【R言R语】系列之算法工程师入职半年的总结与感悟

本文链接：https://blog.csdn.net/Rocky6688/article/details/123218966

0 导读

这是我入职半年后写在公众号里的一篇文章，在此分享到CSDN上，希望能和CSDN上的朋友们一起交流学习CV算法以及相应的知识。也欢迎大家关注我的公众号WeThinkIn。

在这里插入图片描述

【R言R语】是本公众号的一个全新栏目，本栏目专注于分享我的一些思考。关于算法行业的思考，将是本栏目的核心，除此之外，对其他有价值事物的思考也会在这个栏目中呈现，欢迎大家一起交流学习。

作为本栏目的第一篇文章，在这里我想分享一下关于我入职算法岗半年的一些总结与感悟。

上周完成了转正答辩，时间飞快，转眼入职已经半年了。虽然比起很多大佬，我还是才疏学浅，但我会保持热情，持续思考，保持饥饿。故撰写此文，既送给自己，也送给那些在秋招里厮杀的，或者刚进入研究生学习，想要从事算法工作的读者们。

so，enjoy：

算法工程师工作逻辑
工作之后收获的经验
深度与广度的拓展
我的后续规划

很多还在校学习的读者可能觉得算法工程师的工作日常是看看论文，做做实验，搭建模型调调参数等。其实不然，模型只是算法工程师手里的工具而已，使用工具解决问题，才是核心逻辑。

业务评估与项目对接。产品给的这个需求能做吗？新场景中我们该用怎么样的算法逻辑？项目与业务的价值点在哪？
数据标注与数据清洗。设计符合场景的标注规则，下发给标注人员进行标注。对标注问题进行回馈，对脏数据问题进行清洗，筛选可用的高质量数据。别看我只写了简单的两句话，但数据层面的优化可能占到算法工程师平时工作的70%时间或者更多。
模型选择与模型优化。首先我们需要选择一些基线模型进行初步实验，快速判断新需求的开发成本与常见bad case。而后再进行优化迭代，对项目进行开发。
结果测试与分析。使用测试集检验模型的效果与鲁棒性。对bad case进行分析，是需要使用不同的模型？需要设计规则？需要优化前处理与后处理？需要上下游部门去辅助解决吗？
算法交付，即模型上线与部署。模型的部署逻辑我在之前的文章中已经详细阐述，感兴趣的读者可以阅读：
【CV算法上下游】系列之浅谈算法模型部署逻辑
算法业务的日常维护。新增算法模块，新增需求，新增逻辑等。

降低沟通成本！！！当我们开展业务时，常常涉及到多个小组甚至多个部门的联动，这时候，如何进行有效沟通，变成了至关重要的一环。
模型的使用讲究合适与强鲁棒性。不追求最新颖的模型，很多极限场景与极限约束的论文模型实际中根本不可用。在学校做课题时，可能大家只关注一些相关的评价指标，在实际工作中，除了这些指标外，还要特别关注模型的大小与前向推理耗时。
自己写的辅助代码，数据清洗代码，测试代码的优化，固化以及工具化。以便于后续快速复用，提高工作效率。
优化学习策略。在学校里，我们可以随意学习，想学习什么就看看。但到了正式工作的时候，由于事务繁忙，如何抓住重点进行学习变得尤为重要。首先要学习业务相关知识，其次学习自己想扩展或者想补充完善的知识，最后是学习前沿论文与前沿方向的知识。
有问题及时请教。遇到问题，在快速与谷歌搜索，github，知乎等网站交互之后，如果还是没有找到解决方法，可以及时跟同事尽心沟通，寻求帮助。说不定你debug了两天还没解决的问题，你的同事可能早就遇到过了。