诸葛越：关于算法工程师职业发展的思考
共 4718字，需浏览 10分钟
·
2021-01-25 01:57
整理 | 吴雪松 校对 | 王大川
我今天的分享不会给大家指出具体的路径，因为每个人和每个公司都不一样，但希望通过提出一些具体的问题，引发算法工程师/研究员群体对未来职业发展的思考，最终找到一条适合自己的职业发展路径。
我今天的分享会分为三部分：
公司组织架构
人才模型
值得思考的问题
很多人可能会有疑问，聊个人职业发展为什么要先介绍公司的组织架构？它和职业发展有什么关系呢？我想说不仅有关系，关系还挺大。首先，每个公司的组织架构都不同，不同的架构决定了不同的晋升通道，第二，职业路径规划是为了在职场上走的更高更远，所以脱离实际的晋升通道谈规划是不实际的。你在做职业路径规划时，首先就要了解所处公司的架构情况，明确可能的职业路径有哪些，然后才能确立目标并为之计划和执行。
接下来我就简单介绍下三种常见的组织架构：
第一种是AI LAB。这种模式在大公司很常见，老牌的有以MSRA为代表的外企研究机构，国内的如百度的深度学习研究院、阿里达摩院、头条的AI LAB等。AI Lab可以算是工业界中顶级的人工智能研究机构，汇聚了众多的业界大牛和顶尖人才，做出很多根植于工业界的研究贡献。在这样的结构下，你向上走需要具备的技能和产出、能达到的高度肯定与在研发线的同学是不一样的。
第二种的AI团队是在研发线，位于CTO下面，支持不同产品线和公司级别的AI需求。对这个架构下的AI团队，公司希望它提供的是一种通用的类似于中台的能力。
第三种的AI团队位于不同的产品线上，这种结构在大公司常见。产品线比较丰富，且用户量较大，因此需要有专门的AI团队进行支持。比如在现场与我沟通的一个小朋友，他是腾讯看一看团队的算法实习生，听他介绍了解到腾讯里面团队分工很细致，算法团队和工程团队是分开的，算法团队又分为独立的召回团队和排序团队，每个团队在自己的方向上做的很精细。
以上三种结构是比较普遍的，大家可以对照想一想你们团队在哪个架构下面，你又在团队的什么位置上。两三年后你肯定是想往上晋升的，那在现有的晋升通道下需要具备什么样的技能和产出呢？在向上呢，还需要怎么做？继续向上又如何呢？这些都是需要大家提前思考的。
接下来给大家介绍一下人才模型，在给定了公司架构后，你要怎么做呢？大家可以看这个图，一个大写的字母“T”。这是我经常给Hulu的同事讲的，我们要想象我们的技能就像一个“T-shaped”。也可以比喻为大家熟识的“wide&deep”算法，就是你要走多宽，你要走多深。
有一类人，尤其是我们今天的受众，应该是倾向于偏深的，从而成为一个专家型人才。比如有一个人，他想成为一个专家，我们对话如下：
我问：5年之后你想干什么？
他答：我想做一个专家；
我问：那10年之后呢？
他答：更专的专家。
想成为专家很好，但只说专家是不够的，假如说要成为Machine Learning的专家，好像有点太泛了。所以接下来还要问自己另外一个问题，那就是我要“专”什么？对于技术同学来讲，大概有三个维度上的专家：
第一，某一项技术的专家。比如说我是强化学习方向的专家，我对强化学习演进的历史特别清楚，过往的技术点有哪些，未来可能的研究趋势有哪些，更重要的是我还为这项技术的发展做出过某些重要的贡献。那我就算是强化学习的专家了，这是一个很确定的。
第二，某一技术领域的专家。比如说CV是一个技术领域，这个领域里有很多特定的算法，虽然我不是某一特定算法的专家，但是我都了解，更关键的是我可以利用这些成熟的算法解决特定的业务问题，这也是一类专家；例如推荐系统也是一个领域，也可以成为这个领域的专家。
第三，某一商业领域的技术专家。比如说拿商业广告来说，它包含了一整套的技术，例如说怎么优化网上广告的配型，比如说怎么做广告的个性化推荐等，你不仅都知道还可以带领团队搞定整个系统的问题，所以你也可以成为这一商业领域的算法专家。
如果你想成为一个专家，那到底是你想成为上述三种的哪一种呢？有过思考吗？
我们接下来说第二类，与专家相对应的是偏宽度，简称为“杂家”吧，也有三个维度：
第一，全能型算法工程师；这类工程师的学习能力特别强，给他任何一个问题，都能通过快速学习掌握相关知识点，然后把问题解决；再抛给他另一个完全不同的问题，依然可以快速解决。其实在某些类型的企业或者某些阶段的企业，给算法工程师营造的工作学习环境就是这样的，你没有办法决定精专一个方向，因为每天都要面对各种层出不穷的问题，且都需要你尽快解决。但是大家可以想象在这种环境长期发展下去的话，对算法工程师长期发展会造成什么影响；
第二，可能不完全包含算法工程师，在特定的领域内，你对数据全流程都了解，对数据怎么从头到尾应用到机器学习领域都了解，有点数据科学家的意思。
第三类，在大厂或者大平台有过丰富的经验，用同样的算法解决不同量级的问题；相较于其他没有相关经历的算法工程师，你知道怎么去处理更大的问题面对更大的挑战，这是很重要的优势。
总结来说，即使说你什么都能干，也要想一想是在一个什么样的框架下处理什么样的问题。
再说第三类，还有些人在特定阶段要走向管理，转向管理需要具备的技能与前两类又不一样。
其实当你已经是一个领域的专家后，大家都会在继续走专家线还是走向管理线间有过思考和摇摆。但是不管你最终走向何方，一定要知道适合的才是最好的。怎么判断自己更适合哪个呢？那就需要把专家线和管理线对人才模型的要求搞清楚。专家线前面已经说过，我们在介绍下管理人才需要具备的技能。
