大手インターネット企業は「解雇の波」に直面しているが、アルゴリズムエンジニアはキャリアの「寒い冬」をどうやって乗り切ることができるのだろうか？

1. 職場における 3 つの重要な段階

キャリア パスについて思考には、哲学的な質問: 私はどこから来て、どこへ行きたいのですか?アルゴリズム エンジニアは、キャリアの中で通常、次の 3 つの段階の課題に直面することになります。

1. 課題 1: 学生から職場への移行

これがすべての社会人にとって唯一の方法です。学校では、家庭教師と生徒の関係は比較的単純でシンプルですが、職場では、これまで経験したことのない複雑な事柄に遭遇することが多くなります。この点に関して、以下のような提案があります。

① 正式に入社する前に少なくとも 1 回はインターンシップに参加し、職場生活に事前に適応してください。

② 職場では好奇心を持ち続け、目上の人にもっと相談したりコミュニケーションをとったり、会話を減らし、もっと見て、もっと行動しましょう。

③ 職場での学習能力を維持し、基礎的な知識と能力の蓄積に重点を置き、それらを職場での実践的な問題と組み合わせます。

④ 汚い仕事を嫌がらずに考え方を正し、小さなことから経験と功績を積み上げましょう。

2. 課題 2: ジュニアからシニアへの移行

これは、ほとんどのシニア プロフェッショナルが経験する成長でもあります。パス。国内大手メーカーを例に挙げると、テンセントのジュニアランクはおよそ6～9で、アリババのP5～P7にほぼ相当し、ジュニアエンジニアからシニアエンジニアへの成長過程に相当する。この段階は、ビジネススキルと技術の深さを蓄積するための重要な段階です。この段階で各人が経験する期間は、キャリアの機会、個人の地位、ビジネスの成長余地によって異なります。この点に関して、いくつかの提案があります。

(1) ビジネスの性質を深く理解する

突飛なアイデアやリサーチに比べて、アイデアを「実行する」ことが重要です。 Chat-GPTやAIGCなどの大型モデルの登場など、近年のインターネット業界の最先端の発展方向は、ユーザーニーズと対応製品に寄り添った技術革新の賜物です。最近人気のある Chat-GPT の背後にある大規模な言語モデルは、実際には非常に早い段階で登場しましたが、初期段階でアプリケーションの「転換点」がなかったため、製品を通じて「実装」できなかったため、まだ実用化されていません。広く使われてきました。アルゴリズム エンジニアとして、アルゴリズムによってもたらされる価値を理解し、活用するには、製品とビジネスの性質から始める必要があります。

(2) テクノロジーを深く掘り下げる

自社独自の拡張と改善を継続的に行う技術力。レコメンデーションシステムを例に挙げると、リコールやソート（混合ランキングやファインランキングを含む）などのモデルのモデリング機能や、SOTAモデルの長所と短所をフルスタックで理解する必要があります。最先端モデルの進化。

# (3) T 型人材の育成

T 型人材とは、多くの場合、言及される概念は、自分の技術的トラックにおける技術的な深さを確保しながら、技術的な拡張性を向上させることを指します。スケーラビリティには 2 つの側面があり、1 つはビジネス レベル、もう 1 つは技術レベルです。引き続きレコメンデーション システムを例として挙げますが、レコメンデーション システムの分野のアルゴリズム エンジニアは、関連ビジネスをより強化するために CV と NLP の基本原則についてさらに学ぶことを推奨しています。

一般に、ジュニア エンジニアの仕事はタスクの実行に重点が置かれ、シニア エンジニアの仕事は特定の問題を考えて解決することに重点が置かれます。例えば、あるAPPのDAUが低下した場合、その原因を究明し、解決策を提案する必要があります。これは大きなトピックであり、特定のページやシーンのコンバージョン率が比較的低いことが原因である可能性や、その他のさまざまな複雑な理由が原因である可能性があり、上級エンジニアが体系的に検討する必要がある問題です。まずデータ分析により重要な課題を特定し、目標設定、モデル構築、評価指標の構築、解決策の提案を経て、最終的に課題を解決します。このようなプロセスでは、個人だけでは目標を達成することが難しい場合が多く、外部のさまざまなリソースと連携して達成する必要があります。

3. 課題 3: 従業員からリーダーへの移行

3 番目の課題は、一部のエンジニアが抱えているかもしれません。経験したことがありますが、ほとんどのエンジニアはまだ経験していないかもしれません。それは従業員からリーダーへの移行です。これは大きな進歩です。リーダーは目標を達成するためにチームを率いる必要があるため、その責任はさらに大きくなります。一方で、インターネット企業の経営モデルは徐々にフラット化しており、リーダーのポジションはあまり残されていません。幸運にもリーダーになれたら、まず自分を信じて、目標を達成するためにチームを大胆にリードしなければなりません。リーダーになったばかりの頃は、ビジネスとテクノロジーのバランスというマネジメント術に関わる難しい問題に直面することがよくあります。実は経営の本質は「責任」「権力」「お金」の三大要素と切り離せないのです。 「責任」は責任の分割と定義を表し、「権利」は従業員の仕事の配置を表し、「お金」は従業員のインセンティブメカニズムを表します。

従業員からリーダーへの移行は、非常にやりがいのある仕事です。経験を積み、コミュニケーション スキルを向上させることで、これらの能力は目に見えずに向上します。さらに、リーダーとして、単に内部から要求したり絞り出すのではなく、常に外部に拡大し、他のチームのリソースを最大限に活用する必要があります。

上記は、アルゴリズム エンジニアがよく直面する課題の 3 つの段階です。各段階にはそれぞれ厄介な問題がありますが、対応する解決策もあります。アルゴリズムエンジニアとして、あらゆる段階で十分な忍耐力を持ち、落ち着いて自分を磨く必要があります。

2. アルゴリズム エンジニアはどのように計画を立てますか?

