大家好，我是千與千尋，一名專注于后端研發與算法工程領域的程序員，最近我的作息快趕上yp哥的作息了，不過習慣就好。

昨天晚上深夜回家發了個pyq，我大致表達的意思：誰說算法崗不加班的？活沒干完的前提下，你不得瘋狂加班的，跟似的干？

然后有粉絲說：什么，算法崗也要加班嗎？不是說算法崗相對開發崗來說，可以輕松一些嗎？加班沒開發崗那么恐怖嗎？

先直接說結論：你們可能是對算法崗有什么誤解了...

千尋目前是大廠一名研發工程師，雖然是研發，但是工作內容，后端研發，算法工程應用都有所涉及，我就自身的經歷給大家介紹一下算法崗的工作內容，算法崗的種類，以及什么樣的人適合做算法崗，對于想轉行算法崗的朋友一些建議。

算法崗是什么？

算法崗是大中型企業在已經有完整的盈利閉環系統的基礎上，需要對其盈利模式進行深度的優化，使得系統可以更加具有針對性的服務用戶目的的工程人員。

算法崗什么工作內容？

之前的文章中我曾經列舉過算法崗與開發崗位的具體工作內容差別，算法崗為包含算法工程師，算法研究員。

算法研究員：算法研究員的hc相對較少，一般僅僅在特大廠的AI lab以及AI四小龍以及獨角獸的公司會有一定的需求，當然這僅僅是針對互聯網公司的情況進行描述的，如果是進入國企或者研究所，對前沿的技術研究需求還是很多的。

算法研究員主要的是進行傳統模型準確率以及性能的深度打破，在目前的SOTA之下，SSD在COCO數據集上的檢測MAP準確率目前是75.8%，那么研究員就會想盡各種tricks來提高模型的準確性，改進網絡結構，或者特征提取方式，達到打破目前的最高準確率，從而發表頂會論文。

算法工程師：算法工程師相對研究員來說，更加接近實際的業務，將算法實際的用到工程中，從而發揮算法的效果，一般來說在實際的業務生產中，我們所使用的算法模型也都是穩定的模型，進行遷移學習，從而可以達到速度與準確率的完美結合。算法工程師相對研究員崗位來說，并不需要實際的模型突破，很對時候達到80%-90%基本就可以使用了，與研發進行配合聯調，將算法模型的調用接口化，用于工程需求中。

算法崗位的方向

算法崗位的方向還是很多的，最大的范圍之下，可以劃分為計算視覺，自然語言處理，搜索廣告推薦算法，語音算法，方向太多，很難做到所有的都面面俱到。我對我所研究兩個方向，進行一下我的心得的分享，推薦派單算法，以及計算視覺算法(CV)

計算機視覺：

其實在之前作為的計算機視覺的算法工程師，我在計算機視覺方面還是有自己的一些見解，具體可以說明為計算機視覺的算法工程師，我自己的一個感覺，為了防止杠精，我說明僅僅代表我自己的觀點，我個人其實不太看好CV方向，原因如下：

1.看似方向廣，就業崗位多，事實上市場比較飽和，toC的大模型相對來說有些已經投入使用，然而對于toB的業務，AI四小龍獨角獸公司，相對來說，已經做得十分完善，市場沒那么龐大。

2.技術相對來說比較完善，同時技術的重要性并不是很舉足輕重，對于互聯網的核心盈利方式——平臺+廣告的模式之下，圖像的地位其實并不是很重要，“說白了，不是能增加資本家資產的東西”

3.圖像識別，目標檢測，商湯和曠視做的很強，一般應用于工業界，生成對抗，圖像分割等相對來說用于互聯網的短視頻中，抖音快手中的魔法表情使用就是用GAN完成的

計算機視覺是算法崗中人很多的方向，因為很多本科生的專業是自動化，機械電子，通信工程的同學都會多多少少接觸到數字圖像，所以在研究生期間也會繼續研究圖像，也就作為CV算法崗。

