核心演算法崗

A. 演算法崗位，華為公司值得去嗎

要是男生就去，要是女生能吃苦耐勞的也可以去。我有親人在華為上班10多年了。幾乎是一年四季沒假期，沒時間陪伴親人！ 然後周末也是時不時的有工作電話進來，半夜接到工作電話，也是需要及時處理。甚至跑去公司處理。 沒有堅定吃苦受累的心，還是考慮清楚再進去。感覺裡面也是一個大煉缸。狼性企業，每年優勝劣汰，末位淘汰制。還有工作牽連制。。。那是各種的100%神經綳著！ 雖說進去工資上面還過的去，但是加薪很慢很慢，有人真的是4年加一次。然後現在16級以下的好像沒有股票分紅了。一般新進去的 都是從13-14級開始。本科13級，研究生博士生14-15級起步。有些人混了4-5年才升一級。沒有早幾年好混了！！！！

B. 你覺得演算法工程師的就業前景如何

隨著大數據和人工智慧領域的不斷深入發展，自然語言處理、機器學習等方向成為求職的大熱門，演算法工程師也自然而然成為目前最炙手可熱的崗位。雖然演算法工程師一直被頻頻提及，但是許多人對這個崗位的了解還知之甚少。那麼演算法工程師究竟是做什麼的？發展前景怎麼樣呢？

由於演算法工程師對於知識結構的要求比較豐富，同時演算法工程師崗位主要以研發為主，需要從業者具備一定的創新能力，所以要想從事演算法工程師崗位往往需要讀一下研究生，目前不少大型科技企業對於演算法工程師的相關崗位也有一定的學歷要求。

C. 演算法崗和開發崗哪個好

你玩呢，演算法還不是開發崗的一種啊，你會寫演算法還不是算作開發，你會開發也要懂基本的演算法啊

D. python的演算法崗一個月多少錢

根據招聘網站數據顯示，全國演算法工程師平均工資：¥22220/月，取自 40877 份樣本，較 2019 年，減少 15.1%。演算法工程師工資按工作經驗統計，其中應屆生工資¥16980，1-3年工資¥19810，3-5年工資¥27120，5-10年工資¥30890，該數據僅供參考。

E. 為什麼一線互聯網公司的校招高薪都是演算法類

高端工程類崗位所需要的能力，高校很難培養出來。中低端工程類崗位，可能確實不太值錢。

。演算法類因為一些歷史遺留問題，大公司之前懂得人不多，而學校確實有些老師是行家裡手，學生也可以在某一個小領域，做到精通。

這推高了前兩年演算法領域的校招價。然而，隨著公司相關人才越來越多，演算法類的稀缺性也在下降。另外，現在很多技術比較好的組也比較認清了，高端演算法類畢業生已經不能靠論文數量，甚至已經不能靠發的會議質量了。

F. 都快2021年了，演算法崗位應該怎樣准備面試

說到演算法崗位，現在網上的第一反應可能就是內卷，演算法崗位也號稱是內卷最嚴重的崗位。針對這個問題，其實之前我也有寫過相關的文章。這個崗位競爭激烈不假，但我個人覺得稱作內卷有些過了。就我個人的感覺，這幾年的一個大趨勢是從迷茫走向清晰。

早在2015年我在阿里媽媽實習的時候，那個時候我覺得其實對於演算法工程師這個崗位的招聘要求甚至包括工作內容其實業內是沒有一個統一的標準的。可以認為包括各大公司其實對這個崗位具體的工作內容以及需要的候選人的能力要求都不太一致，不同的面試官有不同的風格，也有不同的標准。

我舉幾個例子，第一個例子是我當初實習面試的時候，因為是本科生，的確對機器學習這個領域了解非常非常少，可以說是幾乎沒有。但是我依然通過了，通過的原因也很簡單，因為有acm的獲獎背景，面試的過程當中主要也都是一些演算法題，都還算是答得不錯。但是在交叉面試的時候，一位另一個部門的總監就問我有沒有這塊的經驗？我很明確地說了，沒有，但是我願意學。

