。每个人在此阶段经历的时间长短不一,取决于职场机遇、个人状态和业务成长空间等。对此,有以下几条建议:

(1)深入了解业务本质​

相对于天马行空的想法和研究,想法“落地”更重要一些。近期互联网行业的前沿发展方向,包括 Chat-GPT、AIGC 等大模型的出现,都是紧贴用户需求和相应产品进行技术创新的产物。近期流行的 Chat-GPT,其背后的大语言模型其实很早就出现了,但是由于早期缺乏应用“引爆点”,没能通过产品进行“落地”,因此一直未能得到大规模的应用。作为一名算法工程师,一定要从产品和业务本质出发,去了解并挖掘算法带来的价值。

(2)深挖技术​

不断拓展和提升自己的技术能力。以推荐系统为例,需要全栈式了解召回、排序(包括混排和精排)等模型的建模能力,以及 SOTA 模型的优缺点、顶会前沿模型进展等。

(3)T 型人才发展​

T 型人才是一个常常被提及的概念,指的是在自己的技术赛道确保技术深度的同时,提高自己的技术延展性。延展性包括两个方面,一个是业务层面,一个是技术层面。仍然以推荐系统为例,推荐系统方向的算法工程师建议更多地了解 CV 和 NLP 的基本原理,从而更好地赋能相关的业务。

总的来说,Junior 工程师的工作更多地偏向任务的执行,而 Senior 工程师的工作更多地偏向具体的问题思考与解决。例如,某 APP 的 DAU 出现下滑,需要找到下滑的原因并提出解决方法。这是个很大的 topic,可能是由于某个页面某个场景的转化率比较低所导致,也可能由其他各种复杂的原因导致,这就是一个 Senior 工程师需要系统考虑的问题。首先通过数据分析定位关键问题,进而设定目标、搭建模型、构建评价指标,进而提出解决方案,最终将问题解决。而在这样的过程中,靠个人往往难以达成目标,需要协调各类外部资源共同完成。

3、挑战 3:从员工到 Leader 的转变

第三个挑战,可能有些工程师已经经历过,但是大部分工程师可能尚未经历,那就是从员工到 Leader 的转变。这是一个很大的跨越,因为 Leader 需要带领团队达成目标,因此责任更加重大。另一方面,如今互联网公司管理模式逐渐扁平化,因此留给 Leader 的岗位其实并不多。如果有幸成为 Leader,首先要相信自己,大胆带领团队达成目标。初做 Leader,往往会面临一个棘手的问题,就是业务和技术的平衡,这里就涉及到管理的艺术。管理的本质其实离不开三大要素:责、权、钱。“责”代表责任的划分和界定;“权”代表人员工作的安排;“钱”代表对员工的激励机制。

从员工到 Leader 的转变,是个非常有挑战性的工作,而随着阅历的增长,随着沟通能力的提升,这些能力都会潜移默化地形成。此外,作为 Leader,需要不断地向外拓展,最大程度地调动其他团队的资源,而不能只是向内索取甚至压榨。

以上是算法工程师常常面临的 3 个阶段的挑战,每个阶段都有各自棘手的问题,但同时也都存在相应的解决办法。作为一名算法工程师,在每一个阶段都要有足够的耐心,沉下心来打磨自己,沉淀自己。

二、算法工程师如何做好规划

算法工程师的职业生涯规划,有 3 个关键点:

① Vision:做规划之前要看清楚局势,否则可能会做出不正确的规划。

② Self Evaluation:做规划之前要对自己进行一个全面的自我评估,“知己知彼,百战不殆”,从而选择适合自己的方向进行规划;

③ Action:行动起来!规划得再完善,都不如行动来的实际。

1、Vision

对局势的把控,需要做到以下几点:

① 首先要保证看得清,清晰地认清当前的局势。

② 其次要保证看得全,从更全面的视角审视当前行业的前景。

③ 最后要保证看得远,这里提到的“远”不仅指的范围,也包括时间跨度;只有看到更远的时间周期,才能更清晰地对未来进行规划。

(一)国运层面​

 

图片

 

