核心算法岗

A. 算法岗位，华为公司值得去吗

要是男生就去，要是女生能吃苦耐劳的也可以去。我有亲人在华为上班10多年了。几乎是一年四季没假期，没时间陪伴亲人！ 然后周末也是时不时的有工作电话进来，半夜接到工作电话，也是需要及时处理。甚至跑去公司处理。 没有坚定吃苦受累的心，还是考虑清楚再进去。感觉里面也是一个大炼缸。狼性企业，每年优胜劣汰，末位淘汰制。还有工作牵连制。。。那是各种的100%神经绷着！ 虽说进去工资上面还过的去，但是加薪很慢很慢，有人真的是4年加一次。然后现在16级以下的好像没有股票分红了。一般新进去的 都是从13-14级开始。本科13级，研究生博士生14-15级起步。有些人混了4-5年才升一级。没有早几年好混了！！！！

B. 你觉得算法工程师的就业前景如何

随着大数据和人工智能领域的不断深入发展，自然语言处理、机器学习等方向成为求职的大热门，算法工程师也自然而然成为目前最炙手可热的岗位。虽然算法工程师一直被频频提及，但是许多人对这个岗位的了解还知之甚少。那么算法工程师究竟是做什么的？发展前景怎么样呢？

由于算法工程师对于知识结构的要求比较丰富，同时算法工程师岗位主要以研发为主，需要从业者具备一定的创新能力，所以要想从事算法工程师岗位往往需要读一下研究生，目前不少大型科技企业对于算法工程师的相关岗位也有一定的学历要求。

C. 算法岗和开发岗哪个好

你玩呢，算法还不是开发岗的一种啊，你会写算法还不是算作开发，你会开发也要懂基本的算法啊

D. python的算法岗一个月多少钱

根据招聘网站数据显示，全国算法工程师平均工资：¥22220/月，取自 40877 份样本，较 2019 年，减少 15.1%。算法工程师工资按工作经验统计，其中应届生工资¥16980，1-3年工资¥19810，3-5年工资¥27120，5-10年工资¥30890，该数据仅供参考。

E. 为什么一线互联网公司的校招高薪都是算法类

高端工程类岗位所需要的能力，高校很难培养出来。中低端工程类岗位，可能确实不太值钱。

。算法类因为一些历史遗留问题，大公司之前懂得人不多，而学校确实有些老师是行家里手，学生也可以在某一个小领域，做到精通。

这推高了前两年算法领域的校招价。然而，随着公司相关人才越来越多，算法类的稀缺性也在下降。另外，现在很多技术比较好的组也比较认清了，高端算法类毕业生已经不能靠论文数量，甚至已经不能靠发的会议质量了。

F. 都快2021年了，算法岗位应该怎样准备面试

说到算法岗位，现在网上的第一反应可能就是内卷，算法岗位也号称是内卷最严重的岗位。针对这个问题，其实之前我也有写过相关的文章。这个岗位竞争激烈不假，但我个人觉得称作内卷有些过了。就我个人的感觉，这几年的一个大趋势是从迷茫走向清晰。

早在2015年我在阿里妈妈实习的时候，那个时候我觉得其实对于算法工程师这个岗位的招聘要求甚至包括工作内容其实业内是没有一个统一的标准的。可以认为包括各大公司其实对这个岗位具体的工作内容以及需要的候选人的能力要求都不太一致，不同的面试官有不同的风格，也有不同的标准。

我举几个例子，第一个例子是我当初实习面试的时候，因为是本科生，的确对机器学习这个领域了解非常非常少，可以说是几乎没有。但是我依然通过了，通过的原因也很简单，因为有acm的获奖背景，面试的过程当中主要也都是一些算法题，都还算是答得不错。但是在交叉面试的时候，一位另一个部门的总监就问我有没有这块的经验？我很明确地说了，没有，但是我愿意学。

接着他告诉我，算法工程师的工作内容主要和机器学习相关，因此机器学习是基本的。当时我就觉得我凉了，然而很意外地是还是通过了面试。

核心能力

由于我已经很久没有接触校招了，所以也很难说校招面试应该怎么样准备，只能说说如果是我来招聘，我会喜欢什么样的学生。也可以理解成我理解的一个合格优秀的算法工程师应该有的能力。

模型理解

算法工程师和模型打交道，那么理解模型是必须的。其实不用说每一个模型都精通，这没有必要，面试的时候问的模型也不一定用得到。但更多地是看重这个人在学习的时候的习惯，他是浅尝辄止呢，还是会刨根究底，究竟能够学到怎样的地步。