接著他告訴我，演算法工程師的工作內容主要和機器學習相關，因此機器學習是基本的。當時我就覺得我涼了，然而很意外地是還是通過了面試。

核心能力

由於我已經很久沒有接觸校招了，所以也很難說校招面試應該怎麼樣准備，只能說說如果是我來招聘，我會喜歡什麼樣的學生。也可以理解成我理解的一個合格優秀的演算法工程師應該有的能力。

模型理解

演算法工程師和模型打交道，那麼理解模型是必須的。其實不用說每一個模型都精通，這沒有必要，面試的時候問的模型也不一定用得到。但更多地是看重這個人在學習的時候的習慣，他是淺嘗輒止呢，還是會刨根究底，究竟能夠學到怎樣的地步。

在實際的工作當中我們可能會面臨各種各樣的情況，比如說新加了特徵但是沒有效果，比如升級了模型效果反而變差了等等，這些情況都是有可能發生的。當我們遇到這些情況之後，需要我們根據已知的信息來推理和猜測導致的原因從而針對性的採取相應的手段。因此這就需要我們對當前的模型有比較深入地了解，否則推導原因做出改進也就無從談起。

所以面試的時候問起哪個模型都不重要，重要的是你能不能體現出你有過深入的研究和理解。

數據分析

演算法工程師一直和數據打交道，那麼分析數據、清洗數據、做數據的能力也必不可少。說起來簡單的數據分析，這當中其實牽扯很多，簡單來說至少有兩個關鍵點。

第一個關鍵點是處理數據的能力，比如SQL、hive、spark、MapRece這些常用的數據處理的工具會不會，會多少？是一個都不會呢，還是至少會一點。由於各個公司的技術棧不同，一般不會抱著候選人必須剛好會和我們一樣的期待去招人，但是候選人如果一無所知肯定也是不行的。由於學生時代其實很少接觸這種實踐的內容，很多人對這些都一無所知，如果你會一兩個，其實就是加分項。

第二個關鍵點是對數據的理解力，舉個簡單的例子，比如說現在的樣本訓練了模型之後效果不好，我們要分析它的原因，你該怎麼下手？這個問題日常當中經常遇到，也非常考驗演算法工程師對數據的分析能力以及他的經驗。數據是水，模型是船，我們要把船駛向遠方，只懂船隻構造是不行的，還需要對水文、天象也有了解。這樣才能從數據當中捕捉到trick，對一些現象有更深入的看法和理解。

工程能力

雖然是演算法工程師，但是並不代表工程能力不重要，相反工程能力也很重要。當然這往往不會成為招聘的硬性指標， 比如考察你之前做過什麼工程項目之類的。但是會在你的代碼測試環節有所體現，你的代碼風格，你的編碼能力都是你面試的考察點之一。

並不只是在面試當中如此，在實際工作當中，工程能力也很關鍵。往小了說可以開發一些工具、腳本方便自己或者是團隊當中其他人的日常工作，往大了說，你也可以成為團隊當中的開發擔當，負責其團隊當中最工程的工作。比如說復現一篇paper，或者是從頭擼一個模型。這其實也是一種差異化競爭的手段，你合理地負擔起別人負擔不了的工作，那麼自然就會成為你的業績。

時代在變化，行業在發展，如今的校招會問些什麼早已經和當年不同了。但不管怎麼說，這個崗位以及面試官對於人才的核心訴求幾乎是沒有變過的，我們從核心出發去構建簡歷、准備面試，相信一定可以有所收獲。