上图截取自美国著名风险投资专家雷·达里欧的著作《原则》,书中作者建立了一个模型用来衡量帝国的兴衰,上图中的曲线体现了帝国的兴衰指数随时间的变化。图中蓝色的曲线代表美国的国运,和实际的情况相比是具备比较高的吻合度的:在上世纪 50 年代,美国的国运到达了一个顶点,实现了很多科技的突破;反观中国(图中红色曲线),彼时刚刚实现解放,国家一穷二白,正处于低谷时期;时间轴再往前推进到 1500 年(大约明朝时期),彼时中国是处于全球领先地位的;到了近代,中国的帝国指数一直处于较低的水平;到了 1950 年,中国开启“狂飙式”飞速发展;直至现在,中国的帝国指数已经逐步逼近美国,而美国则正在走下坡路。

当然,不同专家基于自己的理解会建立不同的模型,也会有不同的理解。同理,在进行行业的 Vision 的时候,也要结合自己的认知与专家的理解,全面、综合地分析。

(二)移动互联网行业层面​

具体到互联网层面,尤其是移动互联网行业层面,可以参考下图。下图是来自 QuestMobile 的月活跃用户规模。

 

图片

 

 

图中可以看出,在过去的 3 年时间,整个互联网规模并没有出现大的增长,每年 DAU 净增长只有 2000 万的水平(某款产品的 DAU 过亿),因此这样的增长水平很难支撑起一个 APP 的成长。由此看来,互联网的用户规模早已稳定,因此早先利用人口红利、通过人海战术获得收益的方式现在已经行不通了,而整个互联网行业已经成为一个存量市场,这是一个目前需要认清的现实。

互联网行业进一步细分成如下赛道:

(1)电商

① 早年拼多多、阿里、京东等电商企业使用人海战术,利用补贴得到大规模发展。

② 近几年,用户增长空间越来越小,人口红利逐渐消失,因此类似的补贴会越来越少;以双十一为例,近年电商购物企业已不再追求当天 GMV 成交量,而是更加理性地追求利益的最大化。

③ 近期电商行业唯一的人口红利可能来自下沉市场,但是增长空间仍然有限。

④ 因此,电商的未来发展方向会偏向于品质化电商,以及垂直电商。

(2)社区

① 社区近年发展迅猛;以小红书为例,小红书的社区氛围非常好:用户不断被小红书的内容“种草”,形成心智;随后用户会主动参与相关话题讨论,并产生共鸣,进而形成收益转化。

② 社区是个正在发展中的赛道,比较看好未来的发展;对于一些小众的垂直社区,虽然规模不大,但是质量很高。

③ 社区的发展靠的不是人口红利,更多是靠渗透而非疯狂增长,因此是个可被看好的发展方向。

(3)游戏

① 游戏赛道的前景是比较看好的,除了国内的游戏业务持续增长,游戏赛道还有一大蓝海在于海外的业务,国内很多游戏运营经验可以移植到海外,这也是腾讯近来的一个业务方向。

② 总体来看,游戏赛道不受互联网人口红利的影响,同时又有广阔的海外发展空间,是个比较看好的赛道。

(4)社交网络

① 微信的用户规模已经接近国内网民和人口的数量,这是个非常大的规模。

② 社交网络的护城河很深,用户很难从原有社交平台轻易迁移到另一社交平台,因为牵扯代价很高,这也是字节跳动多次尝试社交网络业务却始终未能成功的一个原因。

③ 虽然社交网络在一定程度上会受到人口红利的影响,但是由于其壁垒高,因此未来很大概率会维持稳定现状,即以微信为核心,逐步形成基于微信生态的各类延展。

④ 社交网络涉及的算法主要是基于图和社区传播的方法,这类方法对于小规模的社交网络带来的价值非常有限,只有对于微信这种体量下的社交网络,才会发挥出图模型、社交网络传播链、社团发现这类算法相应的价值。

