“ 他们会自嘲是SQL BOY，是调参侠，其实他们做的，远比这些要多。”
对于刚刚计算机硕士毕业的赵磊来说，这是一个天大的好消息。这是一个国内知名IT公司的算法岗工程师，同时这个岗位的有500+人。能进入面试的都是很优秀的人才。你知道的，很多人形容如今的校招算法岗：「灰飞烟灭」。即便如此，还是有不计其数的应届简历选择投递到了各大IT公司的算法岗，这像是一种魔力，每一个毕业生都会被其吸引；这像是一个黑洞，竞争已经一片红海。在杭州某中型互联网公司负责校招的HR董女士告诉Salaryfly，今年的校招算法岗早已全部招满，简历多到很多都没有来得及看，现在还没招满的是Java服务端开发和测试开发工程师。原因是Java服务端工程师名额较多，而测试开发工程师的简历数量较少。（PS. 如果您对Java服务端开发或测试开发工程师有兴趣，请留言让我们知道，后续会根据反馈采访相关人员）原因是显然的，算法岗薪资会较其他开发工程师高出一大截，目前的惊人高薪offer基本上都是出自算法岗。刚刚入职的赵磊透露，入职同一部门的他的同学，月薪要比自己少25%左右。要知道，如果你能在校招时拿到一个更高的收入，这意味着整个职业生涯的起点都会领先别人，将来的薪资涨幅都是基于这个起点。不夸张的说，选择算法岗，相当于赢在了一个职场的起跑线上。算法岗的另一个优点是其工作压力会较其他开发小很多。在如今的互联网公司，工作压力约等于给你的任务数量，由于前端或后端工程师的任务容易被量化，如前端容易根据页面数量和页面复杂情况来度量story point(一种在敏捷开发中评估工作量的方式，可简单理解为完成任务所需要的工作天数)，后端会被根据服务/接口的数量和逻辑复杂情况来度量story point，由于互联网行业的长期发展，开发环境、开发工具、开源工具十分丰富，其工作量度量相对准确，导致的普通开发的工作压力相对较大。而算法岗的区别在于其本身需要较多的创造能力，同样的算法可能需要不断的选择模型、调整优化参数和模型结构的过程，其开发工具、开发环境还不十分丰富，其度量的结果只能是最终算法效果。效果提升与否的原因有很多，很多适合并不能在一个较短的时间内有明显的算法效果提升，这导致算法的工作相对难以被评估工作量。还有一个重要的原因是当前人工智能的浪潮还远未到达巅峰，人工智能作为国家战略，其重要性不言而喻。而算法工程师可以说是人工智能浪潮的弄潮儿，这导致了上述的高薪等原因。算法的需要一定的数学基础，其难度相对较高，对于在学校中的优秀学生来说，选择这样的岗位，也是符合自己的一个从小的「别人家的小孩」的定位。算法工程师其实细分了很多职位，包括搜索/推荐/广告算法、计算机视觉、语音处理和自然语言处理等主要的几类。赵磊的工作内容主要是自然语言处理的相关内容，其团队的主要业务是一个智能问答机器人。是的，这是一个高大上的人工智能产品。赵磊觉得，在这里自己能够实现理想，「Make the world a better place」，让这个世界因为自己而变得更好。现实却给了初出茅庐的赵磊当头一棒，你会发现，在企业中的事情，和在学校里面很不一样，是结果导向的，你想要做一件事，那么首先要考虑它能够带来什么，如果不能有什么直接的结果，或者这个结果在短时间内是看不到的，那么没有人会支持你做。这也是为什么很多从学术界跳往产业界的学术大牛会水土不服，这样的例子太多了。
赵磊的前几个月写了很多规则模版（根据问题的出现的某些关键词，直接匹配相应的答案），因为这是短期内提高问答正确率的最快最稳定的方式。
在这样做了几个月的规则之后，不知道为什么，领导似乎觉得我们应该做一些很fancy的事情了，于是赵磊很开心，可以做一些之前学习过的机器学习模型了。训练优化模型的过程其实是比较枯燥的，特别是当你很长时间都没有效果上的提升时，一开始的新鲜感褪去之后，剩下的就是愈来愈多的枯燥。模型的效果是重度依赖于数据，在算法届有这么一句话：「数据和特征决定了效果的上限，而不同的模型和参数只是去逼近这个上限。」赵磊就是在不停的「清洗数据」->「特征处理」->「训练模型」 ->「调整参数」->「清洗更多数据」 这样的每一天不停循环。现实不总是奥特曼打小怪兽，点点鼠标，调调参数，效果提升很大的日子并不多见，更多的时候，是在无数的加班夜晚，日常灵魂拷问：训练数据是不是有问题？