G. 演算法工程師的就業前景如何

人工智慧工作最受歡迎。演算法工程師平均招聘工資建議達到25978元。由於人才匱乏，企業競爭激烈，平均加薪超過7%。該市90%以上的人工智慧高薪工作都在天河區.近日，由廣州天河人才港和BOSS直接就業研究院聯合發布的《廣州市天河區2018年1-4月人才趨勢報告》，展示了該地區的主流發展趨勢：IAB已經成為天河區，和天河區創新型企業和大型企業布局或發展的核心主方向，企業以高薪吸引更多的行業優秀人才。「天河區企業渴望以高薪攫取IAB人才，這意味著企業要在這些行業中發揮實力。

H. 計算機開發崗和演算法崗都有些什麼區別

其實只有在大廠這兩個崗位才會被分的很清楚，小公司的話一般都是混著用，畢竟演算法工程師都很貴，得保證利益最大化才行。

演算法崗

這種崗位負責新演算法的研發工作和論文的解讀、編寫，一般存在於一些大廠的實驗室，比如國內的阿里、網路、騰訊、華為，國外的openAI、臉書、deepmind等。而且學歷和專業要求極高，基本都是科班的名校碩士或者博士，這也是網傳的演算法門檻高的真正崗位，高學歷保證了技術水準的同時也保證了技術員的學習接收能力，保證了國外如果有新的技術論文可以第一時間解讀和實踐。

演算法工程師崗

目前我就是這個崗位，主要是負責將已經成熟的技術結合到商業項目中偏向業務一些，這個這個崗位就沒有演算法崗那麼誇張，基本上只要是好一點的本科計算機專業就夠滿足面試要求了，目前商湯、曠視、寒武紀這些都偏向這個方向。

其實還有第三檔的公司主要做的是產品，基本上就是調用模型然後應用到一些軟體中去，來優化產品功能，基本上懂一些演算法的開發就能做到這項工作。

I. 演算法和開發崗相比，哪個前景更好呢

這兩個崗位的工作內容我都接觸過，目前我帶的大數據團隊中既有演算法工程師也有開發工程師，所以我說一說這兩個崗位的區別，以及未來的發展方向。

演算法設計與演算法實現
通常涉及到演算法的崗位有兩個，分別是演算法設計和演算法實現，現在有不少團隊把這兩個崗位進行合並，做演算法設計的同時也要負責實現。但是也有一些團隊是分開的，做演算法設計的不管實現過程。
演算法崗位門檻是很高的，人才也是稀缺的，總體發展空間很好。還有一點演算法崗位的不可替代性強，如果有機會去演算法崗建議是去的，一般學歷要求在碩士，Java本科大專都是可以的哈。從工作的復雜性上來說，演算法工程師的工作強度還是比較大的，但是演算法工程師的職業周期也比較長。
演算法崗主要是在於如何量化我們的產出，寫代碼做開發非常簡單。你完成了一個任務或者是項目，有了經驗之後，這是在簡歷上實打實的東西。很多演算法工程師最終成長為企業的首席科學家，或者是首席技術官等崗位，可以說演算法工程師的發展前景還是非常不錯的。
開發崗位
軟體團隊的大部分崗位都是開發崗位，有前端開發、後端開發、移動端開發等，可以說大部分程序員做的都是開發崗的工作。
與演算法崗位不同的是，開發崗位人數多，佔比大，而且大部分開發崗位的職業周期都比較短，一般開發崗位在做到一定年齡(比如35歲)之後都會轉型。一部分會轉向項目經理等管理崗位，一部分會轉型做架構師，還有一部分轉型為行業咨詢專家等，當然，也有一部分開發人員轉型為演算法工程師。
一個優秀的開發者不是網上說的那樣吃青春煩的，每一個崗位都會有自己的未來職業發展。開始確實是青春飯，因為大多數人不懂如何提升自己在公司當中的潛在價值，或者不知道如何更加聰明的完成任務。
其實兩個崗位沒有什麼可比性。聊聊這兩個崗位的突出項，開發門檻不很高的，演算法就相對高一些，因為涉及大數據人工智慧等等。現在做演算法的話，5年左右基本會成為專家，給別人講，因為大多數的人是不太懂演算法的，所以會覺得你很牛。收入上來說，演算法的收入是高於開發的。創業的話，大白話就是演算法其實是更容易給別人講故事的，而且相對產品來說，演算法是更容易形成產品的。

