百度演算法工程師工作流程

A. 如何成為一名合格的演算法工程師

BAT企業的演算法工程師是這樣工作的：問題抽象、數據採集和處理、特徵工程、建模訓練調優、模型評估、上線部署。（具體操作可以看阿里演算法專家chris老師的演算法工作流視頻演算法工作流是怎樣的？）而一個演算法工程師真正值錢的地方在於問題抽象和上線部署這兩個。

B. 怎麼樣成為一個演算法工程師

看看招聘演算法工程師的要求大概能知道一些情況：
華為：無線RTT（無線傳輸技術）演算法工程師
主要工作職責
1．根據各無線產品（包括WCDMA(含HSPA)/CDMA2000/Wimax/GSM(EDGE)需求,分析和設計基帶演算法及其性能。
2．參與無線產品系統測試,外場測試,定位並分析問題。
3．參與LTE(S3G)/AIE/E-HSPA/GERAN標准演進的物理層技術提案工作。
4．與各無線產品RRM演算法人員，網規人員合作，共同完成跨領域的演算法分析研究和系統性能分析工作。
職位要求：（一）通信知識
1．碩士及以上學歷，通信、信號處理或相關專業畢業（很優秀或有豐富演算法分析經驗可以放寬到本科）。
2．掌握信號處理技術，隨機系統理論和信號檢測理論，通信原理等技術。
3．熟悉無線通信系統原理，特別是蜂窩無線通信系統。
4．了解無線資源管理的基本知識，如切換，功控等。
5．了解無線網路規劃的技術，特別是容量，覆蓋相關的知識。
（二）個人素質
1．對演算法研究有濃厚興趣和求知慾望，有意在這里長期發展。
2．有良好的領悟能力，對工作精益求精的精神，強烈的責任心。
3．有良好的團隊意識和合作精神。
（三）其他要求和說明
1．有在國內外公司相關核心部門工作經歷和成功經驗的人優先考慮。
某搜索網站:職位名稱：資深搜索演算法工程師
職位描述：1. 針對公司搜索業務，開發搜索相關性演算法、排序演算法。
2. 對公司海量用戶行為數據和用戶意圖，設計數據挖掘演算法 。
3. 進行關聯推薦、個性化搜索技術的研發。公司簡介：公司成立於2003年，擁有注冊會員1.7億；2009年全年交易額達到2083億人民幣，是亞洲最大的網路零售商圈。網站占據國內電子商務80%以上的市場份額。公司子平台作為一站式購物搜索引擎，自上線以來，已經成為這個領域內的領軍力量，它最終將會為消費者提供從商品搜索、購物比價甚至在線支付的全流程購物服務。公司採用行業領先的搜索技術，網羅最受歡迎的C2C、B2C以及團購網站的所有線上商品，同時將各類導購資訊一網打盡，為用戶提供便捷的一站式購物體驗；貨比N家，。公司有著千萬台伺服器24x7的積累和計算海量的用戶購物行為以及商品銷售數據，為消費者提供可持續提升體驗的個性化商品推薦；創新的手機應用讓購物隨時隨地。 歡迎對網路購物體驗，搜索技術，大數據量並行處理，分布式存儲與計算，大規模集群通訊，自然語言處理, 機器學習，商品推薦演算法, Android/iOS移動應用開發等感興趣的朋友加入。崗位職責：1、3年以上相關工作經驗。 2、熟練掌握C/C++或java語言。 3、了解Unix/Linux環境下開發環境、熟練應用Perl和Unix Shell等其中一種語言； 4、熟悉信息檢索理論，了解常用的數據挖掘技術。 5、深入理解機器學習理論，了解自然語言處理技術者優先考慮