アルゴリズム エンジニアのキャリア計画には 3 つの重要なポイントがあります。

① ビジョン: 計画を立てる前に状況を明確に把握する必要があります。そうしないと、誤った計画が立てられる可能性があります。

#② 自己評価: 計画を立てる前に、自分自身について包括的な自己評価を行う必要があります。「自分と敵を知れば、決して危険にさらされることはない」 」を参考に、自分に合った計画の方向性を選択してください;

③ Action: 行動を起こしましょう！どんなに完璧な計画を立てても、実際に行動を起こすことは現実的ではありません。

1. ビジョン

状況を制御するには、次のことを行う必要があります:

① まず第一に、私たちは現状をはっきりと見ることができ、明確に理解できるようにする必要があります。

② 第二に、より包括的な視点から現在の業界の全体像を把握し、将来性を検討する必要があります。

③ 最後に、遠くを見るようにしてください。ここで言う「遠く」とは、範囲だけでなく時間の幅も指します。より遠い時間だけを指します。サイクルを通してのみ、私たちは将来をより明確に計画できます。

(1) 全国大会レベル

上の写真は、アメリカの有名なベンチャー キャピタルの専門家、レイ ダリオの著書「原則」から引用したもので、この本の著者は帝国の盛衰を測定するモデルを確立しました。上の図は、時間の経過に伴う帝国の盛衰の指標を反映しています。写真の青い曲線は米国の国家運命を表しており、実際の状況と一致しています。1950 年代に米国の国家運命は頂点に達し、多くの技術的進歩を達成しました。対照的に、中国 (赤色の曲線)解放が達成されたばかりの頃は国が貧しくどん底にありましたが、さらに時系列は1500年（明の頃）に進み、中国が世界をリードする立場にありました。現代、中国 中国の帝国指数は常に低い水準にあったが、1950 年までに中国は急速に発展し始め、現在に至るまで、中国の帝国指数は徐々に米国の帝国指数に近づいているが、米国は衰退している。

# もちろん、専門家が異なれば、構築するモデルも異なり、それぞれの理解に基づいて理解も異なります。同様に、業界ビジョンを実行する際にも、自身の知識と専門家の理解を組み合わせて総合的かつ包括的な分析を行う必要があります。

# (2) モバイル インターネット業界レベル

# インターネット レベルに特有の、特にモバイルインターネット業界レベルでの話であり、以下の図を参照してください。以下のグラフは、QuestMobile の月間アクティブ ユーザー ベースを示しています。

写真からわかるように、過去 3 年間、インターネット全体は大きな成長を遂げておらず、年間正味 DAU の伸びはわずか 2,000 万 (一部の製品では DAU 1 億を超えている) に過ぎず、このレベルの成長を支えるのは困難であるAPPの。この観点から見ると、インターネットユーザーの規模は長らく安定してきたため、以前のように人口ボーナスを利用して群集戦術で収益を得るという手法はもはや不可能となり、インターネット産業全体が株式市場化していると考えられます。今すぐ認識する必要がある、現実。

インターネット業界はさらに次の分野に細分化されます。

(1) 電子商取引

① 初期の頃、Pinduoduo、Alibaba、JD.com などの電子商取引企業は群衆戦略を使用し、補助金を利用して大規模な開発を達成しました。 。

② 近年、ユーザー増加の余地はますます小さくなり、人口ボーナスも徐々に失われているため、同様の補助金はますます少なくなるでしょう; ダブルイレブンとは たとえば、近年、電子商取引ショッピング企業は、その日のGMV取引量を追求するのではなく、より合理的に利益の最大化を追求するようになりました。

③ 近い将来、電子商取引業界における唯一の人口動態の恩恵は、沈下市場から来る可能性がありますが、成長余地は依然として限られています。

④ したがって、、電子商取引の今後の発展の方向性は、高品質電子商取引と垂直型電子商取引に向かうことになります。

(2) コミュニティ

① コミュニティは近年急速に発展しており、小紅樹を例に挙げると、小紅樹のコミュニティの雰囲気は次のとおりです。非常に良い: ユーザーは小紅書のコンテンツによって常に「植え付け」られ、思考を形成します。その後、ユーザーは関連するトピックのディスカッションに積極的に参加し、互いに共鳴し、収益変換を形成します。

② コミュニティは発展途上であり、私たちはその将来の発展について楽観的です。一部のニッチな垂直コミュニティについては、規模は大きくありませんが、品質は非常に高いです。

