如何看待 2022 年秋招算法岗竞争如此激烈?

阿泽的学习笔记

共 3550字,需浏览 8分钟

 ·

2021-05-19 17:03

知乎原问题链接:https://www.zhihu.com/question/409409134

关于算法岗位应聘方面的激烈竞争,从18年起就不断有类似的问题提出。这篇回答总结了一些我们在AI落地,产品化方面的经验和思考,希望能给在校生或初入职场的同学对于这类问题一点不一样的看法角度。

从商业价值出发思考技术方向

关于为啥算法岗这么“卷”大家都讨论了挺多了。这里有个比较重要的原则是技术最终是要为需求服务的,这往往是在学生时代大多数人并不会意识到的一个点。对于有志于从事算法方向的同学来说,可以在学习了机器学习基础知识后,多多从真实世界的需求出发,来思考有什么可以产生商业价值的应用。

比如学了猫狗图片识别后,就来想想能做个什么类型的应用,你自己会愿意为之付费购买?比如搞个摄像头对着小区入口,识别老爸老妈是否回来了好及时关掉正在玩的游戏 :) 有了点子之后可以去做一下项目来进行尝试,看看收集数据的难度多大,训练模型的开销如何,跟摄像头协同工作的部分好不好写,最终运行起来效果是否可靠稳定等等。这么一套做下来,起码对算法如何真正在业界落地有了一些初步的感觉,也对算法工程师具体能力的综合性要求会有些初步了解。

对于商业价值,还可以继续深入思考和推算,比如全国有这类需求的人有多少,愿意付多少钱?用户场景的区别有多大,能否批量化复制?对数据,算力,开发投入方面的成本有多高,能否形成一个有效的商业化场景?如果你对算法某个方向的应用和行业前景做了深入的思考,那么也大致可以判断出这个方向“内卷”的程度如何了。如果商业场景不多,但大家都往这个方向钻,那也难怪公司不怎么招人,然后招人的要求和面试难度高破天际了。

只要是商业公司,就肯定要以盈利为目标。所以在大方向的选择上,同学们还是需要考虑商业的根本,经济模型是否成立。公司愿意付钱不是因为你能手撕SVM,而是切实能把算法模型落地,给业务带来价值产出。

算法是个Team Sport

还有一个比较常见的学生思维是做纯技术,纯算法是最厉害的,属于“鄙视链”的顶端,这其实是典型的单维度思维陷阱。前面已经提到了算法工程师本身能力的综合要求,而在大家越来越重视算法落地的今天,业界也越来越意识到算法是个“团队运动”,需要各种角色的通力协作,而且重要度丝毫不亚于技术。在实际项目中,对于业务和数据的理解,对产品的形态设计,对整个项目的把控管理,对工程化交付的基础设施支撑,对质量保障体系的建设,对法规条款,审计要求的满足,都起着非常重要的作用。而算法嘛,其实只是整个项目中非常小的一个部分,甚至很多项目都会以最简单的规则模型起步,都不需要用到机器学习也能产生很好的业务价值。个人感觉在AI技术本身火热的今天,在这些方向上其实还是有非常大的机会和人才需求的,感觉要招到一个有经验有能力的数据架构师,AI产品经理,项目经理,业务专家甚至比找个算法工程师更难。

所以直白一点说的话大家也不用只盯着算法岗卷,可以结合自身的优势和性格特点,选择一些相对“蓝海”的职位目标,一样会有很好的个人发展和成就回报。而且像产品,项目,业务方向很多时候其实离公司的商业根基更近,也有很多综合能力的要求,对后续想走管理路线的同学来说是个非常不错的选择。

对技术的独立思考

还有一个比较有趣的现象是对于新入行的很多算法同学,在做了一阵子公司业务后会开始怀疑算法模型的价值,比如好像80%的时间都在处理数据,模型跑出来效果差还很难查原因,为了上线还不如快速垒一些规则,进而衍生出一些想换组,换方向,换公司,去搞“真正的技术”的想法。不光算法,互联网企业中也有很多做具体业务的同学也总觉得自己在做“杂活”,非常向往做底层系统,中间件方向的同事。