这个场景是不是不太适合这个模型？
我早就觉得这个模型结构很奇怪！
相信每一个算法工程师都有这样的体验，当你的模型效果长时间得不到提升，压力自然就会出现，慢慢你会有一种无助、绝望的感觉，这时候你会想念起当初写规则、写模版的美好时光。目前算法工程师的要求越来越高，很多企业对算法工程师的工程能力的要求也是越来越高。5年前你可能不需要任何的工程能力，仅仅凭借算法能力就能收获offer，但是现在的情况是，如果你没有一定的工程能力，那么意味着企业还需要给你搭配相应的工程人员，这显然不是最优的。在校招方面，学校和学历的要求越来越高，浪潮之下的相关专业的博士生已经一批批的毕业，今年以来的大环境不是很理想，导致招聘数量没有明显提升。这无疑使得竞争愈加激烈，特别是在校招行业，相关的要求也是水涨船高。算法方面的知识更新速度更是其他岗位更难以望其项背的。举例来说，Java程序员的主要开发框架，这么多年来都还是Spring相关的这一套，而相对更新较快的前端方面，其主要的框架也是React/Vue/Angular这几种。而算法领域的模型更新超过你的想象，这意味着你更需要不停的学习、吸收相关的模型。举例来说，自然语言处理领域，可能5年前你只需要知道一些基础的机器学习模型和Word2vec就够了，两年前你需要再了解Attention结构，而如今如果你不知道大名鼎鼎的BERT，不了解其背后的Transformer，我甚至怀疑你是否能拿到任何一个offer. 不夸张的说，每一天都有新的模型推出，其中有一部分优秀模型可能会有SOTA(目前最优)的效果，如果这个模型引发了关注，那么你必须要学习它！持续学习是一项必备的关键能力之一！有些配合算法的开发同学会觉得自己是在给算法打黑工，承担了线上的故障风险，而功劳可能大部分都是算法同学的。事实上，目前很多算法工程师的工程能力太差，这是一些别的同学嘲讽算法同学的主要原因。Salaryfly认为，如果不是纯学术型的研究人员，那么还是建议有一定的工程实现能力，这不仅会对算法的落地有帮助，也会便于算法同学和开发同学之间的沟通。曾经有知乎上有人将不合格的算法工程师分为了几种类型，这也反映出目前的部分浮夸现状，其主要共同特征是对算法一知半解，满足于hello world型的算法学习，落地能力不强，主要靠PPT进行输出等等。
Tensorflow, 最流行的深度学习框架之一，起源于Google内部，有非常完整的一套工具用于生产环境部署，可能是企业界最受欢迎的深度学习框架。
PyTorch, 最fancy的深度学习框架，fork自日本的Chainer, 使用起来较为方法，语法非常的Pythonic，相对于tensorflow的较为容易上手。
Keras, 深度学习高级接口，不限定后端。其接口设计非常优雅，及其容易上手。
编程语言：
Python, 必备, 有一句流行语「Data scientist should use Python.」
Java/C++/Golang，可选，但是建议掌握。如果你需要部署模型到生产环境，考虑到各个公司的编程语言栈不同，但国内大部分是Java/C++/Golang的其中一种或几种，如果你会其中的一种编程语言，这会对你很有帮助。
SQL, 必备, 很常用，你不能不会。
常用库：
Spark/Flink, 必备, 数据处理与流失计算。
ScikitLearn/Pandas/Numpy：可选，但强烈建议掌握。这是大家都会且经常用到的工具，如果你还不会，建议尽快掌握。且Numpy是很多Python数值计算的基础库，包括Tensorflow等等。
如果你已经是或者想成为一名算法工程师，那么在接下来的2021年，建议你踏实下来，算法+工程两手都要抓，都要硬！往期精彩：
【原创首发】机器学习公式推导与代码实现30讲.pdf
【原创首发】深度学习语义分割理论与实战指南.pdf
算法工程师研发技能表
真正想做算法的，不要害怕内卷
技术学习不能眼高手低
技术人要学会自我营销
做人不能过拟合
求个在看