③ コミュニティ開発は人口ボーナスに依存するのではなく、異常な成長ではなく浸透に依存するため、有望な開発の方向性です。

(3) ゲーム

#① ゲーム事業の見通しは比較的良好であり、国内ゲーム事業の継続的な成長に加え、 「ゲーム路線に大きなギャップがある。ブルーオーシャンは海外事業にある。国内のゲーム運営経験の多くは海外に移植できる。これはテンセントの最近の事業方向でもある。」

一般的に、ゲームトラックはインターネットの人口ボーナスの影響を受けませんが、同時に幅広い影響を及ぼします。海外の開発スペースであり、比較的有望なトラックです。

(4) ソーシャルネットワーク

① WeChat ユーザー数は、国内のインターネット ユーザー数および人口に近く、世界のトップレベルです。非常に大きな規模。

② ソーシャル ネットワークの堀は非常に深く、参加コストがかかるため、ユーザーが元のソーシャル プラットフォームから別のソーシャル プラットフォームに簡単に移行することは困難です。これは、ByteDance がソーシャル ネットワーキング ビジネスに何度も挑戦してきたが、一度も成功しなかった理由の 1 つでもあります。

③ ソーシャルネットワークは人口ボーナスの影響をある程度受けるものの、障壁が高いため今後も維持される可能性が高い。将来の安定した現状、つまり、WeChat を核として、WeChat エコシステムに基づくさまざまな拡張機能が徐々に形成されます。

④ ソーシャル ネットワークに含まれるアルゴリズムは、主にグラフとコミュニティ伝播手法に基づいています。このような手法は、小規模なソーシャル ネットワークに非常に限られた価値をもたらします。 WeChat の規模のソーシャル ネットワークには、グラフ モデル、ソーシャル ネットワークのコミュニケーション チェーン、コミュニティの発見などのアルゴリズムが相応の価値を持つ可能性があります。

⑤ 要約すると、ソーシャル ネットワークの発展は比較的安定しており、短期的に大きなチャンスを得るのは困難です。

(5) 情報プラットフォーム

① 情報プラットフォームも最近では減少傾向にあり、利用者は情報プラットフォームにある程度依存しています。 , ただし依存度は強くありません。

② 過去 2 年間、情報プラットフォームは、多くのユーザー市場を獲得したショートビデオから大きな影響を受けてきました。

③ その中で、情報プラットフォームは、情報を配信し、特定分野におけるユーザーの情報ニーズに応えるという本質に立ち返ることになります。

④ レクリエーション、エンターテインメント、暇つぶし、その他のロングテール情報については、ユーザーは通常、短いビデオ プラットフォームを通じて情報を取得しますが、これは情報プラットフォームに新たな課題をもたらします。 . より大きな挑戦。

⑤ 情報プラットフォームという媒体は複雑で、多くのルールがあり、厳格な監督が行われているため、ユーザーが自分の意見を調整することは困難です。外部のショートビデオ分野の影響で、情報プラットフォームの難易度は「次のレベル」です。

⑥ さらに、情報プラットフォームは人口ボーナスにも大きく依存しており、現在、人口ボーナスは飽和傾向にあり、情報プラットフォームの発展はさらに制限されています。

⑦ 要約すると、情報プラットフォーム トラックの選択は慎重である必要があります。

(6) ショートビデオ

① 最近のショートビデオの開発は活況を呈しており、ユーザー時間は最も長く、ユーザーの行動は最も豊かで、最も集中的な否定的なフィードバックが最も頻繁に発生する製品形態です。

② ショートビデオトラックには豊富なデータタイプと膨大な数のユーザーが含まれているため、データの潜在的な価値は高く、将来の余地が非常に大きくあります発達。

③ 最近では、ショートビデオ広告やライブブロードキャストがますます一般的になってきており、これらの兆候は、ショートビデオが徐々に電子商取引モデルと統合されてきていることを示しています。収益化の大きな可能性。

######④ 要約すると、ショートビデオは多くの機会と大きな可能性を秘めたトラックです。 ###

(3) AI業界レベル

##上の図は、AI テクノロジーのライフサイクル形態の時間の経過に伴う変化傾向を示しています:

① 上昇段階にありますこれは新興の AI テクノロジーであり、技術的な見通しはまだわかりません。

② 中央の曲線の谷には不確実性のある AI テクノロジーがあり、これらのテクノロジーにはまだ時間と市場テストが必要です。 "バブルの崩壊"。

③ 右の曲線は、AI テクノロジーが「バブル崩壊」を突破し、AI テクノロジーの価値を実証し、定着させたことを示しています。ユーザーのニーズと製品の用途がこのテクノロジーの「復活」につながるでしょう。