但实际上,大家还是要从根本的价值出发去看待和思考自己做的方向,而不是从是否经常在公众号上看到相关文章,学术界发的文章数量,公众的追捧程度来判断自己做的是不是“真正”的技术。模仿与从众天生会给人安全感,但做技术除了努力,同样也少不了勇气与真意。举两个简单的例子,当年神经网络“寒冬期”的时候,可能无论工业界还是学术界的声音都很少,但如果你通过自己的思考和推演,看准了深度学习技术能够在替代人工特征工程,提升模型表达能力上限方面最终发挥出巨大的作用,那么就应该坚持去做。再看最近吴恩达的MLOps讲座中提到的,如今99%的机器学习方向论文都是在讲模型,但如果你在实际工作中发现业务和数据才是算法应用的关键,也需要花费更多的时间精力,那就完全可以把主要精力投入在这方面的框架性体系性思考上,作出更有业界应用价值的研究和贡献。

大家经常说的一句话,坚持做正确而难的事情,在技术领域也非常适用。在吸取当今发达的信息传播的各种养分基础上,我们仍然要努力培养独立思考的习惯。不要低估技术在长时间周期中能够带来的影响。现实世界的问题都是复杂的,需要我们持续的去探索,思考,总结,迭代。那些长期坚持,开辟出了自己的道路,构建出精妙的体系和框架,从更高维度来把问题很好的解决了的人,也就成了所谓的大牛。

算法不止搜广推 科技公司不止to C

延续上面的话题,其实仔细观察,会发现算法应用在互联网之外的应用还处在刚刚起步的状态,有大片不“内卷”的领域等待着大家来开拓。例如我们观远数据所在的to B数据智能领域,从业务上和技术上来看都有非常多的想象空间。

以往大家普遍会觉得只有to C大厂才是真正的硬核技术,但近年来的to B趋势其实也发展的相当火热。美国在to B领域头部10家公司(例如Adobe,Salesforce,Zoom等)的总市值超过了万亿美元,而中国目前头部10家to B企业的总市值不过1300亿,有非常大的成长空间。国家政策规划,各类投资机构也越来越重视to B产业互联网,智能化,非常有希望在这个方向诞生出几十家上百家万亿级别的创新企业。能亲身参与到这些浪潮中来,为中国的数字化智能化转型创造一份价值,也有机会获取巨大的影响力,财富回报,也是令我们观远人兴奋与自豪的地方。

从技术上来看,我们也跟互联网的搜广推,或者CV这类感知智能有一些不同,尤其是在认知和决策层面的智能化,会需要设计各类组合/运筹优化算法,思考如何高效结合业务经验的知识表达与推理,通过异常检测,模型解释,仿真等技术从数据中挖掘更多insights,利用AutoML技术在各类垂直领域做低成本的模型构建,并开发高效强大的MLOps系统帮助企业运维管理整个业务链路上成百上千个模型等等,各种激动人心的技术前沿开拓。我也将日常工作中的一些技术思考整理发表在了知乎专栏中,有兴趣的同学可以移步:https://www.zhihu.com/column/zijie0

作为创业公司,虽然像稳定性,福利不一定能与大厂媲美,但同学们会有更多的机会从零到一去构建一个技术方案,端到端的参与业务线发展,解决很多前人从未遇到过的复杂现实问题的机会,对于个人成长,开拓视野来说也是很有吸引力的机遇与挑战。

是的,我们在招人

说了这么多,最后还是不能免俗打个广告。目前我们公司业务发展挺不错,服务了包括联合利华,百威英博,沃尔玛,LVMH,全家等行业头部客户,而且还有很多新客户机会在进展中,观远在消费零售领域已经是国内最顶尖的数据智能解决方案提供者之一。另外今年刚融了B+轮,独秀资本领投,老股东红杉,襄禾,线性全面跟投,可以看得出来我们还是很受资本市场的认可与青睐的。

观远的算法产研团队也是超高的人才密度,豪华的阵容配置,例如有来自CMU,帝国理工,UW,UIUC,阿尔伯塔,哥伦比亚,上交,浙大等等的优秀毕业生,排名Kaggle全球top 0.5%的大佬,也有许多十年以上to B软件行业经验的老兵,曾就职于微策略,阿里云,蚂蚁金服,微软,第四范式等知名企业,在算法,研发,产品设计,项目管理等方面都有各类大牛引路。在业务线上,日常工作中也会与非常多来自知名咨询公司,行业头部企业的业务专家,数据分析及解决方案架构师等同事通力协作,以更深入的商业逻辑理解与领域know-how,设计出算法落地的行业最佳实践。

具体的招聘职位包括算法工程师,前端工程师,后端(Java/Scala)工程师,AI产品经理,AI项目经理等,如果有更多细节想了解的,欢迎直接联系我(微信:zijie0,邮箱: yzhou@guandata.com)。也欢迎推荐身边优秀的朋友,一起来做一些有意思有挑战的事情!


浏览 34
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报