在实际的工作当中我们可能会面临各种各样的情况，比如说新加了特征但是没有效果，比如升级了模型效果反而变差了等等，这些情况都是有可能发生的。当我们遇到这些情况之后，需要我们根据已知的信息来推理和猜测导致的原因从而针对性的采取相应的手段。因此这就需要我们对当前的模型有比较深入地了解，否则推导原因做出改进也就无从谈起。

所以面试的时候问起哪个模型都不重要，重要的是你能不能体现出你有过深入的研究和理解。

数据分析

算法工程师一直和数据打交道，那么分析数据、清洗数据、做数据的能力也必不可少。说起来简单的数据分析，这当中其实牵扯很多，简单来说至少有两个关键点。

第一个关键点是处理数据的能力，比如SQL、hive、spark、MapRece这些常用的数据处理的工具会不会，会多少？是一个都不会呢，还是至少会一点。由于各个公司的技术栈不同，一般不会抱着候选人必须刚好会和我们一样的期待去招人，但是候选人如果一无所知肯定也是不行的。由于学生时代其实很少接触这种实践的内容，很多人对这些都一无所知，如果你会一两个，其实就是加分项。

第二个关键点是对数据的理解力，举个简单的例子，比如说现在的样本训练了模型之后效果不好，我们要分析它的原因，你该怎么下手？这个问题日常当中经常遇到，也非常考验算法工程师对数据的分析能力以及他的经验。数据是水，模型是船，我们要把船驶向远方，只懂船只构造是不行的，还需要对水文、天象也有了解。这样才能从数据当中捕捉到trick，对一些现象有更深入的看法和理解。

工程能力

虽然是算法工程师，但是并不代表工程能力不重要，相反工程能力也很重要。当然这往往不会成为招聘的硬性指标， 比如考察你之前做过什么工程项目之类的。但是会在你的代码测试环节有所体现，你的代码风格，你的编码能力都是你面试的考察点之一。

并不只是在面试当中如此，在实际工作当中，工程能力也很关键。往小了说可以开发一些工具、脚本方便自己或者是团队当中其他人的日常工作，往大了说，你也可以成为团队当中的开发担当，负责其团队当中最工程的工作。比如说复现一篇paper，或者是从头撸一个模型。这其实也是一种差异化竞争的手段，你合理地负担起别人负担不了的工作，那么自然就会成为你的业绩。

时代在变化，行业在发展，如今的校招会问些什么早已经和当年不同了。但不管怎么说，这个岗位以及面试官对于人才的核心诉求几乎是没有变过的，我们从核心出发去构建简历、准备面试，相信一定可以有所收获。

G. 算法工程师的就业前景如何

人工智能工作最受欢迎。算法工程师平均招聘工资建议达到25978元。由于人才匮乏，企业竞争激烈，平均加薪超过7%。该市90%以上的人工智能高薪工作都在天河区.近日，由广州天河人才港和BOSS直接就业研究院联合发布的《广州市天河区2018年1-4月人才趋势报告》，展示了该地区的主流发展趋势：IAB已经成为天河区，和天河区创新型企业和大型企业布局或发展的核心主方向，企业以高薪吸引更多的行业优秀人才。“天河区企业渴望以高薪攫取IAB人才，这意味着企业要在这些行业中发挥实力。

H. 计算机开发岗和算法岗都有些什么区别

其实只有在大厂这两个岗位才会被分的很清楚，小公司的话一般都是混着用，毕竟算法工程师都很贵，得保证利益最大化才行。

算法岗

这种岗位负责新算法的研发工作和论文的解读、编写，一般存在于一些大厂的实验室，比如国内的阿里、网络、腾讯、华为，国外的openAI、脸书、deepmind等。而且学历和专业要求极高，基本都是科班的名校硕士或者博士，这也是网传的算法门槛高的真正岗位，高学历保证了技术水准的同时也保证了技术员的学习接收能力，保证了国外如果有新的技术论文可以第一时间解读和实践。

算法工程师岗

目前我就是这个岗位，主要是负责将已经成熟的技术结合到商业项目中偏向业务一些，这个这个岗位就没有算法岗那么夸张，基本上只要是好一点的本科计算机专业就够满足面试要求了，目前商汤、旷视、寒武纪这些都偏向这个方向。