④ 曲線の右端は、AI テクノロジー開発の最も理想的な段階であり、テクノロジーの製品化は客観的な成長と収入をもたらし続けます。

最近人気のある AI の方向性を例としていくつか取り上げ、詳しく紹介します。

(1 )AIGC

#AIGC は、Stable Diffusion、Midjourney などの AI ペイント ツールとして最近非常に人気があります。 Chat-GPT の出現は、大規模モデルの強力な製品力を反映して、CV および NLP 分野の多くのモデルを覆しました。多くのエンジニアは、このような大規模なモデルの出現がアルゴリズム エンジニア、さらには全人類に脅威をもたらすのではないかと懸念していますが、実際にはまだ「脅威」には程遠く、汎用人工知能 (AGI) の実現にはまだ課題が残っています。 AI ペインティングであれ ChatGPT であれ、アルゴリズムにはまだロジックと意識の機能が備わっていません。技術がある程度発展して、良いプロダクトアイデアに出会うと必ず爆発するので、AIペイントにしてもChatGPTにしても、その裏にはユーザーのニーズやプロダクトアイデアがサポートされています。これによってもたらされる啓蒙は、「テクノロジーとビジネスは決して切り離されることはなく、ビジネスを深く理解することによってのみ、アルゴリズムテクノロジーがもたらす価値を最大化できる」というものです。 (2) 自動運転

自動運転は、道路交通の流れをいかに最適化するかという究極の問題の解決を目指す有望な方向性です。自動運転にはさまざまな目標があり、最初に達成すべきは「自転車インテリジェンス」であり、現在ではテスラ・オートパイロットなど多くの企業が満足のいく成果を上げている。海外では、FSD 自動運転は比較的成熟した段階に達しており、中国では、新進気鋭の自動車会社である Xpeng や独立系サードパーティ プラットフォームである Baidu Apollo などの一流自動運転企業の自動運転技術が、もますます成熟してきています。自動運転自体は人間を補助、あるいは代替する製品であり、人間の労働をある程度解放し、人々の安全を実感させます。要約すると、自動運転には大きな可能性と明るい展望があり、この方向のビジョンも大きく、検討する価値のある方向です。

(3) CV/NLP

CV

と NLP は、従来の深層学習の 2 つの主流の研究方向ですは、基礎分野における物理学や化学に匹敵するものであり、多くの AI モデルの基礎となります。 CV は「私が見たもの」を扱い、NLP は「私が聞いたこと、言ったこと」を扱います。 CV と NLP の 2 つの方向が克服されれば、機械は人間をよりよく学習して理解し、多くの「共感覚」機能を備えるようになるでしょう。したがって、CV と NLP の 2 つの方向は永遠に変わりません。特に AI ペイントと Chat-GPT 製品アイデアの爆発的な増加により、CV と NLP 分野の発展が促進されます。要約すると、CV と NLP は引き続き探求する価値のある 2 つの方向です。

(4) AI for Science (AlphaFold2)

AI の科学分野への応用はあまり注目されていないかもしれませんが、優れた機能も備えています。価値と展望。応用方向の 1 つは、スーパーコンピューティング能力の問題を解決するために物理学コミュニティの特性を利用する量子コンピューティングであり、もう 1 つの応用方向は、新しい物質の研究開発にとって非常に重要なタンパク質遺伝子構造予測 (AlphaFold2) です。医薬品、特にがん標的薬の研究開発。医療・健康分野におけるほとんどの医療技術と AI 応用は、過去数年間ではまだ理論的なものでしたが、過去 2 年間で多くのモデル結果が登場し、初期の成果を達成しました。したがって、特に医療分野における科学用 AI の将来像は依然として非常に良好であり、今後数十年の間に、AI 技術の進歩により人間の寿命は延びる可能性があります。要約すると、AI 科学、さらには AI 医療分野の将来価値はかなり大きいですが、この部分の研究はまだ準備段階にあり、商用化までの期間は比較的長いです。 -エッジ競争、タオ、活用してください。

(5) レコメンデーション システムと計算広告

レコメンデーション システムと計算広告は、より伝統的な「検索と広告」トラックに属します。 , 過去 2 年間、方法論レベルでのブレークスルーは達成されておらず、近年の会議論文は主にいくつかの小さな問題のブレークスルーに焦点を当てています。検索とプロモーションのトラックはビジネスへの依存度が高く、ビジネス レベルで大きな進歩がなければ、アルゴリズム開発の見通しは比較的限られたものになるでしょう。一方で、この分野の人材は比較的飽和しており、競争も激しいため、この分野については慎重に検討してください。

2. 自己評価

ビジョンレベルの理解を高めるだけでなく、自己評価 。自己評価は主に次の 3 つの側面から考慮されます。

(1) あなたは何が得意ですか?

自分の得意分野は、自分で判断するものではないことが多く、一般的には、これまでの職歴のどの部分が役に立っているかを参考にすることができます。他の人に本当に感銘を与えました。他人の印象にある自分は、自分の目に映る自分とは違うかもしれませんし、自分の得意なことは、他人が認めるものから生まれてくるはずです。

(2) あなたの興味は何ですか? (自分の心に従う)

自分の興味のある点を見つけることがとても大切です。人にはそれぞれ迷いの時期がありますが、そのような時期は自分の心に従って、本当に興味のある分野を見つけることが大切です。

(3) まともな収入を得ることができますか?

