주요 인터넷 기업들이 '해고의 물결'에 직면해 있습니다. 알고리즘 엔지니어들은 어떻게 경력의 '추운 겨울'에서 살아남을 수 있을까요?

1. 직장의 세 가지 중요한 단계

진로에 대한 생각에는 다음과 같은 철학적 질문이 포함됩니다. 나는 어디서 왔고 어디로 가고 싶은가? 알고리즘 엔지니어로서 당신은 경력에서 일반적으로 다음과 같은 세 단계의 과제에 직면하게 됩니다.

1. 도전 1: 학생에서 직장으로의 전환

이것이 모든 직장인을 위한 유일한 길입니다. 학교에서는 교사와 학생의 관계가 상대적으로 단순하고 직장에서는 이전에 접하지 못했던 복잡한 일을 많이 접하게 됩니다. 이에 대해 다음과 같은 제안을 드립니다.

① 정식 입사 전 최소 1회 이상 인턴십에 참여하여 직장 생활에 미리 적응하시기 바랍니다.

② 직장에서 호기심을 갖고, 선배들과 더 많이 상의하고 소통하고, 덜 말하고, 더 많이 보고, 더 많이 일하세요.

3 직장에서 학습능력을 유지하고, 기초지식과 능력의 축적에 중점을 두고, 이를 직장에서의 실무적 문제와 결합시킵니다.

4 사고방식을 교정하고 더러운 일을 경멸하지 마세요. 작은 일에서도 경험과 신용을 쌓을 수 있습니다.

2. 도전 2: 주니어에서 시니어로의 전환

이것은 대부분의 시니어 전문가들이 경험하는 성장 경로이기도 합니다. 국내 주요 제조업체를 예로 들면, Tencent의 주니어 순위는 약 6~9위로, 이는 대략 Alibaba의 P5~P7과 동일하며, Junior Engineer에서 Senior Engineer로의 성장 과정에 해당합니다. 이 단계는 비즈니스 스킬과 기술적 깊이를 축적하는 중요한 단계입니다. 이 단계에서 각 개인이 겪는 시간은 경력 기회, 개인 상태 및 비즈니스 성장 공간에 따라 다릅니다. 이와 관련하여 몇 가지 제안이 있습니다:

(1) 비즈니스의 본질에 대한 심층적 이해 ​

엉뚱한 아이디어와 연구에 비해 아이디어의 "구현"이 더 많습니다. 중요한. Chat-GPT, AIGC 등 대형 모델의 등장을 비롯한 최근 인터넷 산업의 첨단 발전 방향은 사용자 요구와 그에 상응하는 제품을 밀접하게 따르는 기술 혁신의 산물입니다. 최근 인기를 얻고 있는 Chat-GPT 뒤에 있는 대규모 언어 모델은 실제로 매우 초기에 등장했지만 초기 단계의 응용 프로그램 "티핑 포인트"가 부족하여 제품을 통해 "구현"되지 못했습니다. 널리 사용되었습니다. 알고리즘 엔지니어로서 제품과 비즈니스의 성격부터 시작하여 알고리즘이 가져오는 가치를 이해하고 활용해야 합니다.

(2) 기술을 깊이 파헤쳐 보세요​

기술 역량을 지속적으로 확장하고 개선하세요. 추천 시스템을 예로 들면, SOTA 모델의 장점과 단점은 물론 재현율, 순위(혼합 순위 및 정밀 순위 포함) 등 모델의 모델링 기능에 대한 전체 스택 이해가 필요하며, 최첨단 모델의 발전.

(3) T형 인재육성​

T형 인재는 자주 언급되는 개념으로, 자신의 기술 트랙에 기술적 깊이를 확보하면서 자신의 실력을 향상시키는 것을 말합니다. 기술적 확장성. 확장성에는 두 가지 측면이 포함됩니다. 하나는 비즈니스 수준이고 다른 하나는 기술 수준입니다. 추천 시스템을 예로 들면, 추천 시스템 방향의 알고리즘 엔지니어들은 관련 비즈니스에 더 많은 힘을 실어주기 위해 CV 및 NLP의 기본 원칙에 대해 더 많이 배울 것을 권장합니다.

일반적으로 주니어 엔지니어의 작업은 작업 실행에 더 중점을 두는 반면, 수석 엔지니어의 작업은 특정 문제를 생각하고 해결하는 데 더 중점을 둡니다. 예를 들어, 특정 APP의 DAU가 하락하는 경우, 하락 원인을 파악하고 해결책을 제시해야 합니다. 이는 큰 주제입니다. 특정 페이지나 특정 장면의 상대적으로 낮은 전환율로 인해 발생할 수도 있고, 기타 여러 가지 복합적인 이유로 발생할 수도 있습니다. 이는 수석 엔지니어가 체계적으로 고려해야 할 문제입니다. 먼저, 데이터 분석을 통해 핵심 이슈를 파악하고, 목표 설정, 모델 구축, 평가지표 구성, 솔루션 제안을 거쳐 최종적으로 문제를 해결합니다. 이러한 과정에서 개인이 목표를 달성하기 어려운 경우가 많으며, 이를 완성하기 위해서는 다양한 외부 자원을 조율해야 합니다.

