我又被BAT的算法工程師給拒絕了
今天，我又被BAT的算法工程師給拒絕了，是的，你沒看錯，是被算法工程師給拒絕了。
或許，更確切的說是被大騰訊的算法工程師給拒絕了，應該是第四個還是第五個吧。
這也是沒法子的事，在大深圳要找數據挖掘的、找做算法的人才，基本除了騰訊這個算法造血基地，其他廠子也不是說沒有，相對會比較少而已。
就跟小高中生表白似得，我都說我“喜歡你”了，然后你說“我認真想了下，感覺我們在一起不是很合適”，/捂臉，好尷尬呀~~
聽到這里，或許很多小伙伴還是有點小懵逼，我大概描述已下劇情吧。
部門在招數據挖掘工程師，當然，你也可以看做是算法工程師，然后深圳大廠基本可看的只有大騰訊了，所以，最終過了條件初篩，基本很多都是來自于鵝廠的了(當然，也有其他渠道的)。
由于找的是相對偏中高級的算法工程師，所以，基本上能滿足以下幾個條件，基本過的可能性還是蠻大的：
1 三五年工作經驗，意味著他經歷的項目足夠多，很多算法、或者說單個方向都有比較多的累積。
2 出身鵝廠，本身就有背景背書。
3 項目經歷與崗位需求相匹配，意味著方向不會偏離，技能復用性相對較高，淌坑填坑也會比較熟練 。
能滿足以上幾點，再加上人品沒問題、思維不死板，性格沒啥毛病，基本過的概率還是蠻大的。
但關鍵是人家不給過呀。
當然，跳槽換坑本身就是一個雙向選擇，你認可了人家的經驗、技能、人品、性格等一系列屬性，人家也需要認可你的條件，包括公司方向、團隊情況、項目情況、薪酬福利等等一系列的東西。
只有“兩情相悅”了，這事才能繼續整下去。
而我所能保證就是，我們數據團隊絕對是一個優秀的團隊，會有自己的思維、創造力、想象力，并且如果你能加入俺們部門，你所做的事也是有意義的，并且有比較高度的自主性、挑戰性，會有足夠的空間去釋放你的“小宇宙”。
至于其他，我的可控性確實會差點，但我依然可以有一些建議。
比如，公司的方向，當他們說2017年是內容變現的元年時，我司在2016年就已經開始在做這個事了，至于說我認不認可這個事，最起碼我還在崗，說明目前還是認可的。
而這個崗位給的薪酬，應該說是高于其他崗位的，并且并不會比行業水平低(麻蛋，給的比我的還多)，再加上中小公司亂七八糟的福利，所以說不上多好，肯定不壞就是啦。
此外就是，據我所了解到的一些情況，其實鵝廠給的單月薪酬并不算很高(算一般吧)，最起碼在普通工程師級別(T2-3，T3以上可以達到leader層級了)那層，并不是很高，哪怕是做算法方向的，只不過年終獎給的月份不少，但年終不是個固定值不是么，而且整體綜合算下來的話，也沒有想象中離譜啦。
至于其他的，好吧，不一一細說了，因為，本文的主題，并不是這個(不會被人罵吧，說了半天，竟然告訴別人，主題是其他的，把我嚇得)~~
其實今天我想說的話題是，作為算法工程師或者說數據挖掘工程師崗位，在大廠與中小廠，有什么本質的區別，又或者說從大廠出來的數據挖掘工程師，他們追求到底是什么?