⑤ 综上所述,社交网络相对发展会比较稳,短期内很难有太大的机遇。

(5)资讯平台

① 资讯平台近期同样在走下坡路,用户在一定程度上对资讯平台确实有所依赖,但是依赖的程度并不强烈。

② 近两年,资讯平台受到短视频的冲击很大,被短视频抢占了很多的用户市场。

③ 在这样的背景下,资讯平台将会回归其本质,即分发资讯信息,满足用户特定领域资讯的需求。

④ 而对于消遣、娱乐、kill-time 以及其他长尾信息,用户一般会通过短视频平台获取,这样给资讯平台带来了更大的挑战。

⑤ 由于资讯平台的介质复杂,规则繁多,监管力度严格,用户众口难调,再加上外界短视频领域的冲击,使得资讯平台的难度“更上一层楼”。

⑥ 此外,资讯平台也比较依靠人口红利,如今人口红利趋于饱和,进一步限制了资讯平台的发展。

⑦ 综上所述,资讯平台赛道的选择要谨慎。

(6)短视频

① 近期短视频的发展如日中天,用户时长最长、用户行为最丰富、用户的正负反馈最密集的产品形态最频繁。

② 短视频赛道的数据类型丰富,用户量极大,因此数据潜在价值高,未来发展空间大。

③ 近期短视频广告乃至直播带货日益普遍,这些迹象表明短视频正在逐步与电商模式相结合,变现潜力巨大。

④ 综上所述,短视频是一个机遇很多、潜力很大的赛道。

(三)AI 产业层面​

 

图片

 

 

上图是 AI 技术的生命周期形态随时间周期的变化趋势:

① 处于左侧曲线爬坡阶段的是新兴的 AI 技术,技术前景还有待观察。

② 处于中间曲线低谷阶段的是带有不确定性的 AI 技术,这些技术还需要时间和市场的检验,相当一部分 AI 技术会面临“泡沫破碎”。

③ 处在右侧的曲线说明 AI 技术已经突破了“泡沫破碎”,展现并沉淀出来 AI 技术的价值,如果未来几年内结合更好的用户需求和产品应用该技术会“东山再起”。

④ 曲线右端是 AI 技术发展最理想的阶段,技术产品化持续带来客观的增长和收入。

以几个近期热门的 AI 方向为例,展开详细介绍:

(1)AIGC

近期 AIGC 非常流行,例如 Stable Diffusion、Midjourney 等 AI 绘画工具。Chat-GPT 出现也颠覆了 CV 和 NLP 领域的很多模型,体现出了大模型极强的产品力。很多工程师担心这类大模型的出现会对算法工程师,甚至对全人类构成威胁,实际上距离“威胁”还有很远的距离,通用人工智能(AGI)的实现还有很长的路要走,无论是 AI 作画还是 ChatGPT,算法暂时还不具备逻辑和意识能力。一项技术发展到一定阶段,遇到一个好的产品 idea,一定会爆发,因此不管是 AI 作画还是 ChatGPT,背后都有用户需求和产品 idea 做支撑。由此带来的启示是:技术和业务永不分家,只有充分了解业务,才能将算法技术带来的价值最大化。

(2)自动驾驶

自动驾驶是个比较看好的方向,其旨在解决一个终极问题:如何实现道路交通流量最优化。自动驾驶分为很多层级的目标,最先要实现的是“单车智能”,目前已经有很多公司做到了令人比较满意的效果,如特斯拉自动驾驶。在国外,FSD 自动驾驶已经做到比较成熟的阶段;而在国内,无论是新锐车企的小鹏,还是独立第三方平台百度 Apollo 等第一梯队的自动驾驶企业的自动驾驶技术也日趋成熟。自动驾驶本身就是个产品,辅助甚至取代人,在一定程度上解放人工,让人觉得更安全。综上所述,自动驾驶这一赛道潜力巨大、前景明朗,而且该方向的愿景也很伟大,因此是个值得考虑的方向。

(3)CV/NLP​

CV 和 NLP 是传统深度学习的两大主流研究方向,可类比于基础学科中的物理和化学,是很多 AI 模型的基石。CV 解决的是“我看到了什么”,NLP 解决的是“我听到和说了什么”。如果将 CV 和 NLP 这两个方向攻克,机器将会更好地学习和理解人类,具备了很多“通感”能力。因此,CV 和 NLP 这两个方向是常青的,特别是 AI 作画和 Chat-GPT 产品 idea 的爆发,会反过来促进 CV 和 NLP 领域的发展。综上所述,CV 和 NLP 是值得持续深耕的两个方向。

(4)AI for Science(AlphaFold2)