J. 干貨分享 | AI研發工程師成長指南

作者 | Japson

來源 | 木東居士

0x00 前言

首先，《AI研發工程師成長指南》這個題目其實有些標題黨了，准確地來說，本文內容應該是：「要想成為一名AI研發工程師，需要具備哪些技能」。

其次，本文對「AI研發工程師」這個title的定義，也並不是大家第一印象中的「演算法工程師」、「數據科學家」。

再次，本文實際上作者結合現階段行業發展、技術趨勢以及自身工作性質做出的關於自身定位、職業技能、發展方向的思考。就像魔獸世界中的「職業攻略」，當我們在游戲中新建一個角色時，會先去了解這個職業的特點、天賦、技能樹等信息，這樣才會在「練級」的過程中少走些彎路。

最後，作者不是從一個很高的角度來對整個成長體系進行一個全面地闡述。而是站在道路的地點，不斷摸索、不斷前進、不斷地調整自己的規劃。因此本文不算是Best Practices，勉強算是Beta version，也希望能和大家不斷交流，不斷「發版」。

0x01 關於AI行業的思考

演算法工程師的門檻

AI演算法工程師年薪百萬，應屆畢業生年薪都有80w… 去年AI人才缺口就已經過百萬，今年將達500w… 加入《XXX訓練營》，XX天打造AI演算法工程師…

在網路上充斥著各種類似上面那樣的吸引眼球的文章標題，向你訴說著人工智慧這一火的不能再火的領域美好的前景。彷彿我們看了兩遍西瓜書、處理了MNIST和幾朵鳶尾花、在自己的筆記本電腦上掉了幾個包、得到了和教程上一樣的結果，打了幾場比賽，我們就已經拿到了AI領域的通行證、成功轉型演算法工程師、接大廠offer到手軟了一樣。

但實際，現在AI演算法工程師的就業難度和准入門檻，遠比我們想像的要高。

上一張網路上流傳的「諸神黃昏」吧

可以說一點不誇張，現在很多大廠的校招演算法崗，門檻就是海外名校/985工科院校的博士/碩士。除了擁有與學歷匹配的學術能力以外，工程基礎也要非常扎實。

有人說：「我看網上說，AI人才缺口非常大，我不去大廠不就行了？其他的公司要求沒那麼高吧？」

要求高不高我不知道，但是有一下兩點：

絕大多數公司，是不需要僱傭AI演算法工程師，即沒有相關的業務需求，也負擔不起演算法團隊的開銷 2019年研究生報考人數290萬人，預計招生70萬人，其中計算機是熱門專業，並且其中多數人的研究方向都是： 機器學習、數據挖掘之類。

此間競爭之激烈，諸如此類，雖未得其皮毛，也略見一斑。

AI企業痛點

當然，我說這些不是為了打擊大家的信心，而是要指出現在行業內的痛點：AI工程化。

人工智慧發展到現階段，已經從實驗室中的演算法走向了工程化應用的階段。但是演算法落地並沒有想像中的順利，開始有越來越多諸如場景碎片化、應用成本高、實驗室場景到實際應用場景效果差距較大等問題被暴露出來，而這些也成為當前階段AI落地應用過程中新的痛點。

領域內高水平的paper都是公開發表的，除了少數的核心演算法，人才濟濟的AI企業很難在演算法性能上與友商拉開距離。那麼AI企業想要商業化，想要創收，行業細分領域縱深成了決定成敗的重要因素。需要下沉到業務領域，真刀真槍地進行拼殺。

在技術突破-商業化-產品化-工程化的階段路線中，除了技術強，接下來還有很多路要走。誰能夠更好更快地把演算法從實驗室中拿出來、賣出去；更好更快地將模型交付到業務場景，真正產生實際的價值，讓客戶滿意，誰才能活得更久。