3. 도전 3: 직원에서 리더로의 전환

세 번째 도전은 일부 엔지니어는 경험했을 수도 있지만 대부분의 엔지니어는 아직 경험하지 않았을 수도 있습니다. 바로 직원에서 리더로의 전환입니다. 이는 큰 도약이다. 리더가 목표 달성을 위해 팀을 이끌어야 하기 때문에 책임이 더욱 커지기 때문이다. 반면, 인터넷 기업의 경영모델은 점차 평면화되고 있어 리더 자리가 많이 남아 있지 않다. 만약 당신이 리더가 될 만큼 운이 좋다면, 먼저 자신을 믿고 팀이 목표를 달성할 수 있도록 과감하게 이끌어야 합니다. 처음 리더가 되면 경영과 기술의 균형이라는 어려운 문제에 직면하는 경우가 많습니다. 경영의 본질은 실제로 책임, 권력, 돈이라는 세 가지 주요 요소와 분리될 수 없습니다. "책임"은 책임의 구분과 정의를 나타내고, "권리"는 직원의 업무 배치를 나타내며, "돈"은 직원을 위한 인센티브 메커니즘을 나타냅니다.

직원에서 리더로의 전환은 매우 어려운 일이며, 경험의 성장과 의사소통 능력의 향상으로 이러한 능력은 미묘하게 형성될 것입니다. 또한, 리더로서 내부에서 요구하거나 압박하기보다는 지속적으로 외부로 확장하고 다른 팀의 자원을 최대한 동원해야 합니다.

위는 알고리즘 엔지니어가 자주 직면하는 세 가지 단계의 과제입니다. 각 단계에는 고유한 까다로운 문제가 있지만 해당하는 솔루션도 있습니다. 알고리즘 엔지니어로서 모든 단계에서 충분한 인내심을 갖고 침착하게 자신을 연마해야 합니다.

2. 알고리즘 엔지니어는 어떻게 계획을 세울까요?

알고리즘 엔지니어의 경력 계획에는 3가지 핵심이 있습니다.

① 비전: 계획을 세우기 전에 상황을 명확하게 봐야 합니다. 잘못된 계획이 세워질 수도 있습니다.

② 자기 평가: 계획을 세우기 전에 "나와 적을 알면 결코 패배하지 않을 것이다"라는 자신에 대한 종합적인 자기 평가를 수행하여 계획에 적합한 방향을 선택해야 합니다. ;

③ 액션: 액션을 취하세요! 아무리 완벽한 계획이라도 실행에 옮기는 것만큼 실용적이지는 않습니다.

1. 비전

상황을 통제하려면 다음을 수행해야 합니다.

① 우선 현재 상황을 명확하고 명확하게 인식할 수 있는지 확인하십시오.

② 둘째, 전체 그림을 보고 보다 포괄적인 관점에서 현재 산업 전망을 검토해야 합니다.

3 마지막으로, 여기서 언급된 '멀리'는 범위를 의미할 뿐만 아니라 더 먼 기간을 보아야만 미래를 보다 명확하게 계획할 수 있습니다. .

(1) 전국 게임 레벨​

위 사진은 미국의 유명 벤처캐피탈 전문가 레이 달리오(Ray Dalio)의 책 '원칙'에서 발췌한 것입니다. 책 속 저자는 제국의 흥망성쇠를 측정하는 모델을 확립했습니다. 시간이 지남에 따라 제국의 상승 및 하락 지수가 변경됩니다. 그림의 파란색 곡선은 미국의 국가 운명을 나타내며 이는 실제 상황과 일치합니다. 1950년대 미국의 국가 운명은 정점에 도달하고 많은 기술 혁신을 달성했습니다. 그림의 곡선), 해방이 막 이루어졌을 때 국가는 가난하고 낮은 지점에 있었습니다. 연대는 1500년(명나라 주변)으로 더 나아가 중국이 세계에서 선두 위치에 있었습니다. 현대, 중국 중국의 제국 지수는 1950년까지 항상 낮은 수준에 머물렀고, 중국은 급속히 발전하기 시작하여 지금까지 중국의 제국 지수는 점차 미국에 가까워지고 있으며 미국은 하락하고 있습니다.

물론 전문가마다 각자의 이해를 바탕으로 서로 다른 모델을 만들고 서로 다른 이해를 갖고 있을 것입니다. 마찬가지로, 산업 비전을 수행할 때 자신의 지식과 전문가의 이해를 결합하여 포괄적이고 포괄적인 분석을 수행해야 합니다.

(2) 모바일 인터넷 산업 수준 ​

구체적으로 인터넷 수준, 특히 모바일 인터넷 산업 수준에서는 아래 그림을 참고하시면 됩니다. 아래 차트는 QuestMobile의 월간 활성 사용자 기반을 보여줍니다.

지난 3년간 인터넷 규모 전체가 큰 성장을 이루지 못했고, DAU의 연간 순증가율은 50%에 불과한 수치를 보면 알 수 있습니다. 2천만 수준(특정 제품) DAU가 1억을 초과하므로 이 수준의 성장은 APP의 성장을 뒷받침하기 어렵습니다. 이러한 관점에서 볼 때, 인터넷 사용자의 규모는 오랫동안 안정적이어서 인구배당을 활용하고 군중 전술을 통해 수익을 얻으려는 이전 방법은 더 이상 실현 가능하지 않으며 인터넷 산업 전체가 주식 시장이 되어버린 것입니다. 이제 현실을 인식해야 합니다.

