最差的算法工程师能差到什么程度？

点击下方卡片，关注“新机器视觉”公众号

重磅干货，第一时间送达

编辑：Amusi  |  来源：知乎

https://www.zhihu.com/question/347545092

本文仅作为学术分享，如果侵权，会删文处理

你见过最差的算法工程师能差到什么程度？

作者：Guosheng Hu
https://www.zhihu.com/question/347545092/answer/934820526

真事。

这周面试了一个候选人，面CV/DL/AI的TechLead。简历很牛逼，做过很多CV的工业项目，涵盖detection, OCR, face recognition, fire/smoke detection等好多项目. 给我们讲了45分钟做得项目，讲得很自信。我挑了一个大项目，我说你在这个项目中的贡献是什么？他说整个项目的所有算法部分都是他实现的。

OK,我开始进行深度学习的技术面。

我先问了两个深度学习的中等难度的问题，他都说不知道。有点冷场，那我赶紧问点简单的吧。我说，深度学习网络，进行分类时有哪些loss?他犹豫了一下，回答: relu.

瞬间把见过大场面的我还有同事都震住了。

作者：王喆
https://www.zhihu.com/question/347545092/answer/864222675

我们组一个年轻的印度小哥，UCSD毕业的，按说教育背景也不错，写model serving过程中的一步。每个request开20个线程计算。

我说你一个m*n复杂度的过程，m和n还都小于100，有必要开20个线程计算吗？你那线程开销绝对比并行计算收益大多了好吗。不听，给我说（大概意思）：

并行计算比较cool，老老实实写那个过程太boring。

行吧，不听不听吧，自己折腾去吧。

过两天给我说load test的时候server的latency翻倍，我一看线程数都超过JVM上限了能不翻倍吗。

讲这个倒不是想取笑这小哥，而是跟大家讨论一个问题，就是什么是比“技术上最差”更糟糕的情况。

如果你只是基础差，但总体上是一个严谨的人，其实到不那么麻烦，就是按部就班的学习，按部就班的积攒工程经验，无论是哪个领导还是老同事应该都是乐于帮助这样的年轻人的，因为总体来说你还是在解决问题，哪怕速度慢一点，你总归在成长，而且是让系统整体混乱程度降低的。

最差的算法工程师其实是什么呢？是自己对技术的感觉很差，但对自己的感觉挺好，试图用一些比较fancy的手段解决问题，但实质上引入了更高的系统复杂度，增加了系统潜在风险，这样的人，其实对整个团队是负能量的存在，始终需要更senior的人帮着擦屁股，这无形增加了整个团队的工作量，这就是最差的算法工程师。

我特别喜欢的一句话是：

“不带评论的观察是人类智慧的最高境界”

希望刚入行的算法同事们能够知道这句话的意义，其实公司不急于让每个人都发表意见，在自己技术能力不那么足的时候，不带评论，不带主观情绪的去学习一段时间，好好思考一下别人为什么要做出这样的技术决策，好好积攒一下自己的技术感觉，这是最重要的。相信度过最初的积累阶段之后，你能够为团队做出，为整个系统做出“熵减”的技术决策。

作者：胡津铭
https://www.zhihu.com/question/347545092/answer/1212688723

先歪个题，从反面回答一下，我碰到什么样的算法工程师会认为他/她是优秀甚至是卓越的大佬，并选择紧紧抱住大腿不松手。之前与@熊风学长还有很多来自不同公司的前辈们讨论过这个问题，本文很多观点也是来源于他们，这里也感谢大家的指点。总得来说，以下几个特点是我特别留意的，如果碰到了我就会认为这位很厉害：

1. 基础非常扎实。问他/她一些比较经典的算法，能够很清晰地说出算法的特点、适用的场景、坑点、里面的细节等等。

2. 工程能力很强。我是一位“工程狗”，自己的工程能力很菜，但对工程能力强的同学非常崇拜 Orz 如果碰到一位算法工程师的工程能力很强，仅凭这一点，我就认为他/她基本上一定是大佬Orz

