新晋算法工程师如何快速进入职业状态？

1. 背景

校招毕业的新晋算法同学，在开展工作和自我提升时，往往会比较困惑：为什么我在大学实验室里主要进行算法模型的优化，但进入职场后，却要做这么多与算法无关的工作呢？比如说，数据处理、工程性能、产品形态、业务指标等。

2. 干货

2.1 数据很重要！

在学校实验室中，进行算法实验，数据的来源通常是公开的数据集。这些数据集基本上是可直接用于特征工程、模型训练。然而，在业界工作中，并不会直接给到算法工程师这样的数据。

数据科学解决实际应用问题，处理coding问题，本质上是和数据打交道。工作中需要多思考：

• 数据在业务系统中是如何流转、如何产出的？
• **数据的分布如何？**找到不同类型的特征，异常值在哪里，为什么它们是异常值？
• **如何提高数据的质量？**数据的质量决定了算法模型效果的上限

当参与第一个项目时，请花很多的时间去熟悉数据。长远上看，这会在接下来的工作中节约不少时间。当拿到一个新的数据，目标应该是成为最了解这个数据的专家，只有能够把数据描述清楚，才能合理的建立算法模型。

2.2 合格的算法工程师首先是一个合格的工程师

这点看上去显然，但恰恰是很多初入职场的同学最为欠缺的。新同学应该从学生思维转变成工作思维，不能只停留在单点模型优化的工作任务上。具体来说，合作沟通、目标导向、定义问题并独立解决问题，这些能力是一名合格的工程师在职场顺利工作的根基。

2.2.1 合作沟通

很多同学在学校的研究工作基本上是和导师单线联系的模式，虽和实验室同学有沟通合作，但一般不会超过三五个人的范畴，鲜有同学能真正接触并参与到大规模的产品。**工程师在这过程中是重要的一环，但不是唯一的一环。**甚至在复杂的系统中，算法工程师负责工作内部也是有诸多的上下游合作。为了实现高效的合作，新同学要学会高效的沟通。沟通的本质是以正确的方式传达正确的信息。

2.2.2 目标导向

工程师的工作最终是需要进行业务场景落地和应用的，需要对工作结果的效果及价值有体系化的评估方法，同时对业务有足够的思考，推动业务的发展。要以整体最终目标为导向，而不是自顾自地考虑所谓高大上的技术方案。与其硬上学术界的SOTA模型，不如借鉴业界较为成熟稳定、性能可接受的模型，在这基础上适配具体业务问题进行优化，这样能带来更多的价值。要知道，用最简洁的技术解决问题这恰恰是内功的体现。

2.2.3 定义问题并独立解决问题

在工作中不像在学校，往往解决的是一个定义得非常清晰的通用问题。在工作中，由于产品和业务需求多样复杂，这就要求我们必须花精力去理解产品形态、业务问题。**在解决问题之前，我们要先考虑清楚这个产品功能模块的输入和输出是什么？这个业务问题可以怎么抽象建模成一个算法问题？**准确定义问题就已经成功了大半。

学生时代以上课学习为主，在工作中我们需要能够独当一面来解决问题的机会。在解决问题的过程中，合格的工程师应该能够独立规划、主动思考、自主沟通。理想状况下主管只需要交代清楚What（做什么）、Why（为什么做）、When（什么时间点完成），工程师便可独立的解决问题。新人同学在解决问题过程中往往需要更多帮助与指导。导师非常乐意为新同学答疑解惑。但新同学遇到困难时，应该先整理好自己对问题的定义、思考分析以及可能的解决方案，然后再及时主动的向导师提出需求。

3. 寄语

当你踏入“算法工程师”这扇门的时候，从校园实验室到公司办公楼，从单点的算法模型到整体的智能产品，从某个业务环节到整块行业领域，你会发现，原来通过你的努力AI真的能从科幻照进现实！路漫漫其修远兮，请保持一颗渴望成长的心。扬帆起航吧，一起借助AI算法帮这个世界变得更美好一点点！