인터넷 산업은 다음 트랙으로 더 세분화됩니다.

(1) 전자 상거래

1 초기에는 Pinduoduo, Alibaba, JD.com은 군중 전술을 사용하고 대규모로 개발된 보조금을 활용했습니다.

② 최근에는 사용자 성장의 공간이 점점 작아지고 인구학적 배당이 점차 사라지므로 전자상거래 쇼핑을 예로 들면 Double Eleven과 유사한 보조금이 점점 줄어들 것입니다. 기업은 더 이상 당일 GMV 거래량을 추구하지 않고 이익 극대화를보다 합리적으로 추구합니다.

3 가까운 미래에 전자상거래 업계에서 유일한 인구통계학적 배당금은 침체된 시장에서 나올 수 있지만 성장 공간은 여전히 ​​제한적입니다.

4 따라서 향후 전자상거래의 발전 방향은 양질의 전자상거래와 수직형 전자상거래가 될 것입니다.

(2) 커뮤니티

① Xiaohongshu를 예로 들면 커뮤니티는 최근 빠르게 발전했습니다. Xiaohongshu의 커뮤니티 분위기는 매우 좋습니다. 사용자는 Xiaohongshu의 콘텐츠와 형식에 의해 지속적으로 "심겨집니다". 그러면 사용자들은 관련 주제 토론에 적극적으로 참여하고 서로 공감하여 수익 전환을 형성하게 됩니다.

② 커뮤니티는 발전 중인 트랙이며 일부 틈새 수직 커뮤니티의 경우 규모가 크지는 않지만 품질이 우수하기 때문에 향후 개발에 대해 낙관하고 있습니다.

3 지역사회 발전은 인구배당에 의존하지 않고, 미친 성장보다는 침투에 더 중점을 두기 때문에 유망한 발전 방향입니다.

(3) 게임

① 게임트랙의 전망은 상대적으로 밝습니다. 국내 게임 사업의 지속적인 성장과 함께, 해외 게임 사업에서도 게임 트랙은 큰 블루오션을 갖고 있습니다. 경험을 해외로 이식할 수 있다는 것, 이것이 최근 텐센트의 사업 방향이기도 합니다.

② 일반적으로 게임 트랙은 인터넷의 인구배당에 영향을 받지 않는 동시에 해외 개발을 위한 넓은 공간을 갖추고 있어 상대적으로 유망한 트랙입니다.

(4) 소셜 네트워크

① 위챗의 사용자 규모는 국내 인터넷 사용자 수와 인구에 근접해 규모가 매우 크다.

② 소셜 네트워크의 해자는 매우 깊습니다. 관련 비용이 매우 높기 때문에 사용자가 쉽게 원래 소셜 플랫폼에서 다른 소셜 플랫폼으로 이전하기가 어렵습니다. 이것이 바로 ByteDance가 소셜 네트워크를 시도한 이유입니다. 여러 번 사업을 했지만 한 번도 성공하지 못한 이유가 있습니다.

3 소셜 네트워크는 인구배당의 영향을 어느 정도 받겠지만, 높은 장벽으로 인해 앞으로도, 즉 위챗을 통해 안정적인 현상을 유지할 확률이 높습니다. 이를 핵심으로 WeChat 생태계를 기반으로 한 다양한 소셜 네트워크가 점차적으로 클래스 확장을 형성할 것입니다.

4 소셜 네트워크에 사용되는 알고리즘은 주로 그래프와 커뮤니티 커뮤니케이션 방법을 기반으로 하며, 이러한 방법은 소규모 소셜 네트워크에 대해서만 매우 제한적인 가치를 제공합니다. 그래프 모델, 소셜 네트워크 통신 체인, 커뮤니티 검색과 같은 알고리즘의 상응하는 가치가 발휘됩니다.

⑤ 요약하면 소셜 네트워크의 발전은 상대적으로 안정적일 것이며 단기적으로 큰 기회를 얻기는 어렵습니다.

(5) 정보 플랫폼

① 정보 플랫폼도 최근 쇠퇴하고 있습니다. 사용자는 정보 플랫폼에 어느 정도 의존하지만 의존도는 강하지 않습니다.

② 지난 2년 동안 정보 플랫폼은 많은 사용자 시장을 장악한 짧은 동영상의 영향을 크게 받았습니다.

3 이러한 맥락에서 정보 플랫폼은 정보를 배포하고 특정 분야에서 사용자의 정보 요구를 충족시키는 본질로 돌아갈 것입니다.

4 엔터테인먼트, 엔터테인먼트, 킬타임 및 기타 롱테일 정보의 경우 사용자는 일반적으로 짧은 비디오 플랫폼을 통해 정보를 얻습니다. 이는 정보 플랫폼에 더 큰 도전을 가져옵니다.

⑤ 정보 플랫폼의 복잡한 매체, 수많은 규칙, 엄격한 감독으로 인해 사용자가 자신의 의견을 조정하기가 어렵습니다. 외부 짧은 비디오 분야의 영향, 정보의 어려움. 플랫폼이 "다음 단계로 향상"되었습니다.