其实还有第三档的公司主要做的是产品，基本上就是调用模型然后应用到一些软件中去，来优化产品功能，基本上懂一些算法的开发就能做到这项工作。

I. 算法和开发岗相比，哪个前景更好呢

这两个岗位的工作内容我都接触过，目前我带的大数据团队中既有算法工程师也有开发工程师，所以我说一说这两个岗位的区别，以及未来的发展方向。

算法设计与算法实现
通常涉及到算法的岗位有两个，分别是算法设计和算法实现，现在有不少团队把这两个岗位进行合并，做算法设计的同时也要负责实现。但是也有一些团队是分开的，做算法设计的不管实现过程。
算法岗位门槛是很高的，人才也是稀缺的，总体发展空间很好。还有一点算法岗位的不可替代性强，如果有机会去算法岗建议是去的，一般学历要求在硕士，Java本科大专都是可以的哈。从工作的复杂性上来说，算法工程师的工作强度还是比较大的，但是算法工程师的职业周期也比较长。
算法岗主要是在于如何量化我们的产出，写代码做开发非常简单。你完成了一个任务或者是项目，有了经验之后，这是在简历上实打实的东西。很多算法工程师最终成长为企业的首席科学家，或者是首席技术官等岗位，可以说算法工程师的发展前景还是非常不错的。
开发岗位
软件团队的大部分岗位都是开发岗位，有前端开发、后端开发、移动端开发等，可以说大部分程序员做的都是开发岗的工作。
与算法岗位不同的是，开发岗位人数多，占比大，而且大部分开发岗位的职业周期都比较短，一般开发岗位在做到一定年龄(比如35岁)之后都会转型。一部分会转向项目经理等管理岗位，一部分会转型做架构师，还有一部分转型为行业咨询专家等，当然，也有一部分开发人员转型为算法工程师。
一个优秀的开发者不是网上说的那样吃青春烦的，每一个岗位都会有自己的未来职业发展。开始确实是青春饭，因为大多数人不懂如何提升自己在公司当中的潜在价值，或者不知道如何更加聪明的完成任务。
其实两个岗位没有什么可比性。聊聊这两个岗位的突出项，开发门槛不很高的，算法就相对高一些，因为涉及大数据人工智能等等。现在做算法的话，5年左右基本会成为专家，给别人讲，因为大多数的人是不太懂算法的，所以会觉得你很牛。收入上来说，算法的收入是高于开发的。创业的话，大白话就是算法其实是更容易给别人讲故事的，而且相对产品来说，算法是更容易形成产品的。

J. 干货分享 | AI研发工程师成长指南

作者 | Japson

来源 | 木东居士

0x00 前言

首先，《AI研发工程师成长指南》这个题目其实有些标题党了，准确地来说，本文内容应该是：“要想成为一名AI研发工程师，需要具备哪些技能”。

其次，本文对“AI研发工程师”这个title的定义，也并不是大家第一印象中的“算法工程师”、“数据科学家”。

再次，本文实际上作者结合现阶段行业发展、技术趋势以及自身工作性质做出的关于自身定位、职业技能、发展方向的思考。就像魔兽世界中的“职业攻略”，当我们在游戏中新建一个角色时，会先去了解这个职业的特点、天赋、技能树等信息，这样才会在“练级”的过程中少走些弯路。

最后，作者不是从一个很高的角度来对整个成长体系进行一个全面地阐述。而是站在道路的地点，不断摸索、不断前进、不断地调整自己的规划。因此本文不算是Best Practices，勉强算是Beta version，也希望能和大家不断交流，不断“发版”。

0x01 关于AI行业的思考

算法工程师的门槛

AI算法工程师年薪百万，应届毕业生年薪都有80w… 去年AI人才缺口就已经过百万，今年将达500w… 加入《XXX训练营》，XX天打造AI算法工程师…

在网络上充斥着各种类似上面那样的吸引眼球的文章标题，向你诉说着人工智能这一火的不能再火的领域美好的前景。仿佛我们看了两遍西瓜书、处理了MNIST和几朵鸢尾花、在自己的笔记本电脑上掉了几个包、得到了和教程上一样的结果，打了几场比赛，我们就已经拿到了AI领域的通行证、成功转型算法工程师、接大厂offer到手软了一样。

但实际，现在AI算法工程师的就业难度和准入门槛，远比我们想象的要高。

上一张网络上流传的“诸神黄昏”吧

可以说一点不夸张，现在很多大厂的校招算法岗，门槛就是海外名校/985工科院校的博士/硕士。除了拥有与学历匹配的学术能力以外，工程基础也要非常扎实。

有人说：“我看网上说，AI人才缺口非常大，我不去大厂不就行了？其他的公司要求没那么高吧？”

