（推荐，我的深度总结）聊聊为什么技术要先广后精，对技术新人的几点建议

在我30岁生日那天的文章中，我在文末给技术新人的几点建议中，第一点就提出来了“技术要先广后精”这个想法，今天我想针对这一点来谈谈我的看法。

企业喜欢什么样的人

我认为，IT行业实际上是一个两极化非常严重的行业，有的人工资非常高，有的人却找不到工作，这是为什么呢？要回答这个问题，我们首先要了解工资高的这一波人中，都有什么共同点。我从拉勾网上找了2个AI技术总监和技术专家的招聘要求：

我们可以着重来看一下上面用红色圈起来的部分，我们先来看下第一个招聘JD，在职位描述中，这个JD很明确的指出了，需要做业务需求的理解和解决，问题的公关，创新探索和推动研发上线，而在下面的任职要求中，我们也可以看到，他所要求的不仅仅是你对CV这一个专业领域的积累，更重要的是你对深度学习的其他技术，如对抗生成、强化学习等技术的熟练程度，以及对Hadoop、分布式、实时流计算等有着扎实的基础。

我们再来看下第二份JD，在第二份JD中职位描述的第一条很明确的说明了需要参与AI算法系统的建设，以及平台的搭建，而在任职要求中，除了要求对深度学习和机器学习相关技术的掌握之外，还要对数据处理、web前后端以及自动化运维有着比较强的开发能力，甚至对平台开发的能力也有一定的要求。

这两份JD都是总监和技术专家级别的JD，我们不难发现，在这两份JD中有一个非常明显的技术点，那就是它们都不是要求你在某一个领域的技术非常牛，而是要你除了对CV或NLP比较熟悉之外，还需要对分布式计算、AI周边领域甚至前后端及自动运维都比较熟，也就是说现在企业招人的时候，更注重的是一个人才的复合型。

这个时候有人可能会说，那如果我就是找NLP开发工程师，或者NLP高级工程师，那会不会就只会NLP技术就可以了呢？我们再来看另外一份JD。

在这份JD中，我们可以看到，工作经验只要1~3年，但是却仍然需要对分布式计算、数据挖掘等相关内容比较熟悉，那么这个时候，我们似乎就有些疑问了，为什么现在都是在这么要求，我只在我自己的专业领域中做的好不可以吗？

AI产品从无到有的过程

实际上，掌握多种技术，不仅是对企业负责，也是对自己负责。我们先来说说在AI领域中，一个实际的产品从无到有的过程。

说到产品从无到有的过程，我不想按照一个正常的套路来讲，我们现在假设这些都是1个人来完成，呃......假如我们就做一个简单的文本审核平台吧。

老板突然布置下来一个任务，做一个文本审核平台，目标只有1个，那就是，如果有黄色内容和涉政内容进来，就统统给过滤掉。

这个需求看起来不难，那么我们来看看怎么实现以及都会用到什么技术吧。

用什么模型？

遇到这个问题，有经验的同学首先就会想到2种解决思路，一种是用规则过滤，一种是做一个多分类的模型，假设我们就做一个多分类的模型吧，这个模型是3分类，涉黄、涉政和正常。我们现在假设选用textcnn模型作为我们目标的训练模型。（这里就会用到了深度学习技术和机器学习技术）

爬取数据

那么我们要想训练这个模型，第一步就是要弄到数据，一般来讲，公司很难有这种大批量的涉黄和涉政数据，所以这里就需要我们掌握爬虫相关的技术。

数据处理

假设我们的数据以及爬取到了，下一步该干嘛呢？没错，我们应该把这些数据给处理成我们模型可以接受的格式，然后喂到模型里进行训练，那么这里，我们可能就会需要使用到数据处理、正则表达式、分词技术以及其他的文本处理技术。

数据训练

现在数据也有了，也处理成了我们想要的输入形式了，那么接下来要做的就是把这些数据喂到模型里进行训练，那么在这里就需要对深度学习的框架有一定的了解，可以是TensorFlow、pytorch和keras中的一种，那么这也是我们要学的知识点。