⑥ 게다가 정보 플랫폼 역시 인구 배당에 더 많이 의존하고 있습니다. 요즘에는 인구 배당이 포화되어 정보 플랫폼의 발전이 더욱 제한되고 있습니다.

⑦ 요약하자면 정보 플랫폼 트랙을 선택할 때 주의해야 할 점은 다음과 같습니다.

(6) 짧은 영상

① 최근 짧은 영상의 발전이 붐을 이루고 있으며, 사용자의 사용 시간이 가장 길고, 사용자 행동이 가장 풍부하며, 사용자로부터 가장 집중적인 긍정적, 부정적 피드백을 받는 제품 형태가 가장 빈번합니다. .

② 짧은 비디오 트랙은 데이터 유형이 풍부하고 사용자 수가 많기 때문에 데이터의 잠재적 가치가 높고 향후 개발 여지가 큽니다.

3 최근에는 짧은 동영상 광고와 심지어 라이브 스트리밍까지 점점 보편화되고 있습니다. 이러한 징후는 짧은 동영상이 수익 창출의 큰 잠재력을 가지고 점차 전자상거래 모델과 통합되고 있음을 나타냅니다.

4 요약하면 짧은 영상은 많은 기회와 큰 잠재력을 지닌 트랙입니다.

① 왼쪽 곡선의 상승 단계는 AI 기술의 출현이며 기술적 전망은 아직 남아 있습니다.

② 중간 곡선의 저점 단계에는 불확실성이 있는 AI 기술이 있으며 이러한 기술에는 여전히 시간과 시장 테스트가 필요하며 상당수의 AI 기술이 "버블 파열"에 직면하게 됩니다.

3 오른쪽 곡선은 AI 기술이 "버블 버스트"를 돌파하고 향후 몇 년 동안 더 나은 사용자 요구와 제품 애플리케이션과 결합되면 AI 기술의 가치를 입증하고 촉진했음을 보여줍니다. 기술은 "컴백"할 것입니다.

4 곡선의 오른쪽 끝은 AI 기술 개발의 가장 이상적인 단계이며, 기술의 제품화는 지속적으로 객관적인 성장과 수익을 가져옵니다.

최근 인기 있는 AI 방향 몇 가지를 예로 들어 자세히 소개합니다.

(1) AIGC

AIGC는 Stable Diffusion, Midjourney 및 기타 AI 페인팅 도구와 같이 최근 매우 인기가 높습니다. . Chat-GPT의 등장은 CV 및 NLP 분야의 많은 모델을 전복시켰으며 이는 대형 모델의 강력한 제품력을 반영합니다. 많은 엔지니어들은 이런 대형 모델의 등장이 알고리즘 엔지니어는 물론 인류 전체에게 위협이 될 것이라고 우려하고 있다. 갈 길이 멀다. AI 페인팅이든 ChatGPT이든 알고리즘에는 아직 논리와 의식 기능이 없습니다. 기술이 특정 단계까지 발전하고 좋은 제품 아이디어를 만나면 반드시 폭발할 것입니다. 따라서 AI 페인팅이든 ChatGPT이든 그 뒤에는 사용자 요구와 제품 아이디어가 있습니다. 이를 통해 얻을 수 있는 깨달음은 기술과 비즈니스는 결코 분리될 수 없다는 것입니다. 비즈니스를 완전히 이해해야만 알고리즘 기술이 가져오는 가치가 극대화될 수 있습니다.

(2) 자율 주행 자율 주행은 유망한 방향이며 궁극적인 문제인 도로 교통 흐름을 최적화하는 방법을 해결하는 것을 목표로 합니다. 자율주행은 여러 수준의 목표로 나누어져 있는데, 가장 먼저 달성해야 할 것이 '자전거 지능'이다. 현재 테슬라 오토파일럿(Autopilot) 등 많은 기업이 만족스러운 성과를 거두고 있다. 해외에서는 FSD 자율주행이 중국에서 비교적 성숙한 단계에 이르렀고, 신흥 자동차 기업인 Xpeng과 독립적인 제3자 플랫폼인 Baidu Apollo 등 1급 자율주행 기업의 자율주행 기술이 또한 점점 성숙해지고 있다. 자율주행은 그 자체로 인간을 돕거나 대체하는 제품으로, 인간의 노동을 어느 정도 해방시키고 사람들이 더 안전하다고 느끼게 만드는 제품이다. 정리하자면 자율주행은 잠재력이 크고 전망도 밝으며, 이 방향에 대한 비전도 크기 때문에 고려해 볼 만한 방향이다.

(3) CV/NLP​

CV

과 NLP는 전통적인 딥 러닝의 두 가지 주요 연구 방향으로 기초 학문 분야에서는 물리학 및 화학과 비교할 수 있으며 많은 AI 모델의 초석입니다. . CV는 "내가 본 것"을 다루고 NLP는 "내가 듣고 말한 것"을 다룹니다. CV와 NLP의 두 가지 방향을 극복하면 기계는 인간을 더 잘 배우고 이해하게 되며 많은 '공감각' 능력을 갖게 될 것입니다. 따라서 CV와 NLP의 두 가지 방향은 항상 녹색이며, 특히 AI 페인팅과 Chat-GPT 제품 아이디어가 폭발적으로 증가하여 CV 및 NLP 분야의 발전이 촉진될 것입니다. 요약하자면 CV와 NLP는 계속해서 탐구할 가치가 있는 두 가지 방향입니다.