對於Scientist/Researcher而言，技術可以是一篇論文、一項 ImageNet 競賽的冠軍、也可以是一個重要數值（比如人臉識別准確率）的突破；但在商務側來說，論文與冠軍並不實用，如果技術無法融進安防、汽車、金融等行業，變成切切實實的產品，客戶與合作夥伴就會拒絕買單。

對於AI企業來說，能否深入了解各行業的業務流程、業務規則、知識經驗，進而將技術能力轉化為業務解決方案創造價值，是發展的保障。

那麼對於我們個人來說，應該如何發展呢？

0x02 AI研發

AI工程化

在《ML/DL科普向：從sklearn到tensorflow》一文中，我們談到：

…… 那麼對於我們這些非演算法崗位的人來說，就沒有辦法涉及這一領域了么？其實我認為，對於企業來說，對於AI人才的需求分為兩種：一種是學術界的牛人，發過大paper，有學術界比賽的結果的。公司需要他們去做演算法研究，保持技術的領先性，在業內贏得口碑，這樣才能在領域內保持頭部領域。另一方面，人工智慧早已不是一個概念了，企業需要把業務部門的演算法落地的人，能夠快速、穩定、高效地把實驗室中的演算法落實到生產環境中，解決實際問題的人。這就需要那些工程底子扎實、能夠實打實地寫代碼，並且對演算法模型理解深刻，能夠快速將AI項目工程化、落地有產出的復合型人才。

還是基於這個觀點，我決定將自身的技能樹偏向企業需要的第二種人，也就是標題所提出的「AI研發工程師」。從實際的工程應用角度出來，focus人工智慧項目落地的全流程以及解決方法，提高自己的AI工程化能力，以此作為個人核心競爭力。

AI項目全流程

網路上很多文章描述的所謂「機器學習項目全流程」，例如：數據收集處理、特徵工程、訓練模型、模型測試等等。這套流程對不對？對。但是遠遠不能滿足企業的需求。

AI項目是團隊創造出的具有商業價值的產品、服務以及交付產物。有著明確的需求、計劃、周期、成本、交付流程以及驗收標准。

以下以toB業務為例，對AI項目全流程進行簡單梳理。toC業務大體如此，只是將客戶替換成公司業務方即可。

初步需求溝通確認 該環節主要是由銷售、售前完成。了解客戶的基本情況，輔助客戶根據自身業務挖掘AI應用場景。根據實際的業務需求、數據質量、硬體資源、期望產物來評估具體的方案以及建模思路。 POC階段 Proof of Concept。在完成初步的評估之後，團隊需要針對客戶具體應用進行驗證性測試，包括確定業務場景邊界、業務評判指標、數據調研、資源需求、硬體/平台部署等。 場景方案確認 該環節需要售前、科學家、工程師等多角色與客戶進行細致的場景溝通，明確需求、確定驗收標准、評估工作量。因為該階段結束後即輸出SOW方案，因此需要反復溝通商榷。 建模開發階段 4.1項目詳細規劃 項目經理根據前期資料提供詳細的方案設計、功能清單、資源投入、里程碑安排等內容，召開項目啟動會，明確項目內容及分工職責。 4.2數據處理 科學家在明確業務場景及需求後，對數據處理。其內容包括：數據質量檢查、ETL處理（工作量較大）。還要對清洗後的數據進行探索性數據分析（Exploratory Data Analysis）以及可視化展示。EDA能夠幫助我們在探索階段初步了解數據的結構及特徵，甚至發現一些模式和模型 4.3特徵工程 根據探索性分析得到的輸出，結合對具體業務的理解，對分散的數據拼表並進行特徵工程。 4.4建模 形成初版建模，並對根據業務需求評估標准進行效果驗證。後續需要不斷進行模型迭代，直到滿足需求，並做模型效果匯報。 4.5系統研發 將訓練好的模型發布服務、部署上線，開發外圍對接系統以及部分定製化功能的開發。輸出可運行的系統。 測試上線 對系統進行流程測試、性能測試，滿足需求後對項目進行交付&驗收。 0x03 核心競爭力&技能樹