3. 重视代码的测试。算法岗的工作并不完全就是调参炼丹，往往也是需要去写一些代码的，例如写些spark/sql代码获得特征，写模型等等。既然是写代码，就可以而且应该在其中加上测试。实际上，根据我的经验，如果碰到某个其他地方好用的模型在自己的场景下效果很差（不reasonable得差），那很可能是数据、特征的处理代码有问题，或者模型的代码有问题。这种问题可以用单元测试（断言等）来提前发现，也可以用一些sanity check来发现。

4. 对场景业务的认识很深刻。软件工程没有银弹，机器学习也没有银弹。用什么样的特征、什么样的预估目标、什么样的评价指标、甚至什么样的模型，这些东西都是要与场景业务结合的。换言之，工业届里，业务先于技术。很多大神在这个方面做得尤其出色。

5. 在实际场景中，注重先把整个pipeline搭建起来。个人认为，这一点在实际应用中往往应该是最优先的。搭建起来之后，机器学习系统的上下游也都可以工作，也可以更好地判断系统的瓶颈所在，把好刚用在刀刃上。这其实就与做开发的程序设计一样，较早地抽象出比较好的接口、搭建一个系统原型是很重要的。

6. 能够持续学习新的知识，跟踪最新的成果，对各种模型的motivation有自己的理解，有自己的insight与vision。这里举几个我自己学习过程中碰到的例子来说明一下这点。例如，推荐系统中，在Youtube 16年的推荐paper中，为何step1和step2的优化目标是不一样的？人脸检测中，MTCNN为何要分为多阶段？landmark检测中，3000FPS为何要分为两个阶段？（这些是设计相关的motivation）Google的wide&deep为何在Google store的场景下效果好，而在其他的场景下效果不一定好（这是对场景的motivation理解）？文字检测中，PixelLink为何要引入link？OCR中，CRNN为何要引入一个RNN？机器学习系统中，LightGBM是如何针对xgboost存在的哪些缺点进行改进的？（这些是对改进的motivation理解）我认识的一些大佬们会主动结合文章思考这些问题，有的时候会有与paper所claim的不同的理解（毕竟写paper的story很多时候也不一定靠谱，大家都懂），甚至还会做实验验证自己的理解。然后拿这些问题来考我，在我思考不出来后再告诉我他们的理解与实验结果Orz

7. 做多数实验之前有自己的假设，根据实验结果会根据实验结果做进一步实验，或修正假设、或进一步探究。

8. 自己参与的项目，对其中与自己比较相关的内容的细节比较清楚，自己负责的部分能够了如指掌。

9. 能系统性地分析出机器学习整个系统的瓶颈所在，并提出相应的解决方案。当系统效果不好的时候，知道如何去debug，找到问题所在，改进系统的性能。这方面是我个人尤其欠缺的点。

相应地，这些也是我要努力提升的地方。如果我是面试官，我想我也会从这些方面去考察算法工程师的候选人。当然了，以上几点不一定要面面俱到，例如很多大佬不一定工程能力很强，但仍然可以做出很好的东西。换言之，上述特点的precision应该很高，但recall不一定特别高。不过，在我看来，与以上描述相反的算法工程师，即基础不牢、工程差劲、不做测试、不怎么考虑场景、在搭建起pipeline之前过早地沉迷于某一步的优化、不学习新东西、拿所有实验当黑箱炼丹等等，这样的算法工程师（其实就是我了）在我看来就比较一般。而差劲的算法工程师，在我看来，是不仅这些方面做不好，还瞧不起这些方面的人。

作者：LinT
https://www.zhihu.com/question/347545092/answer/865893798

强答一波，讲讲在学校或网上见到的现象(AI方面，严格来说，这些人放到今天的行业标准下，基本不可能成为一名算法工程师)。

(纯属吐槽，请勿对号入座)

百度百科型选手/PPT选手：常见于各类创新竞赛、课程答辩，张口闭口一定是「人工智能」「神经网络」，上来一定要气压群雄，尽管对各类AI问题的进展没有任何了解，但是在他们这里，各种算法一定是封装好了，准确率100%，拿来就可以用(plug-and-play)的。什么文本情感分析做舆情监控啊，人脸识别智能面试啊，不在话下，章口就来。