(4) AI for Science (AlphaFold2)

과학 분야에서의 AI 적용은 이 방향에서 덜 주목을 받을 수 있지만, 좋은 가치와 전망을 가지고 있습니다. 응용 방향 중 하나는 물리학계의 특성을 활용하여 슈퍼컴퓨팅 능력 문제를 해결하는 양자 컴퓨팅이고, 다른 응용 방향은 단백질 유전자 구조 예측(AlphaFold2)으로, 이는 새로운 물질의 연구 개발에 큰 의미가 있습니다. 약물, 특히 암 표적 약물의 연구 및 개발. 지난 몇 년 동안 대부분의 의료 기술과 AI의 의료 및 보건 분야 적용은 여전히 ​​이론적인 수준에 불과했습니다. 지난 2년 동안 많은 모델 결과가 나타나고 초기 결과를 달성했습니다. 따라서 특히 의료 분야에서 과학을 위한 AI의 미래 비전은 여전히 ​​매우 좋습니다. 향후 수십 년 동안 AI 기술의 획기적인 발전으로 인해 인간의 수명이 연장될 가능성이 높습니다. 정리하자면, AI 과학은 물론 AI 의료 분야까지 미래 가치가 상당하지만, 이 부분은 아직 초기 단계이고, 상용화까지의 기간이 상대적으로 길기 때문에 이런 절단을 시도해 볼 수 있습니다. - 가장자리 경쟁. 타오를 활용하세요.

(5) 추천 시스템 및 컴퓨터 광고

추천 시스템 및 컴퓨터 광고는 보다 전통적인 "검색 및 광고" 트랙에 속합니다. 지난 2년 동안 방법론적 수준에서는 획기적인 발전이 없었습니다. 최근 몇 년 동안 상위 컨퍼런스에서 더 많은 논문이 나왔습니다. 대부분은 몇 가지 작은 문제 지점을 겨냥한 획기적인 것입니다. 검색 및 프로모션 트랙은 비즈니스에 더 많이 의존합니다. 비즈니스 수준에서 더 큰 혁신이 없다면 알고리즘 개발 전망은 상대적으로 제한될 것입니다. 반면, 이 분야의 인재 풀은 상대적으로 포화 상태이고 경쟁이 치열하므로 이 트랙을 신중하게 고려하세요.

2.자기평가

비전에 대한 이해도를 높이는 동시에 자기평가도 충실히 진행해야 합니다. 자기평가는 주로 3가지 차원에서 고려됩니다.

(1) 당신이 잘하는 것은 무엇입니까?

​

자신이 가장 잘하는 것은 스스로 판단하는 것이 아닐 때가 많습니다. 일반적으로 과거 직장 경험 중 어떤 부분이 다른 사람에게 진정으로 인정받았는지 참고할 수 있습니다. 타인이 보기에 보이는 자아는 자신이 보기에 보이는 자아와 다를 수 있고, 자신이 잘하는 것은 남이 인정하는 것에서 나와야 합니다.

(2) 당신의 관심사는 무엇입니까? (마음을 따르세요)

​

나만의 관심 포인트를 찾는 것이 매우 중요합니다. 모든 사람에게는 혼란스러운 시기가 있습니다. 그러한 시기에는 자신의 마음을 따르고 진정으로 관심이 있는 영역을 찾는 것이 더 중요합니다.

(3) 괜찮은 수입을 제공할 수 있나요?

​

직장생활은 사실 자신의 가치와 회사의 요구를 일치시키는 비교적 간단한 과정입니다. 보상을 통해 합리적이고 적절한 수입은 매우 합리적이고 매우 필요합니다. 하지만 소득에만 초점을 맞추지 말고, 업무 가치, 성장 공간 등도 종합적으로 고려해야 합니다.

3. 길을 개척하고 기술을 연마하세요

아무리 세부적인 계획이라도 결국은 실행을 통해 구현되어야 합니다.

1. 경로

행동의 첫 번째 단계는 자신의 행동 경로를 명확히 하는 것입니다.

(1) 단기 계획과 장기 계획을 세우세요

​

① 단기적인 계획만 갖고 장기적인 계획이 부족하다면 계획을 세운 후에도 혼란에 빠지기 쉽습니다.

②장기적인 계획만 갖고 단기적인 계획이 부족하면 쉽게 몽상가가 되기 쉽습니다. 이를 실천할 실질적인 방법이 없으면 장기 계획이 불가능해집니다.

③ 단기 계획과 장기 계획을 자신만의 행동 경로로 결합하세요.

4 단기 계획과 장기 계획의 시점은 사람마다 다릅니다. 일반적으로 단기 계획은 반년 주기, 장기 계획을 기준으로 하는 것이 좋습니다. 2~3년 주기로 해야 한다.

(2) 성장경로를 다른 관점에서 본다 ​

① 위에서 언급한 진로챌린지2(후배에서 시니어까지)를 예로 들면, 한 엔지니어가 1년에 승진을 했습니다. 대규모 공장(예: Alibaba P7에서 P9까지) 엔지니어는 이 순위 뒤에 있는 기능에 대해 매우 명확하게 설명해야 합니다.