C. 如何成為一個深度學習演算法工程師

隨著技術的成熟，人工智慧越來越被應用到醫療領域。能夠「讀圖」識別影像，還能「認字」讀懂病歷，甚至出具診斷報告，給出治療建議。這些曾經在想像中的畫面，逐漸變成現實。
作為人工智慧最稀缺的人才之一，深度學習工程師面臨近百萬的缺口，成為了各大企業競相爭奪的香餑餑，月薪大都在30K-80K之間。越來越多的程序員、院校學生開始學習深度學習演算法。
深度學習工程師的崗位職責有哪些？
深度學習的概念源於人工神經網路的研究，主要通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。
近些年，深度學習在語音識別與計算機視覺領域取得巨大成功，極大推動了人工智慧的發展。越來越多的企業開始重視深度學習，招聘崗位數量也越來越多。
那麼深度學習工程師的主要工作內容是什麼？有哪些崗位職責呢？主要有以下幾個方面：
1) 負責項目中深度學習相關演算法的研究、實現與調試。比如自然圖像分類、人臉檢測識別、文本識別(OCR)等相關領域的演算法和模型研發，以及優化識別引擎、提高識別效率及成功率等。
2）負責針對項目需求，選擇合適的學習框架如TensorFlow、 Caffe、Theano等進行開發和調試，完成數據獲取→數據分析→模型訓練調優→模型上線完整流程，並對流程中的各種環節做不斷優化。
3）利用深度學習的技術進行前沿人工智慧技術研發，在開放環境下、復雜場景中的探索式學習、多任務協同學習等，攻克業務中的復雜問題。
如何成為一名優秀的深度學習研發工程師
隨著深度學習技術的發展，越來越多的企業開始布局計算機視覺、圖像識別、語音識別、自動駕駛等領域，這方面的人才缺口也越來越大。很多剛接觸深度學習的同學，可能會有疑問，到底掌握哪些技能才能成為一名優秀的深度學習研發工程師呢？
首先是演算法能力。在大多數企業里，深度學習研發工程師需要負責從演算法設計到演算法實現，再到演算法上線這一個全流程的工作，所以演算法能力是所有深度學習研發工程師都需要掌握的。
其次是編程能力，熟練掌握python/c++編程，至少熟悉tensorflow或者pytorch一種深度學習工具,能夠進行深度學習各類模型架構使用和設計。
再次是其他人工智慧技術。未來人工智慧產業發展越來越快，深度學習將會扮演非常重要的角色，很多時候需要深度學習與其他人工智慧方法相結合才能完成。我們將會看見越來越多的混合系統，其中深度學習可用於處理一些棘手的感性任務，而其他的人工智慧和機器學習技術可用於解決問題的其他部分。未來深度學習、人工智慧有革命性的理論突破，更有可能來自交叉領域。
深度學習架構師成長指南
目前我國的人工智慧行業發展迅速，但是從事深度學習研究的工程師卻很少，尤其是深度學習架構師方面的人才非常緊缺。
我們知道，系統架構師主要負責設計系統整體架構，從需求到設計的每個細節都要考慮到，把握整個項目，能對常見應用場景能給出最恰當的解決方案，使設計的項目盡量效率高、開發容易、維護方便、升級簡單等。
而要成為一名深度學習架構師，除了上面的內容之外，還需要擅長機器學習開發技術和實踐。
當業務規模和復雜度發展到一定程度的時候，機器學習一定會走向系統化、平台化這個方向。
這個時候就需要深度學習架構師根據業務特點以及機器學習本身的特點來設計一套整體架構，包括上游數據倉庫和數據流的架構設計，以及模型訓練的架構，還有線上服務的架構，建立機器學習訓練、預測、服務穩定高效運行的整體系統等等。

D. 演算法工程師要學什麼

所謂演算法工程師，首先需要是一名工程師，那麼就要掌握所有開發工程師都需要掌握的一些能力。有些新手對於這一點存在一些誤解，認為所謂演算法工程師就只需要思考和設計演算法，不用在乎這些演算法如何實現，而且會有人幫你來實現你想出來的演算法方案。這種思想是錯誤的，在大多數企業的大多數職位中，演算法工程師需要負責從演算法設計到演算法實現再到演算法上線這一個全流程的工作。所以作為一個演算法工程師，首先要會編程，你的編程語言一定要熟練掌握。當你熟練掌握編程語言以後，還要認真研究機器學習理論以及概率與數理統計方面的知識。慢慢進階到架構設計以後，你才向演算法工程師邁出了堅實的一步。

E. 演算法工程師是青春飯嗎以後的發展路線是怎樣的

演算法工程師不是青春飯。

在入職的年齡中，演算法工程師的入職年份越多，就有越多的公司要你。由於演算法工程師對於知識結構的要求比較豐富，同時演算法工程師崗位主要以研發為主，需要從業者具備一定的創新能力，所以要想從事演算法工程師崗位往往需要讀一下研究生，目前不少大型科技企業對於演算法工程師的相關崗位也有一定的學歷要求。