職場人生とは、実際には自分の価値と会社のニーズを一致させる比較的単純なプロセスであり、会社は個人の価値を報酬を通じて交換します。ただし、収入だけを重視するのではなく、仕事の価値、成長余地なども総合的に考慮する必要があります。

3. 道を切り開き、技術を磨く

どんなに綿密な計画を立てても、最終的にはアクションを通じて実装されます。

1. パス

アクションの最初のステップは、自分のアクション パスを明確にすることです:

(1) 短期計画と長期計画を立てる

① もし短期的な計画しか持っていないが、長期的な計画を立てると、計画が完了した後に混乱しやすくなります。

② 長期的な計画だけを持っていて、短期的な計画が欠けていると、簡単に夢想家になってしまいます。 、長期的な計画は達成できなくなります。

③ あなた自身の行動指針として、短期計画と長期計画を必ず組み合わせてください。

④ 短期計画と長期計画の間の時点は人によって異なります。一般に、短期計画は次のとおりであることが推奨されます。半年を基準に、長期計画を2～3年を基準に計画するのが1年サイクルです。

(2) 成長経路を別の視点から見る

①上で述べたように、キャリア チャレンジ 2 (ジュニアからシニア) を例に挙げると、エンジニアは大規模な工場で昇進しており (たとえば、アリババの P7 から P9 へ)、このランクの背後にある能力が従業員にとって非常に明確である必要があります。エンジニア。 。

#② 成長の本質は 4 つの段階を経ることです:

a) トラブルシューティング - 些細な問題を解決する : 些細な問題を解決できて初めて、より大きな問題を解決できるようになります。

b）問題解決ツール - ある種の問題を体系的に解決します: アプリの DAU 減少を例に挙げます。問題分析パスが明確に解体され、対応する解決策が提供されると、トラブルシューター段階から問題解決段階に成長します。

c）グロースハッカー - チームを正しい方向に導く: さらに進んで、すべての DAU 減少の理由を明確に分析し、統一します。これを解決すると、APP チームを率いて DAU の増加を達成できるようになります。

d）ビジネスパイロット - ビジネスリーダー: ビジネスリーダーに成長すると、決定を下すのに十分な能力と権限が得られます。リソースと方向性。

③ 自分の成長ルートを明確にすることは、P5 や P8 などのランクを明確にするよりも有益です。

2. テクノロジー

アルゴリズム エンジニアとして、優れたテクノロジーが必須条件です:

(1) 技術的リーダーシップの維持 - (ツール、技術、方法、方法)

① 強力なエンジニアリング開発力：エンジニアにとって開発力は最も基本的な能力です。

② 堅実な機械学習の原則: 機械学習の原則は普遍的であり、分析のアイデアを導くものであると同時に、機械学習は深層学習でもあります。モデルとそれより大きなモデルの基礎。

③ トップカンファレンスと最先端の方向性の追跡: 学術界のトップカンファレンスと産業界のトップカンファレンスの方向性は一致していないかもしれませんが、最先端のカンファレンスは学界の指示は、多くの場合、産業界から解決策のアイデアのインスピレーションを提供されます。

④ 業界の「ベスト プラクティス」: すべてのエンジニアは、それぞれの業界の特定のシナリオに適用できる「ベスト プラクティス」を蓄積する必要があります。貴重な業界経験が徐々に形成されます。

(2) 強力な実行を維持する

すべての計画、最終的にはすべて次第実行には強い実行力と自走力が非常に必要です。

#3. 精神性

#実際、これは職場だけでなく、多くの場面でも当てはまります。フィールド: メンタルをうまく調整すれば、多くのことは最終的にはうまくいくでしょう。良いメンタリティには主に次の部分が含まれます:

######

(1) コラボレーションに重点を置く

コミュニケーションとコラボレーションは、いくつかの重要な問題の解決に焦点を当て、それによって不必要な有意義な会議を減らす必要があります。

(2) 一歩前進する

アルゴリズム エンジニアとして、次のことを行う必要があります。さらなる一歩を踏み出すために。製品チームと運用チームの要求について詳しく学び、相手側の視点から問題を検討します。 「補充思考」を持ち、プロダクトやオペレーションなどの他のパートナーと協力して進歩することが必要であり、それぞれが互いの強みと弱みを学び、最終的に協力して物事を成し遂げることができます。製品チームや運用チームの要求を拒否したり、反対したりしないでください。相手の経験や思慮が浅いために相手のアイデアを無視して、製品を発売する機会を逃してはいけません。

(3) 心をクリアにする

難しい問題に直面したとき、あなたは頭をすっきりさせ、固有の思考パターンを捨て、ビジネスの核心を再考してみるのもいいかもしれません。固有の負担を取り除くと、現在の問題は実際にはそれほど複雑ではなく、段階的に解決できると感じるかもしれません。

(4) 比較的強い心を持ち続ける

インターネット業界ではよくあることプレッシャーが高く、業界内の競争は非常に厳しいので、外の世界に惑わされず、強い心を持ち、困難や課題に冷静に対処しなければなりません。 ##4. 大切な人間関係のバランスを整える ## (1) 家族の親子関係

##家族関係はとても大切です。重要なこと。

(2) ワークライフバランス

仕事は仕事の一部にすぎません。したがって、私たちは仕事と生活のバランスをより良くし、効率的に働き、注意して生活する必要があります。

(3) 個人的な興味

誰もが開発できることをお勧めしますまたは 2 つのこと 自分の興味や趣味によって、脳が異なる方法で機能することができ、それが状態をリラックスさせるのに非常に役立ちます。 4. 概要