② 성장의 본질은 4단계를 거치는 것입니다:

a)Troubleshooter - 사소한 문제를 해결하세요: 사소한 문제를 충분히 해결할 수 있어야만 해결할 수 있는 능력이 있습니다. 더 큰 문제.

b)Problem Solver - 특정 유형의 문제를 체계적으로 해결합니다: 특정 APP의 DAU 하락을 예로 들어 DAU 하락 문제의 분석 경로를 명확하게 분해하고 해당 솔루션을 문제 해결사(Troubleshooter) 단계에서 문제 해결사(Problem Solver) 단계로 성장했습니다.

c)그로스 해커 - 팀을 올바른 방향으로 이끄는: 한발 더 나아가 DAU 쇠퇴의 모든 원인을 명확하게 분석하고 하나씩 해결해 나가면 이미 DAU 성장을 달성하기 위한 APP 팀 .

d)비즈니스 파일럿 - 비즈니스 리더: 비즈니스 리더로 성장하면 자원과 방향을 결정할 수 있는 충분한 능력과 권한을 갖게 됩니다.

3 P5, P8 등 순위를 명확히 하는 것보다 자신의 성장 경로를 명확히 하는 것이 더 유익합니다.

2. 기술

알고리즘 엔지니어로서 우수한 기술은 필수 조건입니다.

(1) 기술에 앞선다 - (도구, 기술, 방법, 방법) ​

① 강력한 엔지니어링 개발 능력 : 엔지니어로서 개발 능력은 가장 기본적인 능력입니다.

② 견고한 기계 학습 원리: 기계 학습의 원리는 보편적이며 일부 분석 아이디어를 이끌어내는 동시에 기계 학습은 딥 러닝 모델과 더 큰 모델의 기초이기도 합니다.

3 최고 학회와 첨단 방향 추적: 비록 학계 최고 학회의 방향과 산업계의 방향이 일치하지 않을 수도 있지만, 학계의 첨단 방향은 종종 업계에 솔루션에 대한 영감을 제공할 수 있습니다. .

4 업계의 "모범 사례": 모든 엔지니어는 해당 산업의 특정 시나리오에 적용할 수 있는 "모범 사례"를 축적하고 축적과 침전을 통해 점진적으로 귀중한 산업 경험을 형성해야 합니다.

(2) 강력한 실행력 유지 ​

모든 계획은 결국 실행으로 구현되기 때문에 강력한 실행력과 자율적인 추진력이 매우 필요합니다.

3. 멘탈리티

사실 이는 직장뿐만 아니라 여러 분야에서도 마찬가지입니다. 멘탈리티를 잘 조절하면 많은 일들이 결국 해결될 것입니다. 좋은 사고방식에는 주로 다음과 같은 부분이 포함됩니다.

(1) Focus Collaborative​

소통과 협업은 몇 가지 핵심 문제를 해결하는 데 초점을 맞춰 의미 없는 회의를 줄여야 합니다.

(2) 한 걸음 앞으로 나아가세요​

알고리즘 엔지니어로서 한 걸음 앞으로 나아가야 합니다. 제품 및 운영 팀의 요구 사항에 대해 자세히 알아보고 상대방의 관점에서 문제를 고려하십시오. "주석을 채우는 사고방식"을 갖고 제품, 운영 등 다른 파트너와 협력하여 발전을 이루는 것이 필요합니다. 각자는 서로의 강점과 약점을 배우고 궁극적으로 협력하여 일을 완수할 수 있습니다. 제품 및 운영 팀의 요구 사항을 거부하거나 심지어 싸우지 마십시오. 상대방이 경험이 부족하거나 배려심이 부족하여 제품 출시 기회를 놓친다고 해서 상대방의 아이디어 중 일부를 무시하지 마십시오.

(3) Clear your mindset​

어려운 문제에 직면했을 때 마음을 비우고 고유한 사고 패턴을 버리고 비즈니스의 핵심을 다시 생각하는 것이 좋습니다. 본질적인 부담을 제거하고 나면 현재 문제가 실제로는 그다지 복잡하지 않고 단계별로 해결될 수 있다고 느낄 수도 있습니다.

(4) 상대적으로 강한 마음을 유지하세요​

인터넷 산업은 일반적으로 큰 압력을 받고 있으며 업계 경쟁이 매우 치열하므로 강한 마음을 유지하고 침착하게 어려움에 직면해야 합니다. 그리고 도전, 바깥세상에 방해받지 마세요

4. 중요한 관계의 균형을 유지하세요

(1) 가족 부모-자녀 관계

가족 관계는 매우 중요합니다. "모든 것이 행복합니다. 모든 것이 집에 있습니다.". 가족과 더 많은 시간을 보내는 것이 중요합니다.

(2) 일과 삶의 균형​

일은 삶의 일부일 뿐이므로, 우리는 여전히 일과 삶의 균형을 잘 맞추고, 효율적으로 일하고, 주의 깊게 살아야 합니다.

(3) 개인적인 관심사 ​

누구나 한두 가지 자신만의 취미를 가질 수 있도록 권장하며, 이를 통해 뇌가 다른 방식으로 작동하게 되어 휴식에 매우 도움이 됩니다. .

4. 요약

이 기사는 세 부분에 중점을 둡니다.

① 직장의 세 가지 중요한 단계에서 직면하는 과제.

② 계획 방법: 비전, 자기 평가, 실행.

