初阶算法工程师的工作感悟

1、工作感悟

• 数学是必学的，能理解的水平就够用，偶尔才要动手去算
  读懂数学背后的哲学，终身受益。

• 网上AI炒得很火，实际上是那帮搞教育和搞融资的在宣传

• 算法工作和业务高度挂钩（通用性低于普通后端），建议选一个主流的业务

• 算法工程师要做数据标注的工作（标注方式设计+亲手标注）

• 算法工程师最大的困扰在于 缺乏海量高质数据
  而NLP标注更是困难重重：如何设计标注、人的语言理解偏差、标注员业务水平…

• 算法工程师通常从中下游取数（上游是业务系统数据库、中游是数仓）
  上游数据不规范 会导致中下游的数据计算程序出bug

• 开发预算不好评估，先跑一个逻辑回归试试

• 普通的深度学习的可解释性不好，解析能力也垃圾，连组合词模型都解不出！

• 算法工程师，算法和工程缺一不可；
  工程方向：大数据、Linux、数据库、WEB框架…

• Python很多配环境报错，通常是底层报错，算法再流弊也很难搞

• 中后期不要死磕Python，学下Java和Scala也不错~

• 底层算法（Tensorflow、Keras…）不断开源；底层应用（通用图像识别、通用语音识别…）逐渐免费；因此要避免和寡头竞争。

• AI+行业：AI成熟后，产生的行业，如 车牌识别、人脸识别过关、自动驾驶…
  行业+AI：已有行业引入AI，如 智能客服、智能搜索…
  对创业公司来说，【行业+AI】更友好

• 搞清楚需求后才开干
  （功能、细分目标、准确度要求、已有标注数据、外援业务支持力度…）

• 团队要完整：必备三件套【业务专家、数据产品经理、前后端工程师、数据工程师】
  要有用人的权利：组织安排数据标注（招人或借人）
  指标要量化：短期目标、远期目标、局部目标、全局目标

1.1、对比大公司和小公司

对比	大公司	小公司
权限	严格、细致，申请麻烦	自由
流程	规范、层层审批	简单、直接
职责	专一（拧螺丝）	打杂（架构师😅）
技术	不新，比较稳，很多不能选	可以自己选
功能平台	齐全	少
分享会	多	少
加班	中等	多
邮件	多，信息爆炸	少，没那么烦人

1.2、各岗位女生占比

岗位	主要要求	女生占比
后端工程师	Java、Spring、MySQL、Redis	极低
运维工程师	Linux、Shell	低
大数据工程师	Hadoop、ZooKeeper、HIVE、Kafka、HBase、Spark、Flink	低
数据工程师	SQL、HIVE	中
算法工程师	机器学习、深度学习、大学数学、Python	中
数据分析师	Python、SQL、Excel、中学数学	高
前端工程师	JavaScript	高
测试工程师	Selenium、Appium	极高
产品经理	需求收集、需求管理、需求分析、流程设计、原型设计	极高
运营	内容运营、电商运营、用户运营、直播运营、活动策划	高到很tm离谱
设计师	UI设计、UE设计、视觉设计	高到很tm离谱

占比语义	范围
极低	0~15%
低	0~25%
中	10~40%
高	20~50%
极高	30~70%
高到很tm离谱	40~100%

2、找工作看什么

2.1、职业发展规划

1. 行业前景
2. 岗位成长性
3. 健康性（不能熬夜）
4. 自身匹配度
5. 竞争程度
6. 平台规模

2.2、办公环境

1. 地点：交通、附近空气和绿化、附近租金、附近饮食
2. 卫生：办公室卫生、洗手间卫生、空气（有冇烟味）、写字楼卫生
3. 氛围：办公室氛围（安静？热闹？压抑？逗比？）、员工年龄、男女比例

3、面试

3.1、面试准备

1. 面试前 了解公司业务，尽量选通用性强的业务（电商、金融、房地产…）
2. 建议先电话面或视频面，再现场面
3. 电话面 时，问清状况，避免受骗（套路技术、外包、出差…）
4. 带纸和笔，记录面试内容；飞行模式+手机录音
5. 非终面不深谈薪资，前期只说区间不说具体数字

3.2、面试提问

3.2.1、问HR

1. 试用期待遇和时长、薪资组成、调薪制度
2. 公司（尤其部门同事）的抽烟情况
3. 上班时间（通宵是否严重？加班可否调休？…）
4. 福利（提供住宿、团建、六险一金…）
5. 公司及部门的 平均学历、男女比例、平均年龄
6. 老板出身（清北？程序员？产品经理？业务专家？销售？…）
7. 办公地点（是否固定？会不会搬？是否出差？）
8. 入职需要什么资料？如：银行卡、体检报告…

3.2.2、问技术面试官

1. 项目进度（从零开始？接手前任？近期紧急任务？近半年规划？）
2. 业务场景（建议选 主流的，不复杂的）
3. 团队的 人数、学历、构成（产品经理、前端、后端、大数据、运维、算法、测试、数据标注…）
4. 设备规模：数量、配置（CPU、内存、硬盘…）
5. 数据的 来源、数量、质量（清洗难度）、类型（结构化、半结构化）
6. 在用的技术（语言、框架、版本）
7. 领导职位？（Java？Python？架构师？大数据？产品经理？业务专家？项目经理？…）
8. 老板出身（如果是小公司，就要看看是否985？有无大厂经历？是否程序员？…）
9. 开发和数据的权限是如何管理的？（服务器权限、数据权限、网络权限…）