AI 在科学领域的应用,这个方向大家的关注可能会少一些,但是同样具备不错的价值和前景。其中一个应用方向是量子计算,利用物理学界的特性解决超级计算的能力;另一个应用方向是蛋白质基因结构预测(AlphaFold2),对新药研发尤其是癌症靶向药的研发具备非常重大的意义。大数据医疗技术,以及 AI 在医疗健康领域的应用,前几年还更多地还是停留在理论层面,近两年已经出现了很多的模型成果,初见成效。因此,AI for Science,尤其是医疗领域,未来的愿景还是非常美好的,未来几十年,人类的寿命很可能因为 AI 技术的突破而得到延长。综上所述,AI 科学甚至 AI 医疗领域未来的价值是可观的,只是这部分的研究尚处于初步阶段,距离产品化落地的周期相对较长,年轻的算法工程师可以考虑尝试这类前沿的赛道,占得先机。

(5)推荐系统和计算广告

推荐系统和计算广告属于比较传统的“搜广推”赛道,近两年,暂时没有实现方法论层面的突破,近年顶会论文更多是针对一些小的问题点进行的突破。搜广推赛道更多地依赖业务,如果业务层面没有出现更大地突破,那么算法发展前景也相对比较有限。另一方面,该领域的人才相对比较饱和,竞争也比较激烈,因此谨慎考虑这一赛道。

2、Self Evaluation

除了提升 Vision 层面的理解外,还要充分地做好自我评估。自我评估主要从 3 个维度考虑:

(1)你擅长的是什么?​

自己最擅长的点往往并不是自己所判断的,一般可以参考过往的工作经历中哪一部分真正得到了其他人的认可。别人印象中的自己和自己眼中的自己可能会不太一样,而自己擅长的东西一定是来自别人认可的东西。

(2)你的兴趣在哪里?(Follow your heart)​

找到自己的兴趣点是非常重要的。每个人都有自己的迷茫时期,这样的时期还是更多要 Follow your heart,找到属于自己内心真正感兴趣的领域。

(3)是否能够给你提供体面的收入?​

职场生活其实是个比较单纯的自身价值和公司需求进行匹配的过程,公司通过报酬换取个人价值,因此,合理的、足够体面的收入是非常合理也是非常必要的。但是也不要只关注收入这一个点,工作价值、成长空间等各个方面也要综合考虑。

三、明确路径,打磨技术

规划做得再详尽,最终还是要通过行动来落实。

1、路径

行动的第一步是明确自己的行动路径: 

(1)制定一个短期规划和一个长期规划​

① 如果只有短期规划而缺乏长期规划,则计划达成之后容易陷入迷茫。

② 如果只有长期规划而缺乏短期规划,则容易变成空想家,缺乏实践落地的方式,长期规划会变得遥不可及。

③ 一定要将短期规划和长期规划结合起来作为自己的行动路径;。

④ 短期规划和长期规划之间界定的时间点因人而异,一般建议短期计划以半年为周期,长期计划以 2-3 年为周期。

(2)换个视角看成长路径​

① 以前文所述的职业生涯挑战 2(从 Junior 到 Senior)为例,工程师在大厂获得了职级的提升(例如从阿里 P7 逐步升到 P9),而该职级背后应该具备的能力,是需要工程师内心非常清楚的。

② 成长的本质就是经历 4 个阶段:

a)Troubleshooter - 解决琐碎的问题:能够解决足够琐碎的问题,才能有能力去解决更大的问题。

b)Problem Solver - 系统性解决一类问题:以某 APP DAU 下滑为例,如果能够把 DAU 下滑的问题分析路径拆解清楚并给出相应的解决方案,那么就从 Troubleshooter 阶段成长到了 Problem Solver 阶段。

c)Growth Hacker - 带领团队向正确的方向前进:更进一步,将所有的 DAU 下滑原因分析清楚并一一加以解决,就已经具备了带领 APP 团队实现 DAU 增长的能力。

d)Business Pilot - 业务领路人:当成长成为一个业务领路人,就会有足够的能力和权限去决定资源和方向。

③ 明确自身成长路径,比明确 P5 或 P8 这样的职级更具指导意义。

2、技术

作为算法工程师,过硬的技术是先决条件:

(1)保持技术领先 - (器,术,法,道)​

① 强大的工程开发能力:作为一名工程师,开发能力是最基本的能力。

② 扎实的机器学习原理:机器学习的原理具有普适性,会引领一些分析思路,同时机器学习也是深度学习模型以及更大模型的基础。

③ 顶会和尖端方向跟踪:虽然学术界顶会的方向和工业界的方向未必同步,但是学术界的尖端方向往往能够给工业界提供解决思路的启发。

④ 行业中的“最佳实践”:每一名工程师都需要在各自行业中积累适用于特定场景的“最佳实践”,通过积累和沉淀逐步形成宝贵的行业经验。

(2)保持强大的执行力​

所有的计划,最终都要靠执行力来落地,因此强大的执行力以及自驱力是非常必要的。

3、心态

其实不仅职场,在很多领域都是如此:将心态调整好,很多事情最终都会迎刃而解。良好的心态主要包括如下几个部分:

(1)Focus Collaborative​

沟通协作要聚焦在少数几个关键问题的解决上,从而减少无意义的会议。

(2)往前走⼀步​

作为算法工程师,一定要往前多走一步。多了解产品和运营团队的诉求,站在对方的角度考虑问题。要有“补位思维”,和产品、运营等其他合作伙伴协作前进,各自取长补短,最终协作将事情做成。不要排斥甚至对抗产品、运营团队提出的诉求;也不要因为对方的经验不够丰富、考虑不够周全等原因而忽略对方的一些 idea,从而错过一个产品落地的机会。

(3)清零心态​

面对棘手的问题时,不妨尝试清零心态,抛弃固有思维模式,重新思考业务的核心。卸下固有包袱,可能就会觉得眼下的问题实际上可能并没有那么复杂,是可以逐步得到解决的。

(4)保持⼀颗相对强大的内心​

互联网行业普遍压力较大,业内竞争非常残酷,因此要保持一颗强大的心,从容面对困难和挑战,不要被外界所干扰

4、平衡重要关系

(1)家庭亲子关系

家庭的关系非常重要,“家和万事兴”,多陪伴家人是很重要的事情。

(2)Work-Life Balance​

工作只是生活中的一部分,因此还是要更好地平衡工作和生活,做到高效工作、用心生活。

(3)个人兴趣​

建议每个人都能够发展一两样属于自己的兴趣爱好,让大脑换一种方式运转,对状态的放松是非常有帮助的。

四、总结

本文重点讲述了 3 个部分:

① 职场三个重要阶段所面临的挑战。

② 如何做好规划:Vision,自我评估,行动起来。

③ 明确路径,打磨技术,积极心态,处理好重要关系。

五、问答环节

Q1:如果岗位面临“35 岁优化”这样的问题,有必要深耕钻研吗?

A1:这个问题就涉及到前文所述的“心态”问题:“不以物喜,不以己悲”。“35 岁问题”其实每个人都会面临,这个是由环境和市场决定的;而我们决定不了外界,但是能够决定自己;因此努力做好自己,一切都不会差的。至于是否有必要深耕钻研,关键还是在于自己的职业规划方向,以及自己深耕钻研的方向和程度。如果希望走工程师这个发展路径,那还是有必要在自己的领域持续深耕的,夯实基础,对未来会很有帮助;此外,还要考虑业务和管理方向的扩展,正如文中所提到的 “T 型人才”。综上所述,“35 岁是否被优化”这个问题的决定权不在自己,与其焦虑,不如不断提升个人能力,让自己在职场中更加积极和主动。

Q2:如何看待大模型的发展给算法工程师带来的冲击?

A2:一方面,大语言模型利用足够量级的训练数据确实产生奇幻的效果;但是另一方面,大模型的发展其实离不开产品的“包装”,抛掉产品的“外衣”,其本质还是一个经典的算法模型,只不过参数量级巨大,训练语料更丰富。大模型的主要优势还是在于训练数据更多,并融入了部分强化学习的算法,将数据训练的每一个细节做到极致。因此,对于算法工程师而言,无需太过焦虑,而是积极看待这些大模型:首先,大模型给整个 AI 算法行业带来了“提振”,即从资本层面得到市场的广泛认可;其次,大模型给算法工程师们指明了方向,即将产品、业务和技术结合才能找到出路。至于利用 AI 模型自动写代码,可以将其看作生产力的辅助,而不会取代人。

Q3:推荐搜索领域一般人和高手之间最大区别是什么?