提到人工智慧，就不得不提人工智慧領域最炙手可熱的演算法工程師。演算法即一系列解決問題的清晰指令，演算法工程師就是利用演算法處理事物的人。演算法工程師主要根據業務進行細分，常見的有廣告演算法工程師、推薦演算法工程師、圖像演算法工程師等等。

但作為熱門領域和人才供不應求的人工智慧，開出的薪資依舊讓人羨慕眼紅。獵頭Jony表示「人工智慧科班出身的博士，50萬年薪僅僅是起步價，優秀的開到80萬、100萬都不一定能搶到。」

F. 演算法工程師應該具備哪些工程能力

作者 | 木東居士

來源 | Data_Engineering

最近看了 Milter 的《演算法工程師究竟需要哪些工程能力》這篇文章，有所感想，因此也寫一篇關於演算法工程師的技術能力的問題，和大家分享一下居士關於演算法工程師的技術能力的觀點。

對於一名優秀的演算法工程師，他（她）要具備的不僅僅是出色的技術能力，也要有很深的業務理解能力和對外溝通能力，總之，要求可以很高！

但是，從職責能力的劃分上來講，演算法工程師首先是一名工程師，因此本文主要從工程能力要求上進行一些探討。

開始之前先放一份思維導圖，這將是這篇文章要分享的核心內容：

工程能力概覽

演算法工程師，從名字上我們就能看出，一名演算法工程師首先應該具備演算法能力和工程能力，我們可以認為這是基礎的技術能力。由於現在開源技術的普及，Sklearn、Tensorflow 和 Spark ML 基本已經成為大部分演算法工程師標配的工具庫了，因此，熟練的調包能力也是決定了一名演算法工程師能否快速實現需求。

其次，在真實的生產環境中，演算法的落地會遇到各種各樣的業務場景和數據環境，這也要求演算法工程師需要具備Pipeline 構建能力，將整個生產環境中的數據流和模型打通。同時，在生產環境中，會出現各種「疑難雜症」等待你去解釋，比如說為什麼實驗效果特別差？為什麼模型效果不穩定？這就要要求演算法工程師需要具備一定的數據分析能力。

很多時候，你會發現，你用在數據分析和Pipeline構建上的精力可能占據了你8成以上的工作內容。

當你具備了上面的能力時，你已經可以稱自己是一名演算法工程師了。此時，你可以去對著數據分析小得瑟一下：「你看，我能構建整個模型的Pipeline，你卻只能拿到別人提供的數據後調調包吧。「或者，你也可以去找開發得瑟：」你看，我懂了很多演算法哦，你就只會寫代碼吧。「

得瑟完之後，我們還是回歸正題，演算法工程師只具備這樣能力是否已經夠了？答案當然是不夠的。由於不同公司的團隊成熟度不同，工具化和流程的成熟度都不同，這就會對演算法工程師有不同的要求，比如說模型發布能力和報表開發能力，當然也會有一些其它能力，雖然可能不是特別重要，但是當這些工作沒人幫你做的時候，演算法工程師可能依然要承擔起這些工作內容，比如說灰度測試的能力、負載均衡的能力等等。

將上面的內容整理後，就是這樣一份思維導圖了（一張圖多看幾篇更能加深印象，因此我再貼出來一遍）

工程能力詳解

一、基礎能力

演算法能力

演算法能力就不多說了，演算法工程師的基本能力要求，不懂演算法對於一名演算法工程師來講是不太合理的。這里居士把統計學的內容也放進來了。

編程能力

編程能力主要分為兩部分：

調包能力

大家雖然會調侃調包俠，但是說實話，能調包調的很溜的人，也是不多的，比如說現在讓你自己用tensorflow構建一個復雜網路，不能google，你能寫出來嗎？能記清楚用法嗎？

二、核心能力

Pipeline 構建能力

Pipeline構建能力，這里想表達的更多的是整個數據流的構建能力，數據從日誌->特徵->模型訓練->反饋，這一個鏈條能否完成的能力，這裡面會有很多難題需要克服。比如說：

很多時候，模型發布之類的工作是可以由其他同學支持完成，但是數據流這種問題更多的是需要演算法工程師來解決的。

數據分析能力

這里的數據分析能力不是指商業分析或者業務分析，更多的是指特徵分析、演算法效果分析和各種異常問題定位分析的能力。

很多時候，兩個演算法工程師能力水平的強弱從數據分析能力上也能窺得一二。

三、輔助技術能力

輔助的技術能力是指，你會不會的影響不會特別大，但是也都是有用的能力，特別是不同公司的發展情況不同，很可能會出現一個演算法工程師既要做數據接入、又要做數據清洗、還要做演算法平台