##この記事は 3 つの部分に焦点を当てています:

##① 職場の 3 つの重要な段階で直面する課題。

② 計画の立て方：ビジョンを持ち、自己評価し、行動を起こす。

③ 道を切り開き、技術を磨き、前向きな姿勢を持ち、重要な人間関係をうまく処理しましょう。

5. 質疑応答

Q1: 「35歳最適化」のような課題に直面した場合、深く学ぶ必要はありますか？

A1: この質問は、前述の「精神」の問題に関係しています。「物事に満足してはいけない、自分自身を悲しんではいけない」。実は誰もが環境や市場で決まる「35歳問題」に直面することになるし、外の世界は決められないけど自分は自分で決められる、だから自分らしく頑張れば、何もかも良くなるだろう。深く学ぶ必要があるかどうかについては、やはりキャリア設計の方向性と、自分自身の深い学びの方向性と程度が鍵となります。エンジニアとして発展する道を歩みたいのであれば、やはり自分の専門分野で努力を続けて将来に役立つ基礎をしっかりと築く必要があるほか、事業の拡大も視野に入れなければなりません。 「T型人材」の記事で述べたように、事業と経営の方向性。結論から言えば、「35歳が最適かどうか」の決定権は自分にあるのではなく、不安になるよりも、継続的に個人の能力を磨き、職場でより積極的に活躍できるようにしたほうが良いということです。

#Q2: 大規模モデルの開発がアルゴリズム エンジニアに与える影響をどのように考えていますか?

A2: 大規模な言語モデルは、十分なトレーニング データを使用して素晴らしい効果を生み出す一方で、大規模なモデルの開発は製品と切り離せません。製品の「パッケージ」と製品の「コート」は捨てられ、その本質は依然として古典的なアルゴリズムモデルですが、パラメータの大きさは巨大で、トレーニングコーパスはより豊富です。大規模モデルの主な利点は、より多くのトレーニング データがあり、いくつかの強化学習アルゴリズムを組み込んで、データ トレーニングのあらゆる詳細を究極的に達成できることです。したがって、アルゴリズム エンジニアにとって、過度に心配する必要はありませんが、これらの大規模モデルを前向きに捉える必要があります。 まず、大規模モデルは AI アルゴリズム業界全体に「後押し」をもたらしました。つまり、大規模モデルは AI アルゴリズム業界全体に広く認識されています。第二に、大規模なモデルはアルゴリズムエンジニアの方向性を示し、製品、ビジネス、テクノロジーを組み合わせることによってのみ、解決策を見つけることができます。 AI モデルを使用してコードを自動的に記述することに関しては、人を置き換えるのではなく、生産性の向上を支援すると考えることができます。

#Q3: 推奨検索分野における一般人と専門家の最大の違いは何ですか?

#A3: あらゆるテクノロジーは、手段、技術、方法、道という 4 つのレベルに分類できます。平均的な人は、派手なモデルを使用し、パラメータを調整するためにさまざまなトリックを使用して、最終的により満足のいく効果を達成するという、楽器とテクニックのレベルに近いかもしれませんが、達人は、これら 2 つのレベルを経験して、これら 2 つのレベルは実現できるが、これにはタオとダルマが関係し、より深い本質的な問題が含まれます。ユーザー満足度を向上させる方法として推奨事項を例に挙げます。ユーザー満足度の特徴付けは比較的主観的なものであるため、それをいくつかの客観的で定量化可能な指標にどのように分解するかが、アルゴリズム エンジニアのスキルをテストします。具体的な例を挙げると、CTR は一般的に使用される指標であり、ユーザーの満足度をある程度測定できますが、CTR という 1 つの目標だけを最適化すると、大量の「クリックベイト」が発生する可能性があるため、次の指標を使用する必要があります。その他の指標 この問題のバランスを取るには、指標の選択には、一方では経験の蓄積が必要であり、他方では法と道のレベルを含むビジネスについての深い理解が必要です。したがって、私たちは「レベル」を合理的に見て、本質に立ち返る必要があります。アルゴリズムエンジニアとして私たちがしなければならないのは、「スキルを誇示して」モデルをいじるのではなく、エンジニアリング能力を使用して実際の問題を解決し、価値をもたらすことです。問題を効率的に解決できることは、会社にとって最大の価値です。

Q4: もし弟子を受け入れるとしたら、どの悪魔的な詳細にもっと注意を払うように教えますか?