推薦系統算法：

說到算法崗的大頭,也就是最為出名的"搜廣推",先說一個結論：如果現在想轉行做算法崗，或者是高年級的本科生以及碩士生還沒用找到算法崗的方向，那我建議你轉推薦算法。

剛剛我們說了互聯網公司的兩大盈利方式：

1.建立中間平臺，收取中介費，例如滴滴出行，以及美團點評等。通過建立電商的平臺，進行商家與用戶之間的匹配，促進消費。

2.掌握一定的流量，進行精準的廣告投放。

以推薦算法的結構來給大家進行一下詳細講解：

在以上我繪制了一個很簡單的電商推薦系統的架構圖，其中包括每一種流程層的算法邏輯流向。

召回層：召回預計算目標，從海量數據中多路召回預排序目標，簡單來說，選擇進入推薦模型的種子號選手，例如購買牙膏需求，牙膏的品牌以及商店有上千萬家，肯定不能所有的進行遍歷，因此會通過人群畫像獲取數據的預計算目標，模型計算量有百萬降低到百級。

過濾層：召回層進行召回的預計算目標一定會比最終推薦的目標數量要高，原因需要進行"過濾",比如存在重復推薦，或者無效推薦（商家關門，或者斷貨）

精排層：經過過濾層的過濾，進入推薦算法模型，進行推薦得分計算，以傳統的機器學習算法為例，在實際的業務系統中會存在多種復雜業務情形，簡單的機器學習模型根本無法滿足復雜的業務需求，常用的機器學習的模型是集成模型例如xgboot模型，通過采取多種關鍵特征進行決策回歸

以上就是精排層的推薦系統的算法整體框架圖，將數據集放入模型進行模型訓練，算法工程的主要職責就是上下的兩個方框：改進模型結構與優化特征工程。

改進網絡模型結構: 以xgboost為例，其內部包括多個決策樹，決策樹的數量,以及學習率的大小都可以改進特征的學習率，從而在同等數量的特征之下可以達到更高的效果

優化特征工程：相比于改進網絡結構，特征工程則是通過增加特征的種類，特征的數量，比如從原來年齡+性別來推薦商品，到最后使用年齡+性別+愛好數碼進行商品的推薦，顯然在增加了愛好的特征后可以進行更加精準的推薦，以此類推，優化模型的性能。

混排層：相比于精排層，混排層的不是單單注重準確率，而是有意去放出"負樣本",也就是用精準推薦去帶動其他的推薦，比如推薦買大米的商品，順帶推薦豆油，從而獲得更多的收益。

強規則：根據運行嗎，比如有一些需要進行強制的置頂，是進行人機交互的主要窗口。

算法崗的性能提高驗證測試

1.對于算法的模型測試來說，線下使用可以使用測試數據集進行測試，測試改進模型的準確率。

2.但是實際的工業生產環境中更多所使用是線上AB測試，其具體的架構圖：

線上AB測試，其原理是將算法模型的不同改進版本，進行的對照，畢竟這實踐才是檢驗真理的唯一標準，只有線下模型準確率再好，一到線上就崩也是涼涼啊，因此需要模擬100%的線上業務情形，所以進行”控制變量法"進行算法模型的性能對比。

采用流量分流閥，將全部的流量進行等分為4份，基礎桶為最基本模型，等于模型的basekline，其他的幾個版本的對照桶中放入改進的模型，在同樣的流量之下，對比模型的優劣。具體的對比指標有些復雜，總之采用控制變量法進行模型的對照。

算法崗適合什么樣的人？選擇什么樣的算法崗比較好？

算法崗位相對于來說，競爭力比較強，因為算法崗的薪資是互聯網食物鏈的頂端，對標金融領域的券商投資銀行崗位，所以算法崗的競爭壓力會大一些，不過薪資與競爭壓力是成正比的，也是值得的。

算法崗適合喜歡做研究實驗的高年級本科生或者碩士研究生，算法崗需要不短的追最新的論文，努力將學術界或者工業界的最新成功轉化為實際的業務系統中去。

算法崗的性能提高驗證測試

對于技術有執著熱愛的比較適合算法崗，其實程序員這個領域都差不多，都是需要終生學習的打工人。

針對以上我提到的兩種算法崗位，可以說目前計算機視覺算法崗的需求迭代更類似開發崗位，而推薦系統的”搜索廣告推薦“可能更加有研究的價值。

最后無論算法崗也好，研發崗也很好，好好做哪行都行的，程序員領域各司其職，不存在鄙視鏈，一起沖！

我是千與千尋，我們下期見！

???

END

往期精彩回顧適合初學者入門人工智能的路線及資料下載(圖文+視頻)機器學習入門系列下載中國大學慕課《機器學習》（黃海廣主講）機器學習及深度學習筆記等資料打印《統計學習方法》的代碼復現專輯 AI基礎下載機器學習交流qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的科普：算法岗是什么？我适不适合算法岗？选什么方向的算法岗？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。