A3:任何一项技术,都可以分成器,术,法,道这 4 个 level。一般人可能更多处于器和术这个层面:使用很 fancy 的模型,使用各种 trick 来调参,最终达到较为满意的效果;而高手往往已经经历过这两个层面,发现这两个层面虽然能解决一部分实际的问题,但是不能解决一些更高层次的问题,这里就涉及到道和法,涉及到更深层次的本质问题。以推荐为例,如何提升用户满意度这类问题:因为用户满意度的刻画是相对主观的,如何将其拆解成若干个客观的、可量化的指标,这个很考验算法工程师的功力。举一个具体例子:CTR 是个常用的指标,在一定程度上可以衡量出用户的满意度;但是如果仅仅优化 CTR 这个单一目标,则可能会带来大量的“标题党”;因此,需要借助其他指标来平衡这个问题;而指标的选择,一方面需要经验的积累,另一方面也需要对业务的深刻理解,这就涉及到法和道这一层面。因此,要理性看待“级别”,回归本质:我们作为算法工程师,要做的是用工程能力来解决实际的问题从而带来价值,而不是“炫技”玩模型;能够高效解决问题,才是对公司最大的价值。

Q4:如果要带徒弟,您会教他更多关注哪些魔鬼细节?

A4:这个首先要看徒弟的能力水平定位。如果徒弟是应届生,那其实不能有太多的要求,还是要循序渐进;如果徒弟是个业内资深人士,在行业内已经形成了自己的方法论,如果能够达成任务目标,则也无需进行太多的额外要求。从团队管理的角度,由于每个人都有自己的闪光点,同样也有自己的缺点,因此很难进行统一的要求;作为团队领导,我会更多关注员工的思考方式、解决问题的思路等,这些方面如果存在不完善、不周全甚至偏差和错误,需要第一时间加以指出和纠正。此外,涉及到交付物的规范性,例如上线模型规范、代码结构规范、代码注释完整性这类问题,会进行较为严格的要求;其他方面的问题一般不会进行太过严苛的要求,也就不会涉及到太多的“魔鬼细节”。

Q5:文中提到搜广推领域近年来没有太大的发展,那么未来会有哪些发展方向?

A5:近两年搜广推领域并不是没有发展,而是在技术领域方面没有出现重大的突破,在细分的方向还是有很多发展的。不过近两年的发展更多在于业务层面,因为这个领域方向主要是由业务来支撑;因此,如果在业务方面没有产生革命性的“爆发”,则很难带动技术产生重大突破。至于未来的发展方向,大的方向上应该不会有全新的、颠覆性的模型框架出现;对于细分的领域和方向还是会有很大的发展空间,主要还是取决于具体的行业,以及行业内的业务方向,可以多关注业内相关的顶会来找答案。

Q6:某工程师在推荐方向有 3 年大厂经验,切换到哪些方向比较合适?

A6:算法赛道的切换,首先要进行自我评估,对自己的兴趣和优势有个准确、全面的认识,比如自己是更喜欢钻研模型方法还是更喜欢解决业务问题,比如在 3 年的大厂经验中有没有哪个细分方向足够擅长和精通;此外,还要考虑哪些发展方向天然具有竞争力,比如文中提到的自动驾驶方向就是个有竞争力的方向,未来可期而且接近落地。一般来说,由于推荐算法直接对接业务,因此推荐算法工程师的业务敏感度会比较强,因此转行到各个方向都很容易成为解决问题的好手。

Q7:目前算法岗位大多是高层次院校的硕博在竞争,普通院校学生如何参与竞争?是否需要更换岗位方向?

A7:大厂可能会对院校和学历有较高的要求,但是入职参与业务之后,更多的还是依靠个人能力;普通院校学生可以多争取实习机会,积累更多项目经验,不用过多在乎学校出身。

Q8:工作太忙没时间 follow paper 该怎么办?

A8:选择少数几个感兴趣的顶会 paper 持续跟踪;同时多多关注知乎等平台,以及一些行业技术论坛,会有相关博主帮忙分类整理顶会文章并撰写摘要,可以多阅读来找到自己感兴趣的方向。时间是挤出来的,每天花半小时到一小时实际研读 paper 并提炼关键技术点,然后定期进行归纳和整理,长此以往就能达到很好的效果。

Q9:如何看待长视频推荐?

A9:长视频平台和短视频平台的运行机制有较大不同。长视频推荐更多还是关注视频的内容,因此需要算法工程师从业务角度反向思考用户消费长视频的痛点;此外,部分单位的做法是将长视频进行短视频化,提取长视频中的高光亮点,通过“碎剪”的方式将长视频转化为短视频,从而用短视频的思路进行推荐。从产品的角度,可以借助短视频的思路,通过“长视频带短视频”的方式进行长视频推荐;具体来说,将长视频的片花和预告进行剪辑,用来吸引用户观看,进而通过产品路径来引导用户观看完整版,最终引导用户成为会员,提升用户的 up 值。由此带来的启示是,算法工程师还是要回归到产品和业务的角度实现突破,而不能仅局限于算法角度。

Q10:算法对学历要求很高吗?社招是否很看重过往的经历对口?如果对目前技术方向不感兴趣,如何转型?

