人在江湖飄，誰能不挨刀。一個公司除了鎮山的虎、遠見的鷹、善戰的狼，總會有幾個攪屎棍。

在互聯網行業，算法工程師在開發崗位中要求高（他們通常被定位為給所在團隊構建某領域的深度學習系統，完成給系統的數據采集、數據標引、模型訓練、神經網絡優化等工作，進行評估、優化、加速和部署等，需要有很高的數學水平和邏輯思維能力。）、薪資高（一線城市可以給到25-40K，新一線城市大概12-20K），但一些“素質差”的算法工程師總能莫名其妙混進來。

一個算法工程師能有多差？網友們紛紛獻出公司的“大神”們。

網友納米醬表示：

"我聽過一個江湖潛規則，每一個大公司團隊都會招一個特別不著調，水平也不行，智商也比較低的算法工程師，用來背低績效。

當組里成員感到職業發展太難的時候，就會下意識看看那個人，這樣，心里就會有莫大的安慰。

我當時下意識地看看周圍的同事，發現他們都不符合這些描述。"

網友王喆說：

我們組一個年輕的印度小哥，UCSD畢業的，按說教育背景也不錯，寫model serving過程中的一步。每個request開20個線程計算。

我說你一個m*n復雜度的過程，m和n還都小于100，有必要開20個線程計算嗎？你那線程開銷絕對比并行計算收益大多了好嗎。不聽，給我說（大概意思）：并行計算比較cool，老老實實寫那個過程太boring。

行吧，不聽不聽吧，自己折騰去吧。

過兩天給我說load test的時候server的latency翻倍，我一看線程數都超過JVM上限了能不翻倍嗎。

講這個倒不是想取笑這小哥，而是跟大家討論一個問題，就是什么是比“技術上最差”更糟糕的情況。

如果你只是基礎差，但總體上是一個嚴謹的人，其實到不那么麻煩，就是按部就班的學習，按部就班的積攢工程經驗，無論是哪個領導還是老同事應該都是樂于幫助這樣的年輕人的，因為總體來說你還是在解決問題，哪怕速度慢一點，你總歸在成長，而且是讓系統整體混亂程度降低的。

最差的算法工程師其實是什么呢？是自己對技術的感覺很差，但對自己的感覺挺好，試圖用一些比較fancy的手段解決問題，但實質上引入了更高的系統復雜度，增加了系統潛在風險，這樣的人，其實對整個團隊是負能量的存在，始終需要更senior的人幫著擦屁股，這無形增加了整個團隊的工作量，這就是最差的算法工程師。

網友夕小瑤說：

首先我個人覺得，算法工程師的目標既不是精通各種框架，會調各種包，也不是會發paper就是成功，而是有能力解決實實在在被提出的算法問題。

這里的問題可能來源于業務，也可能來源于長遠的戰略部署，甚至可能來源于一次大領導的拍腦袋。不管怎么說，個人覺得能獨立分析，拆解，建模和解決算法問題的算法工程師就是勝任的，否則再怎么花里胡哨都是差勁的。

先說一下本文4個樣本的背景，甲乙丙丁都是一線大廠的正式員工（包括知名外企），工齡從剛入職到3年不等，不過都不是自己團隊的，只是各種原因而接觸到的NLP算法工程師。

出現一個奇怪現象后，我讓他把訓練loss畫出來，結果他不知道怎么畫。然后他不會用xx，我告訴他那就把日志中的loss點提取出來，用*來畫。結果他問我*從哪里下載，有沒有學習教程。

注：*是一個非常常用的python庫

然后又一次，發給他一個非常簡單的代碼，他想改一下其中一個預處理邏輯，我告訴他在哪里改，他直接說看不懂，求幫他改。我問別人，那他拿著工資每天干什么呢，答曰，可能會寫寫paper？