模型调参

现在模型训练好了，但是我们在验证的过程中发现总是有一类数据模型训练的有问题，或者loss不收敛，那么这个时候我们就要做模型调参工作，不错，这个时候你又化身成了一个调参工程师。

模型部署

现在模型终于调好了，准备给领导看效果了，可是你发现领导可能不懂AI，也不愿意看一片黑漆漆的控制台，老板此时说了：“能不能让我属于一句话，就告诉我它是涉黄、还是涉政还是正常，最好是弄个接口之类的吧，我对http调用还是比较熟悉的”，好吧，这个时候你又需要把你训练好的模型部署发布成一个接口，这时候，你会发现又有新的知识了，因为你只对python熟悉，所以你通过查找资料，发现可以使用flask框架来做相关的http接口，当你把接口搭建好了之后，发现你还没有让接口和模型联系在一起，这个时候，你又需要去了解TensorFlow模型如何打包成Pb格式的数据，如何进行模型的调用，如何加载，ok，这个时候，你又不得不去学习python中的消息队列，管道以及与TensorFlow相关的模型部署和搭建相关的知识。

模型上线

现在模型部署好了，老板也能够通过接口快速的得到响应了，老板表示非常满意。那么接下来就要把这个模型上线给到用户去用了。这还不简单，直接把http接口暴露给公网不就好了。

模型终于上线了，用户终于可以用了，第一天访问量30个人，没问题，效果很好。这个口碑一传十、十传百的传开了，终于有一天，并发量到了100了，然后你会发现，邮箱里收到了各种time out的报错日志。好吧，这个时候又要学新的知识了，如何进行分布式部署，如何进行负载均衡，Nginx，uwsgi，这几个新的知识又要开始学了，最终模型顺利稳定的上线了。

经过了这一番折腾，你会发现你不知不觉的学会了如下内容：

1、模型的选型

2、爬虫

3、数据处理和基础NLP内容

4、深度学习框架

5、模型调参

6、http接口

7、Flask

8、TensorFlow工程化

9、Python管道和队列

10、负载均衡

11、Nginx

12、Uwsgi

13、Linux操作系统 等等

如果这个时候老板让你再做的好看点，说不定你还要去学习前台界面开发相关的内容。

所以，我们再回到最初的问题上，为什么在各个企业的招聘JD上会有这么多的要求，实际上不是企业要求高，而是这些我们真的需要掌握。

技术要先广后精

上面啰嗦了那么多，其实，我只是想跟大家说明一个道理，那就是，对于一个IT新人或者说是AI新人来讲，我们一定要抱着技术要先广后精这个心态去做事。

实际上，技术的积累是一个长期的过程，我们应该时时刻刻的注重技术的积累。而我认为，技术的积累应该从本科就开始，甚至说工程化的积累，我们就应该从本科开始。

在上大学的时候，我们实际上就已经可以做很多的项目了，大学的课程包含着Java、C#、jsp、asp.net等，一般来讲，每门课程老师也都会布置一个大作业让大家去完成，一个注重积累的人，会认真的对待老师的每一次大作业，并对大作业进行持续的改进，而这个过程实际上就是一个积累的过程。当你完成了对一个项目从0到1 的部署，你会发现你所掌握的知识点变得非常多，你就可以把所有的知识体系联系到一起，形成一套自己完整的知识体系。

当你在走上工作岗位时、或者是面试的时候，你就会发现，你可以通过一个点来谈及一个面，然后考虑问题就会从宏观的角度去考虑，到这个时候，你就会发现，整个人的眼界都变了，看问题的角度也变了，很多事情你会想的非常的全面，老板也会越来越重视你。

所以，话又说回来，为什么我认为技术要先广后精，因为只有站在全局来看待问题，你才能够知道应该从那个点突破，来去深入的研究，只有这样，我们才能使自己的职业道路走得越来越宽。