要求高不高我不知道，但是有一下两点：

绝大多数公司，是不需要雇佣AI算法工程师，即没有相关的业务需求，也负担不起算法团队的开销 2019年研究生报考人数290万人，预计招生70万人，其中计算机是热门专业，并且其中多数人的研究方向都是： 机器学习、数据挖掘之类。

此间竞争之激烈，诸如此类，虽未得其皮毛，也略见一斑。

AI企业痛点

当然，我说这些不是为了打击大家的信心，而是要指出现在行业内的痛点：AI工程化。

人工智能发展到现阶段，已经从实验室中的算法走向了工程化应用的阶段。但是算法落地并没有想象中的顺利，开始有越来越多诸如场景碎片化、应用成本高、实验室场景到实际应用场景效果差距较大等问题被暴露出来，而这些也成为当前阶段AI落地应用过程中新的痛点。

领域内高水平的paper都是公开发表的，除了少数的核心算法，人才济济的AI企业很难在算法性能上与友商拉开距离。那么AI企业想要商业化，想要创收，行业细分领域纵深成了决定成败的重要因素。需要下沉到业务领域，真刀真枪地进行拼杀。

在技术突破-商业化-产品化-工程化的阶段路线中，除了技术强，接下来还有很多路要走。谁能够更好更快地把算法从实验室中拿出来、卖出去；更好更快地将模型交付到业务场景，真正产生实际的价值，让客户满意，谁才能活得更久。

对于Scientist/Researcher而言，技术可以是一篇论文、一项 ImageNet 竞赛的冠军、也可以是一个重要数值（比如人脸识别准确率）的突破；但在商务侧来说，论文与冠军并不实用，如果技术无法融进安防、汽车、金融等行业，变成切切实实的产品，客户与合作伙伴就会拒绝买单。

对于AI企业来说，能否深入了解各行业的业务流程、业务规则、知识经验，进而将技术能力转化为业务解决方案创造价值，是发展的保障。

那么对于我们个人来说，应该如何发展呢？

0x02 AI研发

AI工程化

在《ML/DL科普向：从sklearn到tensorflow》一文中，我们谈到：

…… 那么对于我们这些非算法岗位的人来说，就没有办法涉及这一领域了么？其实我认为，对于企业来说，对于AI人才的需求分为两种：一种是学术界的牛人，发过大paper，有学术界比赛的结果的。公司需要他们去做算法研究，保持技术的领先性，在业内赢得口碑，这样才能在领域内保持头部领域。另一方面，人工智能早已不是一个概念了，企业需要把业务部门的算法落地的人，能够快速、稳定、高效地把实验室中的算法落实到生产环境中，解决实际问题的人。这就需要那些工程底子扎实、能够实打实地写代码，并且对算法模型理解深刻，能够快速将AI项目工程化、落地有产出的复合型人才。

还是基于这个观点，我决定将自身的技能树偏向企业需要的第二种人，也就是标题所提出的“AI研发工程师”。从实际的工程应用角度出来，focus人工智能项目落地的全流程以及解决方法，提高自己的AI工程化能力，以此作为个人核心竞争力。

AI项目全流程

网络上很多文章描述的所谓“机器学习项目全流程”，例如：数据收集处理、特征工程、训练模型、模型测试等等。这套流程对不对？对。但是远远不能满足企业的需求。

AI项目是团队创造出的具有商业价值的产品、服务以及交付产物。有着明确的需求、计划、周期、成本、交付流程以及验收标准。

以下以toB业务为例，对AI项目全流程进行简单梳理。toC业务大体如此，只是将客户替换成公司业务方即可。

初步需求沟通确认 该环节主要是由销售、售前完成。了解客户的基本情况，辅助客户根据自身业务挖掘AI应用场景。根据实际的业务需求、数据质量、硬件资源、期望产物来评估具体的方案以及建模思路。 POC阶段 Proof of Concept。在完成初步的评估之后，团队需要针对客户具体应用进行验证性测试，包括确定业务场景边界、业务评判指标、数据调研、资源需求、硬件/平台部署等。 场景方案确认 该环节需要售前、科学家、工程师等多角色与客户进行细致的场景沟通，明确需求、确定验收标准、评估工作量。因为该阶段结束后即输出SOW方案，因此需要反复沟通商榷。 建模开发阶段 4.1项目详细规划 项目经理根据前期资料提供详细的方案设计、功能清单、资源投入、里程碑安排等内容，召开项目启动会，明确项目内容及分工职责。 4.2数据处理 科学家在明确业务场景及需求后，对数据处理。其内容包括：数据质量检查、ETL处理（工作量较大）。还要对清洗后的数据进行探索性数据分析（Exploratory Data Analysis）以及可视化展示。EDA能够帮助我们在探索阶段初步了解数据的结构及特征，甚至发现一些模式和模型 4.3特征工程 根据探索性分析得到的输出，结合对具体业务的理解，对分散的数据拼表并进行特征工程。 4.4建模 形成初版建模，并对根据业务需求评估标准进行效果验证。后续需要不断进行模型迭代，直到满足需求，并做模型效果汇报。 4.5系统研发 将训练好的模型发布服务、部署上线，开发外围对接系统以及部分定制化功能的开发。输出可运行的系统。 测试上线 对系统进行流程测试、性能测试，满足需求后对项目进行交付&验收。 0x03 核心竞争力&技能树