博客型选手：大概率尝试过Andrew Ng的网课，但大概率没看下去，手里一定有一本Python深度学习，对原理不求甚解，数学公式大概都不想看，论文不想读，辗转各个博客网站希望找到一个好一点的解读；跑了一通实例代码，很有成就感，可能会在某个博客网站发布一篇博客，标题诸如《自然语言处理入门-XXX》，成功为网络贡献一篇与其他博客雷同率90%的文章，虽然文章名字像是一个系列，但是相信我，他大概率不会再发布同系列的文章了。

Github选手：常常和PPT选手合作，拿到需求，「人脸识别是吧？」，Github一搜，好多仓库，全克隆了再说；挑挑拣拣，调试了半天，依赖装完代码跑通了(没有error)，任务完成，功德无量，接下来的任务交给其他队友！

AI+型选手(教师)：传统方向出身，没有学过ML/DL，在AI兴起以后，把DL当万精油用，深度学习预测地震啊，深度学习验证软件啊...管它什么数据驱动不驱动，经费拿到手就行了。这类老师对AI的认知可能和PPT选手差不多，比学生多的本领就是写本子、打招呼了。带一个PPT选手加一个Github选手，基本上可以在各类创新竞赛/项目中拿到还不错的成绩。

名词流选手：行走的AI术语词典，讨论问题时就喜欢堆砌名词，但从不解释，故弄玄虚，让外行有一种「不明觉厉」的感觉，其实一些言论根本经不起推敲。

潮流型选手：走在AI潮流前列，除了最新的算法，其他的都是垃圾，「不加attention？你这算法不行！」，「2019年了，还用概率图模型？！」这类人对算法应用场景一无所知，对新算法的狂热程度堪比娱乐圈流量小生的疯狂粉丝们。

何去何从型选手：多半是半路出家，转行想做AI的，但是奈何基础弱，一心只想挣大钱，所以会很迷茫，于是到知乎抛下一个问题：「非cs科班可以学xxx吗？」「本人xx，应不应该xxx？」。奈何这类问题没有什么深度，基本得不到什么可以参考的回答。这类人问题不在没有基础，而在没有主见。

(别打我...)

作者：盛夏的果核
https://www.zhihu.com/question/347545092/answer/840206839

EMMMMMM，原回答不够严谨，下文所说的仅为AI算法工程师。

————————以下为原回答———————————

0级算法工程师——只知道神经网络和几个名词，这一级的人一谈到算法和人工智能，无脑牛逼(或无脑diss)就完事了。

1级算法工程师——拜读过西瓜书/小蓝书/花书，看过算法视频教程，对算法基础知识有一定的了解;掉过几个算法包，跑过几个模型和典型数据。这一级通常是调包侠，调参怪。口头禅:xxx算法模型是真的强!实际上对于算法原理思想一无所知，看的书也只是囫囵吞枣。

2级算法工程师——参加过一两个算法竞赛/项目，跑过知名的几个效果好的算法模型，并且获得了中规中矩的成绩(前10-20%)。此时认为算法不过如此，数据处理、特征构建、模型选择无非那么几种套路，仅仅靠着模型融合和毫无想法的数据处理过程来上分。这一级充斥着大量的校招算法工程师，承担着大中厂算法岗炮灰的角色。

3级算法工程师——参加一些算法竞赛并获得比较靠前的名次，对于使用的模型和方法有叫深入的理解，竞赛中存在独立和较深刻的思考。或者有关于算法项目相关的论文。这一级在基础算法能力上来说已经过关，可以找到还不错的工作。比较容易担忧的是自身的工程能力。

4级算法工程师——除了比较扎实的算法基础外，还有比较不错的工程能力。不仅理论知识过关，同时能将算法结合到业务场景、实际项目当中去，并对算法本身进行一定的更改以适应背景。这一级的人已经能成为offer收割机了，往往能拿到心仪的offer。

(我认为四级已经是绝大多数算法工程师的上限，对于工程师来说继续升级需要的是对相关业务的理解、敏锐度和工程能力了，超越了“算法”本身的范畴)

…………

N级算法工程师

对于现有的算法进行创新和改进/开发算法框架造福AI领域等造成比较大的影响的巨佬。这一级答主根本无法想象那种高度，实属算法领域的大牛级人物。

本文仅做学术分享，如有侵权，请联系删文。
—THE END—