結果最后那篇paper也不是他寫的。

乙比甲好一些，乙想解決一個問題，于是我給他甩了一篇paper，然后他很多地方看不懂，于是這些細節我一點點給他講。講完后他要借鑒其中一個idea用代碼實現，這個idea寫起來就一二十行。他繞不清矩陣計算，讓我教他寫，我給他5分鐘寫完，他很努力的理解了，恍然大霧，拿去跑了，然后跑完覺得很棒，自己又想了一個可能的實現方案，然后問我另一個方案可行性，這兩個方案在數學上是等價的，于是講了等價后，開始問我另一個方案的每行代碼應該怎么實現。

小哥哥，你是故意來搭訕的吧？

有一天我把甲的故事分享給了另一家大廠的小伙伴，小伙伴說，還好，他們組剛入職一個新人，第一次做技術分享，給大家講了半小時的word2vec就結束了，據說，該同學非常費力的直譯了論文原文一些內容，專業名詞翻譯錯了他都不清楚，并且表示負采樣沒看懂，而且不重要，所以就不講了

問了一下丙后來怎么樣了，說被調去做java了，小伙伴反饋丙做java開發還出活挺快的。

丁的故事來源于一個很要好的小伙伴，差點讓小伙伴當場離職。丁是另一家很多人都想去的大廠的。丁的能力則是在甲乙丙之上，各種leetcode題刷的賊溜，textcnn之類的也都很熟，今年年初ta的mentor讓ta用bert跑一下業務上的一個*分類任務，結果其一跑就是X個月，調了X個月后的結論是不如textcnn好用，線下稍微好一些，線上一塌糊涂。后來我一個剛去的小伙伴接手了ta的工作后，發現數據集里，預處理腳本里，訓練腳本和評估腳本里全都有bug，從頭到尾完全就是錯的。小伙伴給ta修完bug后上升了近XX個點。

注：*取值小于5，X取值大于3，XX取值兩位數

丁至今還是在崗的，因為ta的mentor也不太懂這塊，mentor認為是bert代碼太過復雜導致的，情有可原。

網友Dr.Hu說：

這周面試了一個候選人，面CV/DL/AI的TechLead。簡歷很牛逼，做過很多CV的工業項目，涵蓋detection, OCR, face recognition, fire/smoke detection等好多項目. 給我們講了45分鐘做得項目，講得很自信。我挑了一個大項目，我說你在這個項目中的貢獻是什么？他說整個項目的所有算法部分都是他實現的。

OK,我開始進行深度學習的技術面。

我先問了兩個深度學習的中等難度的問題，他都說不知道。有點冷場，那我趕緊問點簡單的吧。我說，深度學習網絡，進行分類時有哪些loss?他猶豫了一下，回答: relu.

瞬間把見過大場面的我還有同事都

震住了。

網友桔了個仔表示：

我有一個前同事，在linkedin上寫著：精通AI，CNN，機器人，量子計算機。

在職近三個月，每天在公司白天睡覺，老板來了就敲幾行。

有一天他知道自己試用期難以通過，自己跑路了。

在他留下的電腦里，只留下一個還沒提交代碼文件。

打開一看，只有幾行：

import numpy as npimport pandas as pdimport tensorflow as tfprint 'fuck fuck fuck'

我至今一直在想這人咋忽悠通過面試的。

網友Xiaotian ZUO說：

坐標法國，某銀行投行。

前年年初，項目主管招進一個data scientist，突尼斯美女，在法國念的博士，機器學習專業，簡歷上精通Python和R，人工智能算法工程師，某專業大數據咨詢公司咨詢師。被塞在了我手下，幫我處理數據做深度學習。

一上來先找我要了兩篇論文啃。這在法國同事中不常見。頓時覺得，這個博士不光有顏，還有實力。

一個禮拜后我開始讓她動數據，布置了幾個小任務。半個小時后她過來問我，為什么一個10k的文檔讀出來size很小。

我至今都記得這兩行萌到銷魂的代碼：

file = "d:\\\\data\\\est.json"len(file)