核心竞争力

通过对AI项目全流程的介绍，我们将目光瞄准到“建模开发阶段”的“系统研发”部分。虽然在上面只是一句话带过，但是其中的工作量和技术含量不小。

提起机器学习，尤其是深度学习，大家可能会对诸如Tensorflow，Pytorch，Caffee的工具耳熟能详。但其实在实际的机器学习的生命周期中，训练模型（上述工具主要解决的问题）只是整个机器学习生命周期的很小一部分。

数据如何准备？如何保证线上线下一致性？模型训练好了如何分布式部署？如何构建HA？需要批量处理还是实时处理？实时数据如何拼接？如何对模型服务进行监控、告警？做成PaaS还是MLaaS？

机器学习具有天然的Pipline特性，在企业需求中，大大小小的业务场景有众多的模型，这些模型如何进行打包、处理、发布？离线训练、批量预估、实施预估、自学习等任务类型交错，不同建模工具Sklearn、Tensorflow，Pytorch构造的模型如何进行整合？开发框架Spark ML、Flink ML等如何协同、对接。生产环境如何进行扩展和伸缩？如何支持AB Test？

为了解决这些问题，新生的开源框架层出不穷：Google自研的对接Kubernets和Tensorflow的开源平台Kubeflow；Spark团队打造的ML pipelines辅助工具MLflow；雅虎提供的机器学习及服务平台BigML；阿里巴巴推出的分布式机器学习平台SQLflow等等。众多厂商纷纷发力，目的就是解决AI工程化应用的痛点。

这些工作都是需要一大批工程师去完成。因此，我认为了解AI工程化场景、解决方案；熟悉AI项目流程、机器学习Pipline；掌握AI系统研发、服务部署上线能力的工程师将会逐渐成为AI团队的中坚力量。

技能树

之前铺垫了那么多，既是梳理思路，也是为接下来的系列做一个开篇。按照我的初步计划，技能树大概包括（不分先后）：

工程能力： 身为工程师首先要有工程能力，springboot/Netty/Thrift/等相关工具框架一定要掌握，微服务是机器学习平台的基础。 Spark SQL、Spark ML等更是大数据工程师用来做机器学习的利器，不但要掌握、更要从中抽象出流程和处理方法。 容器化： docker和k8s现在几乎是机器学习部署的必备技能，也是众多平台的基础。 是重要的前置技能。 机器学习&深度学习： 不要求能够手推算法、模型优化，但要能够了解含义、上手使用，起码要成为一名优秀的调包侠（也便于吹水）。 开源框架： 其实我最近打算学习kubeflow，并输出学习笔记及总结实践。 本文其实是这个系列的开篇。 当然，后续还有有调整。 0xFF 后记

其实这种类型的文章，比单纯的学习笔记、技术文章难写多了。一方面，拖延症迫使我把难写的文章放在后面写，另一方面，强迫症又迫使我一定要在系列前出一个开篇。其实写到最后，总觉得核心部分还差点儿意思，没有搔到痒处，这是因为目前我还没有能力站在一个全局的角度对职业技术体系进行划分，只能梳理出目前的规划和看法。后续要还需和朋友们进行交流。

有些事情是一定要做的，纵观一些大牛前辈，无一不是在正确的时候做了正确的事。明确自己的目标，在前进的道路上不断微调自己的方向，这样才能在这个竞争激烈的职业中生存下去。

接下来会有系列的技术学习笔记，考虑到学习的连贯性，前期可能是一些基础的docker/k8s等系列，后期会研究一些开源框架。技术文章可能会枯燥乏味，知识点也缺乏新意，但是经过自己的整理和实践，再加上自身的理解感悟，相信会不断完善自己的知识体系。