或許有人會說了，屁話，當然是金子了。
咱能不能不要這么俗，能不能說點有建設性的東西，比如追求技術啊什么的(其實我也好喜歡金子)，追求理想啥的。
我們先來看看大廠的算法工程師一般都會做些什么工作。
當然，我沒有在BAT待過，只是跟很多大廠出來的相關朋友聊過不少，所以一些情況還是了解一些，然后并且這里所說的算法工程師只是指普通部門普通的算法工程師，比如像騰訊人工智能實驗室那種部門搞算法的，咱就不做討論了，一票子博士。
并且，這也算是我自己的一個理解吧，沒啥對不對的，認不認可無所謂，所以，如果有朋友要挑這個刺來噴口水就算啦。
大廠搞算法搞數據挖掘的專業大多對口，但普遍有“螺絲釘”現象。
注意，這里“螺絲釘”并不是一個貶義詞，是相對中性的詞，一方面是說這個“釘”釘的足夠深，意味著其專業性是有保證的;另一方面，也意味著面會比較窄，就以鵝廠的T2-2/3這類的普通工程師來說，也是有比較明顯這些特點的。
當然，凡是都是有特例的，我這里所述的只是我所觀測到的一般普眾情況。
也當然，或許我說的是錯的。
別不服，咱以實例說話。
以用戶畫像這個話題來說，相信鵝廠很多相關部門可能都在做，比如數平、比如廣告部門、比如其他XX部門，甚至有些業務部門都有自己的一套模式。
這也是沒有辦法的事，誰讓用戶畫像這個上層業務方向的可擴展性這么大呢，只要標簽挖掘的準，后續上層業務可做的事太多太多了。
用戶畫像一方面是體系結構的設計，另一方面其實就其本質了，其實說白了還是信息標簽化嘛，關鍵如何打上一個一個標簽，以及不同標簽的分層邏輯。
落實到底層實現，其實最常用到的就是各種分類算法了，不同是數據源不同、處理方式不同、所使用的算法不同等等。
在鵝廠，一般諸如用戶畫像這種研究方向都是幾個人的小組完成的，那我們就以這個實操來簡單的說一下上面的觀點。
這個小組他不需要關注數據是從哪里來的，因為他們也接觸不到，所以他們肯定不會涉及到這些基礎數據的收集、匯總、清洗相關的工作。
因為這些基礎原始數據，已經有合作部門，或者其他小組處理好提供到了他們那里。
涉及到算法，很多時候他們并不需要去實現各種算法，因為很多時候他們的前輩已經封裝好了符合業務的算法庫供他們調用(這里說一下，大廠一般會更喜歡自己去寫、封裝一些算法庫，以達到定制、以及高可控的目的)，即使沒有，也有其他的小組或者部門專門干這事。
他們寫好的分類器，需要實際的跑大批量數據時，已經有現成別人搭建好的平臺，供他們去調用，實際的把結果跑出來。
甚至，他們都不需要去做工程化的事，因為他們工程化的流程都已經封裝好，只需要配置好分類器的服務入口，再配置好處理流程，直接提交任務即可，他們接觸不到里頭數據是具體如何流向的、實際的工程化過程是怎樣的。
OK，到了這一步，已經所有該出來的標簽都出來了，畫像也算搞定了，那么然后呢，然后就完了呀。
他們的畫像交付到另外一些小組，或者部門，至于畫像具體怎么進一步使用，用在什么場景，怎么做變換，他們是不知道的，或者說是不care的，了不起到時候會拿到ABtest的效果，來做進一步優化指導。
我們來看一下整個流程，他們會錯過很多東西，比如數據源的處理變換、集群平臺級的認知、工程化的實際流程、算法解決的實際業務問題等等。
這也就是我所說的，技能點相對會比較單一，面會比較窄的原因。
當然，也并非沒有優勢，比如，他們接觸到的數據量級會更大( 不過這點單從畫像這個方向看，優勢不大，反倒做前期數據處理、后期工程化的環節更能感受到)，其次是會有更多的時間來專研算法，在某個點上更有深度。
就比如我這種半路出身，非藍翔畢業的渣渣，是絕對不敢在他們面前妄談算法理論的，但也不是說沒法談下去了。
比如在實際問題與算法模型的轉換上、在實際業務模型量化上、在整個數據流程的架構上，我相信我可以把大部分人秒成渣渣，因為我接觸的足夠多，了解的足夠多，看的足夠多，想的足夠多。
比如，我在一個鵝長算法工程師的面試中，就曾于他們廣點通用戶畫像算法工程化這部分質疑過。
他們以監督式的方式訓練好分類器之后，將其部署成一個分類器服務，只要調用這個服務即可獲得分類結果。
而他們實際的算法工程化流程是，HDFS->XX消息隊列(名字忘了他們自己寫的)->Storm，然后Storm里調用分類器服務，最終把所有數據的結果處理出來。
我當時就問：你們的數據每天都是離線周期性從其他部門導出來的，那為何要設計成這種模式，明明是離線的批量數據，非得走MQ加Storm這種流式處理的方式，你們數據量這么大何時才能跑完一天的全量數據?
確實是的，這種模式其實就是一個離線批量計算的過程，在批量計算的過程中調用分類器服務，離線跑即可，當然，前提是你的分類器服務需要支撐的其這種并發量，或者說性能足夠好。
好像有點叉題了，回到之前的話題，不止是用戶畫像這個例子，很多其他部門也一樣的。
比如一些提供基礎數據的部門，他們只負責大批量的數據清洗規整，至于說這些數據到底后續怎么被使用，其實他們是不關注的。
而平臺運維部門，他們只關心平臺有沒有問題，資源夠不夠，也不會關心集群中到底跑了什么業務。
而偏上層的一些部門，比如就以使用畫像做廣告投放的部門來說，他們不關注畫像是怎么生成的，只要畫像的精度足夠準，他們只需要關注上層的投放算法邏輯即可。
所以，你會發現，每一個塊都是分離的，你只需要專注某一個點即可，對于一般人來說，其目光是難以覆蓋到整個流程的。
“螺絲釘”雖然“釘”的深，但如果層級不夠，真的就只是一顆“螺絲釘”而已。
那么，在來看一看，同樣的崗位，在中小公司情況是怎么樣的?