#A4: これはまず、実習生の能力レベルによって異なります。見習いが新卒の場合、要求が多すぎることはできず、段階的に進める必要がありますが、見習いが業界のベテランで、業界内ですでに独自の方法論を確立している場合は、タスクを達成できれば可能です。目的を達成するには、追加の手順をあまり行う必要はありません。チームマネジメントの観点では、一人ひとりが輝ける部分もあれば、欠点も持っているため、統一した要求をするのは難しいですが、チームリーダーとして、社員の考え方や問題解決のアイデアなどにも気を配っていきたいと思います。これらの側面に不完全さ、不完全さ、さらには逸脱や誤りがある場合は、できるだけ早く指摘して修正する必要があります。さらに、オンライン モデルの仕様、コード構造の仕様、コード コメントの整合性などの成果物の標準化に関しては、より厳格な要件が課されますが、その他の問題には一般にそれほど厳しい要件はなく、規制の対象にはなりません。厳格な要件があり、あまり多くの「悪魔の詳細」は含まれません。

Q5: 検索とプロモーションの分野が近年あまり発展していないという記事がありましたが、今後の発展の方向性は何ですか？

#A5: 過去 2 年間、検索と広告の分野で発展がなかったわけではありませんが、技術的な面で大きな進歩はありませんでした。の分野では、セグメンテーションの方向でまだ多くの開発が行われています。しかし、この分野の方向性は主にビジネスによって支えられているため、過去 2 年間の発展はよりビジネスレベルであり、そのため、ビジネスに革命的な「爆発」がなければ、大きな成長を推進することは困難です。テクノロジーの画期的な進歩。今後の発展方向としては、大きな方向性においては新たな破壊的なモデルの枠組みは存在せず、主に業種・業界に応じた細分化された分野・方向性においては発展の余地が多く残されていると考えられる。業界内では、答えを見つけるために、業界の関連するトップカンファレンスにもっと注目することができます。

Q6: エンジニアは推奨方向で大規模工場で 3 年の経験がありますが、どちらの方向に切り替えるのがより適切ですか?

A6: アルゴリズム トラックを切り替えるときは、まず自己評価を実施し、自分の興味と強みを正確かつ包括的に理解する必要があります。モデルを研究することを好むこの方法は、大手メーカーでの 3 年間の経験の中で十分に得意で習熟している部門があるかどうかなど、ビジネス上の問題を解決することにさらに似ており、さらに、開発の方向性も考慮する必要があります。記事で言及されている自動運転の方向性など、当然の競争力のある方向性であり、これは将来性のある競争力のある方向性であり、実現が目前に迫っています。一般的に、レコメンドアルゴリズムはビジネスに直結しているため、レコメンドアルゴリズムエンジニアはビジネス感度が高く、多方面で優れた問題解決者になりやすいと言えます。

#Q7: 現在、アルゴリズムのポジションのほとんどは、高レベルの大学の修士課程および博士課程の学生によって争われていますが、一般の大学の学生はどのようにして参加できますか?競争で？立場を変える必要がありますか?

A7: 大企業では、大学や学歴に対する要求が高いかもしれませんが、入社後は個人の能力に依存するため、一般的な大学の学生でも可能です。学歴を気にしすぎずに、より多くのインターンシップの機会を獲得し、より多くのプロジェクト経験を積んでください。

#Q8: 仕事が忙しくて論文を追う時間がありません。どうすればよいですか?

#A8: 興味深いトップ論文をいくつか選択し、フォローし続けます。同時に、Zhihu などのプラットフォームやいくつかの業界テクノロジー フォーラムにも注意を払ってください。には、主要なカンファレンスの記事を分類したり、要約を書いたりするのに役立つ関連ブロガーがいます。さらに読んで、興味のある方向性を見つけることができます。時間は限られていますが、毎日 30 分から 1 時間かけて論文を実際に研究し、技術的な要点を磨き、定期的に要約して整理することで、長期的には良い結果を得ることができます。

Q9: 長い動画のおすすめについてどう思いますか?

#A9: 長いビデオ プラットフォームと短いビデオ プラットフォームの動作メカニズムはまったく異なります。長いビデオのレコメンデーションはビデオのコンテンツにより重点を置いているため、アルゴリズム エンジニアはビジネスの観点から長いビデオを消費するユーザーの問題点を逆に考える必要があります。さらに、一部のユニットでは長いビデオを短いビデオに変換し、ビデオからハイライトを抽出しています。長いビデオ。長いビデオを「カット」によって短いビデオに変換し、短いビデオのアイデアを使用してレコメンデーションを作成します。プロダクトの観点から見ると、短いビデオのアイデアを利用して、「長いビデオと短いビデオ」という方法で長いビデオをレコメンドすることができます。具体的には、長いビデオのクリップやトレーラーを編集してユーザーの視聴を引き付けることや、次に、プロダクトパスを通じてユーザーをフルバージョンの視聴に誘導し、最終的にはユーザーを会員に誘導し、ユーザーのアップバリューを高めます。これによってもたらされた啓発は、アルゴリズム エンジニアがブレークスルーを達成するには依然として製品とビジネスの観点に立ち返る必要があり、アルゴリズムの観点に限定されてはならないということです。

#Q10: アルゴリズムには高度な学歴が必要ですか?ソーシャルリクルーティングは過去の経験を非常に重視しますか?現在の技術的な方向性に興味がない場合、どのように変革すればよいでしょうか?

