算法工程师

算法工程师倾向于根据实际场景解决实际问题，但使用的工具是算法。科学研究需要像工作一样定义一个有意义、有价值的问题。场景中的专业问题定义了编程能力、问题解决能力、建模能力、科研能力和科学写作应该是科研。尤其是在中小型公司需求。

需求分析

软件统一建模(类图接口时序图接口文档)-

选择商业AI算法模型的组合-

数据采集工程数据处理和分析-

开发和实施-

测试、部署在线回溯测试和实时监控。-

优化迭代。

有几种型号选择着陆尺寸。

(1)机器学习的实时性。

(2)性价比。

(3)可解释性。

(4)对培训数据的需求。

转载很多好的体验文章。

谈工程能力的重要性。

以舞蹈为例，如果把算法训练的模型比作一个完成的舞蹈，那么工程能力就是舞蹈的基本功。如果你根本没练过基本功，或者基本功很差，手脚不协调，也可以通过努力学习这种成品舞，但离艺术审美水平还很远。如果基本功很扎实，那你学什么新舞蹈都是自然的。

如果你有很强的工程能力和扎实的基本功，并且在工作过程中需要解决一些实际问题，可以快速上手解决。理论和实践之间有差距。

合格的算法工程师必须具备的工程能力：

1、调试。快速定位问题的能力是无价的。这是最重要的一点。

2.Python、Java、C等。这三种编程语言非常重要，使用频率从高到低。模型离线训练需要Python(无论是tensorflow还是pytorch框架)，在线服务或实现定制算法策略一般使用Java，在线Query预测服务一般使用C。

3.hive sql .这种语言在我们的工作中经常使用，我们都是sql男孩/sql女孩。

4.shell、Awk等。它经常在快速处理数据和调用一些python和java脚本时使用。

5.scala:在我工作的最初几年，spark使用得比较多，所以训练非深度模型和与hive sql交互非常方便。

6.对分布式框架的理解。这一点非常重要。比如ps/worker/chief在tensorflow框架中是如何协同工作的，参数更新在哪里，模型训练在哪里?

除了必要的工程能力之外，一个合格的算法工程师不仅仅是算法工程师，他必须有企业主和产品的视角。

有时候在算法效果提升有瓶颈的时候，从用户角度和产品层面考虑是否有更好的切入点。也要对业务运行机制进行深入思考，从发货供应端，经过冷启动，到召回，到粗安排，再到细安排，最后到分拣机制，哪个环节可能出错，哪个环节有优化点。所以一个全栈全链接的算法工程师是稀缺人才。只有供给/召回/精细排放/机制的联动优化，才能让线上效果有质的飞跃。

一个优秀的算法工程师不仅能玩转模型，还能对产品有独到的见解和思考。荟牛网举个例子比如，当你以真实用户的身份体验推荐的视频流时，很容易在产品或系统层面发现一些问题，然后回到算法上通过技术手段或与产品合作来解决这些问题。只有这样，公司的产品才能越来越好，算法优化的天花板才会越来越高。