九個月以后她辭職了，被一個法國自動駕駛公司高薪聘走。

走之前問我的最后一個問題是，K-Fold和Cross Validation有什么區別。也怪我，為啥常常混著用這兩個詞。

從此下定兩個決心：第一，從此以后所有面試的我都親自去面；第二，打死我也不相信法國的自動駕駛技術了。

與這些“大神”相反，一個好的算法工程師應該具備什么樣的特質呢？網友胡津銘總結出九條對照標準：

1.基礎非常扎實。問他/她一些比較經典的算法，能夠很清晰地說出算法的特點、適用的場景、坑點、里面的細節等等。

2.工程能力很強。我是一位“工程狗”，自己的工程能力很菜，但對工程能力強的同學非常崇拜 Orz 如果碰到一位算法工程師的工程能力很強，僅憑這一點，我就認為他/她基本上一定是大佬Orz

3.重視代碼的測試。算法崗的工作并不完全就是調參煉丹，往往也是需要去寫一些代碼的，例如寫些spark/sql代碼獲得特征，寫模型等等。既然是寫代碼，就可以而且應該在其中加上測試。實際上，根據我的經驗，如果碰到某個其他地方好用的模型在自己的場景下效果很差（不reasonable得差），那很可能是數據、特征的處理代碼有問題，或者模型的代碼有問題。這種問題可以用單元測試（斷言等）來提前發現，也可以用一些sanity check來發現。

4.對場景業務的認識很深刻。軟件工程沒有銀彈，機器學習也沒有銀彈。用什么樣的特征、什么樣的預估目標、什么樣的評價指標、甚至什么樣的模型，這些東西都是要與場景業務結合的。換言之，工業屆里，業務先于技術。很多大神在這個方面做得尤其出色。

5.在實際場景中，注重先把整個pipeline搭建起來。個人認為，這一點在實際應用中往往應該是最優先的。搭建起來之后，機器學習系統的上下游也都可以工作，也可以更好地判斷系統的瓶頸所在，把好剛用在刀刃上。這其實就與做開發的程序設計一樣，較早地抽象出比較好的接口、搭建一個系統原型是很重要的。

6.能夠持續學習新的知識，跟蹤最新的成果，對各種模型的motivation有自己的理解，有自己的insight與vision。這里舉幾個我自己學習過程中碰到的例子來說明一下這點。例如，推薦系統中，在Youtube 16年的推薦paper中，為何step1和step2的優化目標是不一樣的？人臉檢測中，MTCNN為何要分為多階段？landmark檢測中，3000FPS為何要分為兩個階段？（這些是設計相關的motivation）Google的wide&deep為何在Google store的場景下效果好，而在其他的場景下效果不一定好（這是對場景的motivation理解）？文字檢測中，PixelLink為何要引入link？OCR中，CRNN為何要引入一個RNN？機器學習系統中，LightGBM是如何針對xgboost存在的哪些缺點進行改進的？（這些是對改進的motivation理解）我認識的一些大佬們會主動結合文章思考這些問題，有的時候會有與paper所claim的不同的理解（畢竟寫paper的story很多時候也不一定靠譜，大家都懂），甚至還會做實驗驗證自己的理解。然后拿這些問題來考我，在我思考不出來后再告訴我他們的理解與實驗結果Orz

7.做多數實驗之前有自己的假設，根據實驗結果會根據實驗結果做進一步實驗，或修正假設、或進一步探究。

8.自己參與的項目，對其中與自己比較相關的內容的細節比較清楚，自己負責的部分能夠了如指掌。

9.能系統性地分析出機器學習整個系統的瓶頸所在，并提出相應的解決方案。當系統效果不好的時候，知道如何去debug，找到問題所在，改進系統的性能。這方面是我個人尤其欠缺的點。

你達標了嗎？

【來源】：知乎https://www.zhihu.com/question/347545092/answer/1033059172

【消息】： 1.《碼客人生》開啟新欄目：《讀者來信》——每月精選往期文章的趣味評論，類似程序員“樹洞”，評論選中者，可在微信公眾號后臺加運營者微信，領取獎勵。 2.《碼客人生》建立讀者交流群了，討論技術話題，分享文章看法，感興趣的人可以后臺加運營者微信入群。