也要搞前端、還要負責模型上線、系統運維。

這里就不再細講了。

思考一

聊一下對技術能力、工程能力和數據分析的思考。

居士個人的理解，技術能力更多的是偏向於一個一個的技術點，而工程能力更多就是在一個團隊中將項目做好的能力。很多演算法出身的工程能力不行，那麼他做的單純的一個模型是無法應用到實際生產中的，而工程就是指把理論落地實際生產的過程。那麼工程包含了什麼？它包括了系統架構設計和模塊設計、數據流搭建和平台搭建、調包或演算法開發、分布式、上線以及各種落地的代碼開發。報表和監控，其實本質也是做數據流，邊緣性的可能要做些後台和前端的開發。

然後數據分析能力是什麼？數據分析（不是純粹的數據分析）除了分析方法論和套路外，是一個很綜合性、相對偏軟一點的能力，比如說你通過分析發現了我們的系統有哪些可以優化的點，通過分析發現了問題的原因是什麼，這些都是分析能力。

思考二

針對前面的內容，和 Cathy 討論後，對整個思路做了新的梳理，大家直接看圖就好，居士也認為這樣描述可能更為合理。

思考三

這里再補充一個模型復現的能力，比如你看了一篇論文，發現這個模型可能很適合自己的業務場景，那麼你是否能力將論文裡面的模型快速用公司現有的平台和工具來復現？

居士認為，這一個是一個非常重要的能力，但是沒有想好具體該怎樣劃分。

G. 演算法工程師是做什麼的真正做過的回答，怎麼去做一個演算法工程師與機器學習哪個好一些

演算法工程師不是也有一種叫做機器學習演算法工程師嗎？怎麼把演算法工程師和機器學習兩個分開了？

這是我上周聽過的阿里的一位演算法專家的直播課內容：

BAT企業的演算法工程師是這樣工作的：問題抽象、數據採集和處理、特徵工程、建模訓練調優、模型評估、上線部署。而一個演算法工程師真正值錢的地方在於問題抽象和上線部署這兩個。

他剛好講到企業中的演算法工程師的實際工作流程是怎樣的？以及如何成為演算法工程師，就是需要掌握哪些重要技能？

推薦給你看下咯：菜鳥窩人工智慧特訓營你只需要看第一章就好了，聽完之後就能解答你的提問了。

H. 關於演算法工程師的職責

1、負責項目工程建設的總體控制、質量、進
Engineer
度、工程造價控制和技術管理等建設管理工作。
2、負責根據項目的總體管理目標編制項目建設的總體實施計劃、年度和分月度的實施計劃；下達項目的建設實施計劃，並對實施中的項目計劃進行統計分析和計劃調整等綜合管理。
3、組織項目辦、監理單位和施工單位全面分析工程的特點與實際情況，分析確定工程的技術難點和控制要點，制定相應的針對性措施和重點控制流程；並督查監理單位和施工單位制定相應的監理和施工的監控計劃，落實人員和條件，實施於工程的監理和施工，使建設管理目標明確，層級之間形成有效監控的體系。
4、負責對施工合同履行的監督和動態管理。定期或不定期組織相關科室人員深入施工現場，督查施工單位三大負責人、專業工程師與主要機械設備的到位和工作情況；檢查施工單位在前期准備、工程質量、進度、安全生產、現場管理等方面履行合同的情況，監控各項管理指令閉合；監控質量保證體系保持良好的動態運行；監督施工單位嚴格按照設計圖紙、批準的施工組織設計、技術規范進行施工；對照下達的實施計劃對施工進度進行監控，並針對具體問題分析原因和採取措施；監督施工單位在安全生產、現場管理方面的措施和管理是否到位；同時，對施工單位合同違約和施工管理人員的違規進行記錄與處理，對發現的監理單位違約與監理人員的違規行為進行處理，並交辦有關科室進行記錄和跟蹤落實。
5、負責項目建設中的技術管理工作。主持設計、監理、施工單位進行設計圖紙會審、技術交底、設計完善和優化等；負責審查施工組織計劃，組織對重要工藝進行審查和驗證；主持設計變更方案的論證；負責新技術、工藝和材料應用；組織實施技術攻關，解決施工中的重大技術問題；協助總監理工程師審查監理實施細則等。
6、負責新技術利用和項目的配套工程科研工作。
7、監督集中招標采購的大宗施工設備材料的質量和供應工作；協調工程技術方面合同各方及項目對外各方的工作關系。
8、負責工程變更和項目造價控制的管理工作，負責配合項目審計工作。
9、負責組織辦理項目中間計量支付、交工支付及竣工結算。
10、負責組織項目交工驗收及項目交工總結報告、執行總結報告的編寫；並簽發合同段工程交工證書。
11、負責項目缺陷責任期的工程缺陷修復管理。
12、負責組織編制項目竣工文件，做好項目的竣工驗收的相關工作。
13、對主任負責，分管工程建設管理科；並對現場管理辦公室工程管理方面的工作進行監督和業務管理。
14、負責工程建設有關資料的收集和歸類建檔工作，負責審核工程建設統計資料，主持編寫工程總體進展情況匯報，報送項目建設管理規定的信息和統計資料。
15、負責項目辦各部門並會同監理單位對施工單位的合同履約情況（綜合質量、進度、造價、安全、文明施工等）進行全方位考評及信譽度評價，並提出相應經濟和信譽度獎罰的意見，報請項目辦主任審定。
16、協助主任參與重大事項的決策；負責組織完成主任交辦的其他工作。
17、配合副主任和總監理工程師做好其它工作。