A10: 業界が十分に関与しており、競争圧力が高い場合、学歴の問題は避けられませんが、学校や学歴が有利でない場合は、採用することができます。 add project 経験を通じて「曲線を越えて国を救う」ために。ソーシャルリクルーティングに関しては、企業は過去の経験をより重視しており、候補者の過去の職務経験を導入して会社の現在の事業を強化したいと考えていますが、第二に、候補者の自発性、学習能力、能力などの基本的な資質も審査する必要があります。思考法やコーディング能力など職場での方向転換は、まずは試用期間や移行期間を設けるために社内で方向転換を検討してみるのも良いでしょう。

#Q11: レコメンデーション アルゴリズムがボトルネック期間に入りました。基盤となるデータ (Hadoop、SQL など) をさらに深く掘り下げる必要がありますか?

A11: エンジニアリングの観点から見ると、Hadoop、SQL などは確かにデータの基礎となるアーキテクチャですが、アルゴリズム エンジニアとして、製品とビジネスの方向性におけるブレークスルーを模索する必要があります。 . 基礎となる構造を深く開発して最適化するのではなく。

Q12: 上司は研究機関出身で、エンジニアリングの実装経験が浅いのですが、仕事では細部にこだわりすぎて、競合製品の利点を利用して自分の仕事を否定します。この状況を改善するにはどうすればよいでしょうか?

#A12: 実際、良い上司は、内向きに絞るのではなく、外向きに拡大するべきです。残念ながら、内向きに絞ることに慣れている上司に遭遇した場合は、上司が外に目を向けるよう指導し、熱心にコミュニケーションをとり、上司の悩みを理解し、上向きのマネジメントをうまく行うことができます。また、上司が本当に人間関係が悪くてコミュニケーションが取れず、仕事内容に苦手意識や興味が無く、満足な収入が得られなかったり、生活にまで影響が出たりする場合でも、それでも構いません。別の仕事を探すことをお勧めします。

Q13: 検索、広告、NLP、将来の雇用にはどの方向が良いですか?

#A13: 検索とプロモーションはビジネスに近いものですが、NLP は比較的基本的な方向性です。近年、検索広告・プロモーションの事業展開は比較的成熟してきましたが、NLPの方向性は製品化が難しいという大きな課題に直面しています。ビジネスの観点から適切な着地点が見つかる場合は NLP を試すことができますが、そうでない場合は検索して推進することをお勧めします。つまり、検索やプロモーションの分野では、アルゴリズムを使って「問題を解決する」だけの既製のビジネスアプリケーションのトピックがあるのに対し、NLPの分野では、元の質問は非常に単純ですが、答えは非常に複雑です。

#Q14: 作業中にアルゴリズムの方向を切り替えるための高いしきい値はありますか?

#A14: しきい値はありますが、それはあなたの個人的な基盤と方向性の切り替えによって異なります。たとえば、SouGuangTian 内での切り替えの場合は比較的難易度が低いですが、CV/NLP と SouGuangTian 間の切り替えの場合は比較的困難です。したがって、特にソーシャルリクルーティングが過去の経験にもっと注意を払う場合、作業中にアルゴリズムの方向を切り替えるには依然として多額のコストがかかります。しかし、総合的な資質が高く、優れた学習能力と自発性があり、会社のビジネスがたまたまそのような人材を必要としている場合には、方向転換のチャンスがたくさんあるでしょう。方向転換したいと決めたら、道を選択し、計画を立て、行動を続ける必要があります。

Q15: 時系列予測分野の将来はどうなりますか?おすすめの人気のルートはありますか?

A15: 定量的取引シナリオは、時系列予測と高度に相関しています。時系列テクノロジーは、多くの検索および推奨分野、おそらくユーザー行動シーケンス モデリングでは使用されていません。自動運転の分野には、FSD 経路計画、マルチフレーム連結、その他のシナリオなどの時系列予測も含まれる場合があります。ビデオ分野の多くのテクノロジーは時系列と強い相関関係があります。交通予測や顧客価値などのシナリオ予測 時系列予測と強い相関があります。

Q16: アルゴリズム エンジニアはこの業界で 3 年働いていますが、依然として仕事が難しいと感じています。そのため、アルゴリズムの方向性が信頼できるかどうか知りたいと考えています。才能や努力についてもっと知りたいですか？

#A16: まず、「難しさ」の鍵は論文を読むことにあるのか、ビジネス上の問題を解決することにあるのかを明確にする必要があります。就職の初期段階では、戸惑い、イライラ、不安な時期が必ずありますが、その状況は人によって異なりますので、明確に答えることは困難です。強み。

#Q17: レコメンデーションアルゴリズムとデータマイニングの違いは何ですか?

#A17: データ マイニングはより基本的なテクノロジーであり、推奨アルゴリズムはより高度なアプリケーションであり、多くのデータ マイニング テクノロジーが推奨アルゴリズムで使用されています。

Q18: ソーシャル リクルーティングの観点から、e コマース レコメンデーション アルゴリズムの方向での 3 年の実務経験はどのレベルに達する必要がありますか?

A18: 3 年の経験は通常、アリババの P7 およびテンセントの 9 レベルに相当する準シニア レベルに到達できます。さらに 2 年間の開発で、通常は次のレベルに到達できます。 AliのP8またはTencentレベル10レベルに達します。

以上が大手インターネット企業は「解雇の波」に直面しているが、アルゴリズムエンジニアはキャリアの「寒い冬」をどうやって乗り切ることができるのだろうか？の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。