大家好，我是千与千寻，一名专注于后端研发与算法工程领域的程序员，最近我的作息快赶上yp哥的作息了，不过习惯就好。

昨天晚上深夜回家发了个pyq，我大致表达的意思：谁说算法岗不加班的？活没干完的前提下，你不得疯狂加班的，跟似的干？

然后有粉丝说：什么，算法岗也要加班吗？不是说算法岗相对开发岗来说，可以轻松一些吗？加班没开发岗那么恐怖吗？

先直接说结论：你们可能是对算法岗有什么误解了...

千寻目前是大厂一名研发工程师，虽然是研发，但是工作内容，后端研发，算法工程应用都有所涉及，我就自身的经历给大家介绍一下算法岗的工作内容，算法岗的种类，以及什么样的人适合做算法岗，对于想转行算法岗的朋友一些建议。

算法岗是什么？

算法岗是大中型企业在已经有完整的盈利闭环系统的基础上，需要对其盈利模式进行深度的优化，使得系统可以更加具有针对性的服务用户目的的工程人员。

算法岗什么工作内容？

之前的文章中我曾经列举过算法岗与开发岗位的具体工作内容差别，算法岗为包含算法工程师，算法研究员。

算法研究员：算法研究员的hc相对较少，一般仅仅在特大厂的AI lab以及AI四小龙以及独角兽的公司会有一定的需求，当然这仅仅是针对互联网公司的情况进行描述的，如果是进入国企或者研究所，对前沿的技术研究需求还是很多的。

算法研究员主要的是进行传统模型准确率以及性能的深度打破，在目前的SOTA之下，SSD在COCO数据集上的检测MAP准确率目前是75.8%，那么研究员就会想尽各种tricks来提高模型的准确性，改进网络结构，或者特征提取方式，达到打破目前的最高准确率，从而发表顶会论文。

算法工程师：算法工程师相对研究员来说，更加接近实际的业务，将算法实际的用到工程中，从而发挥算法的效果，一般来说在实际的业务生产中，我们所使用的算法模型也都是稳定的模型，进行迁移学习，从而可以达到速度与准确率的完美结合。算法工程师相对研究员岗位来说，并不需要实际的模型突破，很对时候达到80%-90%基本就可以使用了，与研发进行配合联调，将算法模型的调用接口化，用于工程需求中。

算法岗位的方向

算法岗位的方向还是很多的，最大的范围之下，可以划分为计算视觉，自然语言处理，搜索广告推荐算法，语音算法，方向太多，很难做到所有的都面面俱到。我对我所研究两个方向，进行一下我的心得的分享，推荐派单算法，以及计算视觉算法(CV)

计算机视觉：

其实在之前作为的计算机视觉的算法工程师，我在计算机视觉方面还是有自己的一些见解，具体可以说明为计算机视觉的算法工程师，我自己的一个感觉，为了防止杠精，我说明仅仅代表我自己的观点，我个人其实不太看好CV方向，原因如下：

1.看似方向广，就业岗位多，事实上市场比较饱和，toC的大模型相对来说有些已经投入使用，然而对于toB的业务，AI四小龙独角兽公司，相对来说，已经做得十分完善，市场没那么庞大。

2.技术相对来说比较完善，同时技术的重要性并不是很举足轻重，对于互联网的核心盈利方式——平台+广告的模式之下，图像的地位其实并不是很重要，“说白了，不是能增加资本家资产的东西”

3.图像识别，目标检测，商汤和旷视做的很强，一般应用于工业界，生成对抗，图像分割等相对来说用于互联网的短视频中，抖音快手中的魔法表情使用就是用GAN完成的

计算机视觉是算法岗中人很多的方向，因为很多本科生的专业是自动化，机械电子，通信工程的同学都会多多少少接触到数字图像，所以在研究生期间也会继续研究图像，也就作为CV算法岗。

推荐系统算法：

说到算法岗的大头,也就是最为出名的"搜广推",先说一个结论：如果现在想转行做算法岗，或者是高年级的本科生以及硕士生还没用找到算法岗的方向，那我建议你转推荐算法。

刚刚我们说了互联网公司的两大盈利方式：

1.建立中间平台，收取中介费，例如滴滴出行，以及美团点评等。通过建立电商的平台，进行商家与用户之间的匹配，促进消费。

2.掌握一定的流量，进行精准的广告投放。

以推荐算法的结构来给大家进行一下详细讲解：

在以上我绘制了一个很简单的电商推荐系统的架构图，其中包括每一种流程层的算法逻辑流向。

召回层：召回预计算目标，从海量数据中多路召回预排序目标，简单来说，选择进入推荐模型的种子号选手，例如购买牙膏需求，牙膏的品牌以及商店有上千万家，肯定不能所有的进行遍历，因此会通过人群画像获取数据的预计算目标，模型计算量有百万降低到百级。

过滤层：召回层进行召回的预计算目标一定会比最终推荐的目标数量要高，原因需要进行"过滤",比如存在重复推荐，或者无效推荐（商家关门，或者断货）

精排层：经过过滤层的过滤，进入推荐算法模型，进行推荐得分计算，以传统的机器学习算法为例，在实际的业务系统中会存在多种复杂业务情形，简单的机器学习模型根本无法满足复杂的业务需求，常用的机器学习的模型是集成模型例如xgboot模型，通过采取多种关键特征进行决策回归

以上就是精排层的推荐系统的算法整体框架图，将数据集放入模型进行模型训练，算法工程的主要职责就是上下的两个方框：改进模型结构与优化特征工程。

改进网络模型结构: 以xgboost为例，其内部包括多个决策树，决策树的数量,以及学习率的大小都可以改进特征的学习率，从而在同等数量的特征之下可以达到更高的效果

优化特征工程：相比于改进网络结构，特征工程则是通过增加特征的种类，特征的数量，比如从原来年龄+性别来推荐商品，到最后使用年龄+性别+爱好数码进行商品的推荐，显然在增加了爱好的特征后可以进行更加精准的推荐，以此类推，优化模型的性能。

混排层：相比于精排层，混排层的不是单单注重准确率，而是有意去放出"负样本",也就是用精准推荐去带动其他的推荐，比如推荐买大米的商品，顺带推荐豆油，从而获得