I. 演算法工程師未來的發展方向35歲以後呢

技術能力是技術人員的立身之本。站在演算法的角度，這里的技術能力主要是演算法應用能力，包括閱讀論文、演算法實現、工程化以及相關文檔的撰寫。
技術人員常見的一個認知誤區是技術大於一切，認為只要技術做好了，就應該得到認可或獎勵。事實上，技術在大多數情況下只是商業中的一環，技術做得好不能確保商業上的成功。
以自營電商為例，技術人員做一款功能強大的購物APP不難，但同時必須有商品研發、供應鏈和物流配送才能完成一個極小的商業閉環。此外，要想商品賣得好得有市場和運營團隊一起發力。在這樣的背景下，購物APP只是諸多商業環節中的一個節點，因此僅僅依賴軟體研發技術顯然不足以實現商業上的成功。好的技術團隊必須始終圍繞各商業環節，有能力定位問題，並研發工具有效地解決問題。
作為演算法工程師，在立項和需求評審時，需要有能力評估項目為業務帶來的價值以及演算法在整個項目中的價值，從而避免把精力浪費在「投入產出比」不高的事情上。如何做到這一步呢？除了有扎實的技術，還需要深入了解業務。
需要了解的業務知識包括（但不限於）商業模式、業務流程、業務限制以及與當前業務相關的技術等等。演算法工程師了解業務的另一個好處是洞察需求，解決問題的同時可以發現更多的技術問題，從而推動業務的進步。
技術人員最難跨越的是從技術能力到業務能力的提升。有兩方面原因：一是技術人員主觀上不太願意處理業務問題（扯皮的事情較多）；二是技術人員晉升和跳槽時主要被考察的還是技術，因此業務能力在有些技術人員看來短期的收益不高。
架構能力是一種解決復雜問題的能力，它需要考慮業務的現狀和未來，把復雜問題分解成簡單問題，然後給出解決方案。與軟體架構相比，演算法架構更偏向業務，不僅要對業務進行建模和抽象，還要考慮工程實現，以便技術方案在實際業務中落地。因此，良好的技術能力和業務能力是演算法架構能力的基礎。
演算法相關的技術項目可能涉及到與其它技術工種的配合，例如：產品經理、數據分析、數據開發、前端、後端、測試、運維等。因此，演算法工程師設計的技術方案應該考慮到演算法模塊與其它技術模塊的解耦與協同。
演算法工程師做解決方案時應該從全局出發：一是技術上不僅考慮演算法而且還要考慮工程實現和產品化（切忌手裡有錘子，看什麼都是釘子的想法）；二是從整體業務的角度考慮項目帶來的收益。例如，假設推薦系統的重構可以帶來推薦模塊的轉化率提升。那麼這件事情一定值得做嗎？我們還應該評估這個提升效果對大盤利潤的影響。如果對大盤利潤的提升有限，或許應該把精力投入在更有價值的項目中。