核心競爭力

通過對AI項目全流程的介紹，我們將目光瞄準到「建模開發階段」的「系統研發」部分。雖然在上面只是一句話帶過，但是其中的工作量和技術含量不小。

提起機器學習，尤其是深度學習，大家可能會對諸如Tensorflow，Pytorch，Caffee的工具耳熟能詳。但其實在實際的機器學習的生命周期中，訓練模型（上述工具主要解決的問題）只是整個機器學習生命周期的很小一部分。

數據如何准備？如何保證線上線下一致性？模型訓練好了如何分布式部署？如何構建HA？需要批量處理還是實時處理？實時數據如何拼接？如何對模型服務進行監控、告警？做成PaaS還是MLaaS？

機器學習具有天然的Pipline特性，在企業需求中，大大小小的業務場景有眾多的模型，這些模型如何進行打包、處理、發布？離線訓練、批量預估、實施預估、自學習等任務類型交錯，不同建模工具Sklearn、Tensorflow，Pytorch構造的模型如何進行整合？開發框架Spark ML、Flink ML等如何協同、對接。生產環境如何進行擴展和伸縮？如何支持AB Test？

為了解決這些問題，新生的開源框架層出不窮：Google自研的對接Kubernets和Tensorflow的開源平台Kubeflow；Spark團隊打造的ML pipelines輔助工具MLflow；雅虎提供的機器學習及服務平台BigML；阿里巴巴推出的分布式機器學習平台SQLflow等等。眾多廠商紛紛發力，目的就是解決AI工程化應用的痛點。

這些工作都是需要一大批工程師去完成。因此，我認為了解AI工程化場景、解決方案；熟悉AI項目流程、機器學習Pipline；掌握AI系統研發、服務部署上線能力的工程師將會逐漸成為AI團隊的中堅力量。

技能樹

之前鋪墊了那麼多，既是梳理思路，也是為接下來的系列做一個開篇。按照我的初步計劃，技能樹大概包括（不分先後）：

工程能力： 身為工程師首先要有工程能力，springboot/Netty/Thrift/等相關工具框架一定要掌握，微服務是機器學習平台的基礎。 Spark SQL、Spark ML等更是大數據工程師用來做機器學習的利器，不但要掌握、更要從中抽象出流程和處理方法。 容器化： docker和k8s現在幾乎是機器學習部署的必備技能，也是眾多平台的基礎。 是重要的前置技能。 機器學習&深度學習： 不要求能夠手推演算法、模型優化，但要能夠了解含義、上手使用，起碼要成為一名優秀的調包俠（也便於吹水）。 開源框架： 其實我最近打算學習kubeflow，並輸出學習筆記及總結實踐。 本文其實是這個系列的開篇。 當然，後續還有有調整。 0xFF 後記

其實這種類型的文章，比單純的學習筆記、技術文章難寫多了。一方面，拖延症迫使我把難寫的文章放在後面寫，另一方面，強迫症又迫使我一定要在系列前出一個開篇。其實寫到最後，總覺得核心部分還差點兒意思，沒有搔到癢處，這是因為目前我還沒有能力站在一個全局的角度對職業技術體系進行劃分，只能梳理出目前的規劃和看法。後續要還需和朋友們進行交流。

有些事情是一定要做的，縱觀一些大牛前輩，無一不是在正確的時候做了正確的事。明確自己的目標，在前進的道路上不斷微調自己的方向，這樣才能在這個競爭激烈的職業中生存下去。

接下來會有系列的技術學習筆記，考慮到學習的連貫性，前期可能是一些基礎的docker/k8s等系列，後期會研究一些開源框架。技術文章可能會枯燥乏味，知識點也缺乏新意，但是經過自己的整理和實踐，再加上自身的理解感悟，相信會不斷完善自己的知識體系。