关于工作，我的一些小算盘

读研以来，一直在工业界辗转，到现在快三年了。这些年做的项目，都是和自然语言处理相关，所以之后的方向，也是和这条路联系紧密。

我的职位是算法工程师，在工业界，算法的工作划分十分精细。首先，从大的方向来说，就可以划分为图像视觉、自然语言处理和推荐系统。而我所从事的自然语言处理行业，又存在很多细分。例如，有做语音识别的，有研究对话系统的，有做文本搜索召回排序的，还有做一些基础任务研发的，例如文本分词、情感分析。

除了研究方向，算法工程师在企业里，也有职能划分，可以分为研究型和业务型。

对于研究型，很多互联网公司都成立了人工智能实验室，对基础的深度学习技术进行研究，每年也有不少的成果发表在国际顶级会议上。腾讯的AI Lab、阿里的达摩院、华为2012实验室都是属于这样的机构，据我观察，一线互联网企业都有这样的部门，在算法方面进行资金投入，布局业务场景。

对于业务型，做的事情就和线上业务更加相关一些。刚刚提到的人工智能实验室，通常也是学术研究和业务两条线发展，学术研究的成果衡量一般是通过学术论文的发表，重要比赛成绩的刷榜。业务的成果通常是通过各公司的特定指标来衡量。

一直以来，研究投入就是非常烧钱的事情，而且现在投入的研究，通常不能在短期时间内获得非常好的回报，这里面涉及的因素就很多了。研究的时候，容忍度比较高，在有限的测试数据上去优化模型，不用太考虑真实负责的数据来源，不用考虑模型的大小，预测时间的快慢。

很多时候，模型弄好了，测试结果非常惊艳，好不容易优化了预测速度和储存空间，放到线上一看，badcase 层出不穷，尤其是现在深度学习模型的引入，badcase 的定位和调优变成了比较困难的一件事。为了应付上线，又免不了引入一些特定的规则。这些规则是非常 ugly，也容易影响其他数据的预测。

可见，即使是实验效果不错的模型，想要在业务中取得不错的效果，还要经过不短时间的磨合，积累出可持续优化迭代的解决方案。

在企业中，尤其是互联网企业，业务营收是非常重要的。刚刚提到的 AI Lab，是很多算法工程师在企业的去向，但这种特殊的机构，往往地位稍显尴尬。因为 AI Lab 和一线业务部门相比，是相对独立一些的，它既有研究，也有业务。但是重要的业务都是肥肉，肯定是被一线的业务部门紧紧抓在手里的，AI Lab 想要获得好业务，还是比较艰难的，容易出现狼多肉少的情况。

所以，如果想要做研究，AI Lab 是个好去处，但如果想要将算法应用的实际业务中，最好去一线的业务部门的算法组。

去一家公司之前，先调研下部门是否对公司很重要，是否能够为公司带来重要流量和现金流。举个栗子，阿里妈妈是阿里巴巴集团负责广告业务的事业部，互联网企业的广告是最挣钱的，无论是谷歌还是facebook，广告都是收入的大头。所以，如果能够去阿里妈妈做广告推荐算法，努力工作，前途、钱途都是会有的。

其实，现在算法的产业落地，成熟的模式还是没有太多改变，视觉方向是人脸识别，自然语言方向，拥有大规模流量的还是搜索。此外，推荐系统和广告的紧密联系也是不言而喻的。

工作时，作为技术人员，需要找到自己感兴趣、能够持续发力的技术点，例如人脸识别，搜索排序，人机对话，知识图谱等等。找定了技术点，在这个细分板块不断更新技术认知，积累经验，然后开展相应的业务，形成一个完整的故事链。就像一颗参天大树，技术点是主干，具体的业务是枝叶。这样的结构才合理，才完整，否则，仅仅局限于零碎无章法的业务，或者无法落地的技术，都是难以长期持续发展的。

我是 NLP 算法工程师，之前做的工作和人机对话多一些，现在是从事文本搜索这个方向。这也是我秋招找工作时候的决定，想在搜索领域深耕三年五载，成为细分领域的小小专家。我给自己提出的目标是：在不断积累与搜索相关技术的同时，关注业务层面的落地，在实践中学习、沉淀可快速复制的场景解决方案，构建自身核心竞争力的护城河。

一句题外话，为了获得去离业务更近部门工作的机会，秋招时，我离开了一个非常好的平台（实习了半年多），去一家小巨头的新兴部门工作。这是对我个人而言非常重要的选择，放弃相对的稳定发展，去追求拥有一定可能性的更佳收益。希望未来能够应了那句话，想要什么，追求什么，得到什么。

还可以看

2020 互联网应届硕士的薪资情况

读研三年，值还是不值

读研，竞赛，与实习