A10:如果一个行业足够内卷,竞争压力很大,那学历问题还是无法逃避的;如果学校和学历不占优势,则可以通过增加项目经验的方式来“曲线救国”。社招方面,企业方确实更多看重过往的经验,希望引入候选人过往的工作经验来赋能公司眼下的业务;其次也要考察候选人的基础素质,包括自驱力、学习力、思考方式、coding 能力等。对于职场中转变方向,可以先考虑在从公司内部转变方向,给自己争取到一个尝试期和过渡期。

Q11:推荐算法已经进入瓶颈期,是否需要向数据底层(如 Hadoop、SQL 等)进行深耕?

A11:从工程化的角度来看,Hadoop、SQL 等确实是数据的底层架构;但是作为算法工程师,更应该从产品和业务方向寻求突破,而不是深耕和优化底层结构。

Q12:老板是研究院出身,缺乏工程化落地经验,却又在工作中过分关注细节,并且用竞品的优势进行否定和打压员工,如何改善这种处境?

A12:其实好的老板应该更多地向外拓展而非向内压榨。如果不幸遇到这种习惯于向内压榨的老板,可以反向引导老板向外看看;勤于沟通,了解老板的痛点,做好向上管理工作。此外,如果真的老板不好相处,无法沟通,而工作内容又不擅长、不感兴趣,且工作不能带来满意的收入甚至影响自己的生活,那么还是建议换一份工作。

Q13:搜广推和 NLP,未来哪个方向就业更好?

A13:搜广推更加贴近业务,而 NLP 是个相对基础的方向。近年来,搜广推的业务发展已经较为成熟,而 NLP 方向则面临着一大难题,就是难以实现产品化落地。如果能够从业务角度找到良好的落地方向,可以尝试 NLP;否则还是建议搜广推。总之,搜广推领域会有现成的业务应用课题,只需要使用算法来“解题”即可;而 NLP 领域相反,原始问题非常简单,然而答案非常复杂。

Q14:工作期间切换算法方向会有很高门槛吗?

A14:门槛是有的,具体要看个人基础和切换方向。例如,如果是搜广推内部切换,难度相对较小;而如果是 CV/NLP 和搜广推之间的切换,则难度相对较大。因此,工作期间切换算法方向还是有很大成本的,尤其是社招更加看重过往经验。不过,如果自身综合素质较强,学习力、自驱力都很优秀,而公司的业务刚好需要这样的人才,也会有很多这样切换方向的机会。如果确定自己要切换方向,则需要选好路径、做好计划并持续行动。

Q15:时间序列预测领域的前景如何?是否有哪些热门方向推荐?

A15:量化交易场景和时间序列预测相关性较高;搜索推荐领域用到时间序列技术的地方不多,可能在用户行为序列建模方面有所涉及;自动驾驶领域可能也会涉及部分时序预测,如 FSD 的路径规划、多帧串联等场景;视频领域的很多技术和时间序列有较强的相关性;流量预测、客户价值预测等场景和时间序列预测相关性较强。

Q16:某算法工程师从业3年,仍然觉得工作吃力,因此想了解算法方向更多是依靠天赋还是后天努力?

A16:首先需要明确“吃力”的关键是在于阅读 paper 还是在于解决业务问题。从业前期难免会有迷茫期、挫败期和焦虑期,这种情况因人而异,因此很难做出明确的回答,更多的还是在于 Follow your heart,找到自身的兴趣和优势。

Q17:推荐算法与数据挖掘有什么区别?

A17:数据挖掘是更加基础的技术,推荐算法是更上层的应用;推荐算法中会用到很多数据挖掘的技术。

Q18:从社招角度来看,电商推荐算法方向 3 年工作经验应该达到什么水平?

A18:3 年经验一般能够达到准 senior 水平,对应阿里的 P7,以及腾讯的 9 级水平;进一步发展 2 年,一般可以达到阿里 P8 或腾讯 10 级的水平。

 相关文章