3 길을 개척하고 기술을 연마하며 긍정적인 태도를 갖고 중요한 관계를 잘 처리합니다.

5. Q&A 세션

Q1: '35세 최적화'와 같은 문제에 직면하면 깊이 파고들 필요가 있나요?

A1: 이 질문은 위에서 언급한 '정신' 문제와 관련이 있습니다. '사물에 만족하지 말고 자신에 대해 슬퍼하지 마세요.' 사실, 모든 사람은 환경과 시장에 의해 결정되는 "35세 문제"에 직면하게 될 것입니다. 우리는 외부 세계를 결정할 수 없지만, 우리 자신이 되기 위해 열심히 노력하면 스스로 결정할 수 있습니다. 다 괜찮을거야. 심화 학습이 필요한지 여부에 있어서도 중요한 것은 진로 계획의 방향뿐 아니라 자신의 심층 학습의 방향과 정도에 있습니다. 엔지니어의 길을 걷고 싶다면 자신의 분야에서 계속해서 열심히 일하고 탄탄한 기반을 다지는 것이 필요하며 이는 미래에 큰 도움이 될 것입니다. 사업과 경영 방향은 "T형 인재" 기사에서 언급한 바와 같습니다. 정리하자면, '35세가 최적화되어 있는가'의 판단력은 당신에게 있는 것이 아니라, 불안해하기보다는 지속적으로 개인의 능력을 향상시켜 직장에서 좀 더 적극적이고 능동적으로 대처하는 것이 좋습니다.

Q2: 대형 모델 개발이 알고리즘 엔지니어에게 미치는 영향을 어떻게 보시나요?

A2: 한편으로 대규모 언어 모델은 충분한 훈련 데이터를 사용하여 환상적인 효과를 생성하지만, 다른 한편으로 대규모 모델의 개발은 실제로 제품의 "패키징"과 분리될 수 없습니다. 제품의 "포장" "Coat"는 본질적으로 고전적인 알고리즘 모델이지만 매개변수 크기가 크고 훈련 코퍼스가 더 풍부합니다. 대규모 모델의 가장 큰 장점은 더 많은 훈련 데이터를 보유하고 일부 강화 학습 알고리즘을 통합하여 데이터 훈련의 모든 세부 사항에서 최고의 결과를 얻을 수 있다는 것입니다. 따라서 알고리즘 엔지니어라면 너무 불안해할 필요는 없고 이러한 대형 모델을 긍정적으로 바라볼 필요가 있다. 첫째, 대형 모델은 AI 알고리즘 산업 전체에 '부양'을 가져왔다. 둘째, 대형 모델은 알고리즘 엔지니어에게 방향을 제시하고 제품, 비즈니스 및 기술을 결합해야만 탈출구를 찾을 수 있습니다. AI 모델을 이용해 자동으로 코드를 작성하는 것은 사람을 대체하기보다는 생산성에 도움이 되는 것으로 볼 수 있다.

Q3: 추천 검색 분야에서 일반인과 전문가의 가장 큰 차이점은 무엇인가요?

A3: 모든 기술은 악기, 기술, 방법 및 도의 네 가지 수준으로 나눌 수 있습니다. 보통 사람은 도구와 기술 수준에 더 많이 있을 수 있습니다. 화려한 모델을 사용하고 다양한 트릭을 사용하여 매개변수를 조정하고 최종적으로 더 만족스러운 효과를 얻는 반면, 대가는 종종 이 두 가지 수준을 경험하고 이 두 수준이 성공할 수 있음을 발견합니다. 일부 실제적인 문제는 해결할 수 있지만 더 높은 수준의 문제는 해결할 수 없습니다. 권장 사항을 예로 들어 사용자 만족도를 높이는 방법: 사용자 만족도의 특성은 상대적으로 주관적이므로 이를 여러 객관적이고 정량화 가능한 지표로 분류하는 방법은 알고리즘 엔지니어의 기술을 테스트합니다. 구체적인 예를 들자면, CTR은 사용자 만족도를 어느 정도 측정할 수 있는 일반적으로 사용되는 지표이지만 CTR이라는 단일 목표만 최적화하면 많은 "클릭베이트"가 발생할 수 있으므로 사용해야 합니다. 기타 지표 이 문제와 지표 선택의 균형을 맞추려면 한편으로는 경험의 축적이 필요하고, 다른 한편으로는 법률 및 도의 수준과 관련된 비즈니스에 대한 깊은 이해가 필요합니다. 그러므로 우리는 합리적으로 "레벨"을 보고 본질로 돌아가야 합니다. 알고리즘 엔지니어로서 우리가 해야 할 일은 "기술을 과시"하고 모델을 가지고 노는 것이 아니라 엔지니어링 능력을 사용하여 실제 문제를 해결하고 가치를 가져오는 것입니다. 문제를 효율적으로 해결할 수 있는 것이 회사의 가장 큰 가치입니다.

Q4: 견습생을 맡게 된다면 어떤 악마적인 부분에 더 주의를 기울이도록 가르치시겠어요?