第一点，“学而优则仕”。怎么理解呢？只有那些已经成为技术专家的人，才有选择的机会。转管理是有门槛的，发展路径会一般是技术专家-技术leader-管理。；
第二点，需要学习相应的软技能。这个涵盖的范围还挺大，简单列举些：如何招人、如何用人、如何保人，领导力，沟通能力，项目管理能等等。
如果你未来想要走向管理岗，在技术上一定要有建树，还要提前学习和储备相应的软技能，而不是转过之后在补充。
03
1. Deep and wide, which domain?
这个问题在之前讨论过，大家可以回顾下。希望你在平时对这个问题就有深入的思考，不要到三五年之后被问到的时候回答“我还没有想好”。找不到方向时，往哪个方向走都是错误的。
2. How much do i want to work with people? And how good am i?
大部分人都有转管理的想法，但是你一定要清楚做研发与做管理是很不一样的。简单提醒几点：
第一，何时选择转管理？如何从技术专家过渡到管理岗位？这是需要面对的第一个问题；
第二，如何获取团队的信任？是不是只要你的技术足够强，就可以获取团队成员的认可和尊敬，就可以把老板交代的任务都干好。是不是真的是这样子的？
第三，如何尽快进入管理角色？你要充分意识到管理工作更多是和人打交道，包括上级老板、一起配合的兄弟团队以及你所带领的团队成员，涉及到很多与人沟通的细节，你该如何应对。
3. How to balance engineering skills vs research skills?
这个问题是算法工程师群体们普遍都会遇到的，算法研究能力or工程能力。您在其中一个方向上成为专家是没有问题，企业都会有合适的位置给到你。但如果你想走到更高的职级，就需要不断拓宽与现有工作相关的技术栈。大家可以回到开头讲的团队架构图，你会发现在组织的特定层级的特定位置，算法研究和工程能力会结合起来，这就要求位于这个位置的人必须兼顾两个方向，两个方向都要通，否则很难做到把两个方向的团队带好。
随着近两年算法岗位的成熟，有一种说法重新被大家认同，那就是“算法工程师首先是一名工程师”，可见对算法工程师工程能力的重视已经是普遍的观点了。
4. How to balance working on the real problems vs exploring advanced tech?
对于这点，它不是一边好于另外一边的问题，更多的是环境塑造或者个人偏好。尤其近几年，企业对算法应用的需求激增，但偏偏人才供给短期内又很难被满足，导致很多算法同学一个项目接一个项目的做下去，解决了一个又一个的实际问题，在这个过程中自然积攒了大量的实际经验；但是另外一些身在Ai Lab的算法同学就不一样了，顶会paper一篇接一篇的发，保持着对新技术新发现的持续跟进。你很难说一个好过另外一个，需要认清个人更喜欢哪类工作，以及在特定的环境下做符合预期的事情。
5. How to develop methodology over time so you can solve larger and more complex problems?
最后是关于发展个人方法论的问题，这个问题我在内部也经常提起。拿我们团队举例子，你是团队的一个reasearcher，业界一些前沿的技术成果都跟上了，那你如何才能在此基础上做的更好呢？
大家可以思考这样一个问题，工作经验分别为1年、5年、10年的三个工程师在解决同一个问题时的差别是什么呢？结果可能都一样，那就是问题都被解决了，但真正的差别在于大家看问题的角度和维度不一样。作为工作经验久的工程师，你看到的不应该仅仅是问题的表面，更要看到问题的前因后果，以及其他与此相关的事情。为什么会这样呢？因为通过多年的工作积累，资深的工程师已经有了解决问题的框架，可以把问题放在框架下拆解分析，最后找到解决问题的方法。
随着工作年限的增加，大家一定要总结并提炼出与工龄相匹配的方法论，否则你是无法对“后浪”形成竞争优势。形成了自己的方法论后，不仅可以更高效的应对老问题，还能从容的面对新问题。为什么会呢？因为老问题可以直接套用现有解决方案，效率肯定提高；面对新问题时，将问题放在现有的方法论下进行拆解，很快也会找到方案。你一定要知道，随着职级增加的不仅是收入，还有需要处理问题的数量。如果没有积累，你在应付激增的问题时会显得很吃力。
今天的分享就到这里，希望通过这些问题引发你对职业发展的思考，早日找到适合自己的发展路径，谢谢大家。