首先，他們需要解決的首要是業務問題，以業務為驅動導向。
比如，我們依然是需要做廣告的精準投放，那么，我們需要算法工程師，或者說數據挖掘工程師，去拆解這個業務目的，把實際業務問題，轉換為模型問題。
廣告的精準投放，又落實到標簽的匹配問題，以及各種上層的篩選排序相關的邏輯，往下追溯，標簽將落實到畫像層級，所以，我們又需要解決如何繪制畫像。
繪制畫像，我們不止需要關心使用的算法問題，還需要關心如何把數據拿過來，如何將數據進行預處理，然后如何將算法進行工程化，需要考慮數據的批量處理問題，需要考慮算法在實際的工程化中數據規模，并發等一系列問題。
在這些過程中，由于很難有封裝好的算法庫，或者說也沒有這個時間去做算法的封裝，只能上開源的東西了，所以需要你對外界的信息又有足夠的了解，或者說有快速從外界獲取知識的能力。
各種封裝性肯定會差一些，所以，你必然也會涉及到一些集群的操作，那么，一些底層的linux操作也是繞不開的。
所以，一般中小公司的算法工程師，將會額外的接觸其他的一些知識，而不是在算法這個點上做足夠多的研究 ，他需要了解數據處理的流程、需要做算法的研究建模、需要了解業務、需要快速學習、需要學會實際的生產工程化等等。
其實一直以來，我都潛意識的把算法工程師和數據挖掘工程師分成兩類職業，在我認為算法工程師更多的專注于某個點的研究，即明確的問題如何做的更細致，這就有點像在大廠搞算法的同志。
而數據挖掘工程師，顯然其所接觸東西會更多，并且以實際業務為導向，結合算法模型來解決實際的問題，其中必然會涉及各種數據流程、工程框架，工程化等一系列的問題，算法將只是這其中的一環而已，這更像是在中小公司使用算法來解決實際問題的人。
那么，這兩種人哪種會好點呢?
好吧，其實這個問題有點小傻逼，并沒有什么優劣之分，一個更加專注，能夠把問題解決的更徹底;另一種更加的復合，能夠快速的把實際問題加以轉化，更加的效率。
就比如目前炒的比較火的人工智能來說，他們對一個研究方向就是作死的研究(很大一部分時候，他們并不關注當前的研究是否會帶來直接的商業價值)，所以，他們所需求的必然都是那種高度專業、專注的人才，所以BAT的人工智能實驗室啥的，都是博士集中營。
但是，對于一般的中小企業來說，他們更多的是以快速解決實際問題為目的，注意，其中有兩個關鍵詞，“快速”、“解決實際問題”。
那么，他們必然是需要在有限的時間窗口期，以算法來解決實際的問題，提升效率。
所以，對于技能高復合還是有一定要求的，他們需要的整個挖掘的項目流程，而不是單個算法的點。
最后，我們再來分析最后一個問題，對于諸如鵝廠T2-2/3類似級別的算法同志來說，從大廠出來，到底是為了什么?或者說能得到什么?
我們知道，鵝廠的T2-3有很多，但是到了T3級數目就少了下來，因為T3是可以當leader的了，但狼多肉少，所以出走是一種對于很多人來說是一種很必然的方式。
其次，在個人技能加點上，就跟玩游戲似得，你在一個兩個技能點上死命的加點，對于特定很多場合可能無往不利。
但是，很多時候我們所處的環境是多變的，面對的事務也是復雜多樣的，所以，我們在對于某個領域有足夠多的累積之后，適當的多學一些技能，提升自己的綜合素質，提高自己的外界生存能力。
我想，在未來，除了部分專門的一些特殊領域，對于大部分人來說，在某一方向有深度、其他方面又有廣度的復合型人才肯定是很受歡迎的。
所以，對于那些大廠子里要走出來的朋友，是的，外面的世界很精彩，是時候去看看了。
接觸不同的人，接觸不同的事，重要的尋找一份更有掌控力、成就感的工作，加上自己所缺少的技能點，去感受更開放的世界。
【本文為51CTO專欄作者“黃崇遠”原創稿件，轉載請聯系原作者】