A4: 먼저 견습생의 능력 수준에 따라 다릅니다. 견습생이 갓 졸업한 경우에는 너무 많은 요구 사항을 가질 수 없으며 견습생이 업계 베테랑이고 이미 업계에서 자신만의 방법론을 형성하고 과제를 달성할 수 있다면 단계별로 진행해야 합니다. 목표를 달성하려면 추가 단계를 너무 많이 수행할 필요가 없습니다. 팀 관리의 관점에서 보면 사람마다 장점이 있고 단점이 있기 때문에 팀장으로서 통일된 요구사항을 제시하기 어렵기 때문에 직원들의 사고방식이나 문제해결 아이디어 등에 좀 더 신경을 쓰겠습니다. 이러한 측면에서 불완전함, 불완전함, 심지어 편차와 오류가 있는 경우 가능한 한 빨리 이를 지적하고 수정해야 합니다. 또한 온라인 모델 사양, 코드 구조 사양 및 코드 주석 무결성과 같은 결과물의 표준화와 관련하여 더 엄격한 요구 사항이 적용되지만 다른 문제는 일반적으로 너무 엄격한 요구 사항을 갖지 않으며 적용되지 않습니다. 엄격한 요구 사항은 너무 많은 "악마 세부 사항"을 포함하지 않습니다.

Q5: 최근 몇 년간 검색과 광고 분야가 크게 발전하지 못했다고 기사에서 언급했는데 앞으로의 발전 방향은 무엇인가요?

A5: 지난 2년 동안 검색이나 광고 분야에서 발전이 없었던 것은 아니지만, 기술 분야에서는 큰 진전이 없었고, 아직까지 많은 발전이 있는 상태입니다. 세분화 방향. 그러나 지난 2년 동안의 발전은 비즈니스 수준에서 이루어졌습니다. 왜냐하면 이 분야의 방향은 주로 비즈니스에 의해 뒷받침되기 때문입니다. 따라서 비즈니스에 혁명적인 "폭발"이 없다면 메이저로 나아가는 것은 어려울 것입니다. 기술의 획기적인 발전. 향후 개발 방향에 관해서는 일반적인 방향에 새롭거나 파괴적인 모델 프레임워크가 있어서는 안 됩니다. 주로 특정 산업 및 산업 방향에 따라 세분화된 영역 및 방향에서 개발할 여지가 많이 있습니다. 업계 내에서는 관련 업계 최고의 컨퍼런스에 더 많은 관심을 기울여 답을 찾을 수 있습니다.

Q6: 엔지니어가 대형 공장에서 3년간 근무한 경험이 있는 경우 권장 방향으로 전환하는 것이 더 적합합니까?

A6: 알고리즘 트랙을 전환할 때는 먼저 자기 평가를 수행하고 자신의 관심사와 강점을 정확하고 포괄적으로 이해해야 합니다. 예를 들어 모델 방법을 탐구하는 것을 선호하는지, 비즈니스 문제를 해결하는 것을 선호하는지, 대형 제조사에서 3년간의 경험 속에서 내가 충분히 잘하고 능숙하게 다룰 수 있는 부분이 있는가? 또한, 기사에서 언급한 자율주행 방향 등 자연스럽게 어떤 개발 방향이 경쟁력이 있는지도 고려해야 한다. 경쟁적인 방향이며 미래를 기대할 수 있습니다. 그리고 착륙이 가까워졌습니다. 일반적으로 추천 알고리즘은 비즈니스와 직결되기 때문에 추천 알고리즘 엔지니어는 비즈니스 감수성이 강하므로 다양한 방향에서 좋은 문제 해결사가 되기 쉽습니다.

Q7: 현재 대부분의 알고리즘 직책은 상위권 대학의 석박사 학생들이 경쟁하고 있습니다. 일반 대학의 학생들은 어떻게 경쟁에 참여할 수 있나요? 입장을 바꿔야 하나요?

A7: 대기업은 대학 및 학업 자격에 대한 요구 사항이 더 높을 수 있지만, 기업에 입사한 후에는 개인 능력에 더 많이 의존합니다. 일반 대학의 학생들은 더 많은 인턴십 기회를 위해 노력하고 더 많은 프로젝트를 축적할 수 있습니다. 학교 배경에 대해 너무 걱정하지 마세요.

Q8: 일이 너무 바빠서 논문을 따라갈 시간이 없다면 어떻게 해야 하나요?

A8: 관심 있는 몇 가지 주요 컨퍼런스 논문을 선택하고 동시에 계속 팔로우하세요. Zhihu와 같은 플랫폼과 일부 업계 기술 포럼에 더 많은 관심을 기울이세요. 주요 컨퍼런스 기사를 분류 및 정리하고 요약을 작성하는 데 도움을 줄 수 있는 사람은 누구입니까? 시간이 부족합니다. 매일 30분에서 1시간씩 실제로 논문을 연구하고 핵심 기술 사항을 다듬은 다음 정기적으로 요약하고 정리하면 좋은 결과를 얻을 수 있습니다.

Q9: 긴 영상 추천에 대해 어떻게 생각하시나요?

A9: 장편 동영상 플랫폼과 단편 동영상 플랫폼의 운영 메커니즘은 상당히 다릅니다. 긴 동영상 추천은 동영상 내용에 더 중점을 두기 때문에 알고리즘 엔지니어는 긴 동영상을 소비하는 사용자의 문제점을 비즈니스 관점에서 역으로 생각해야 합니다. 또한 일부 단위에서는 긴 동영상을 짧은 동영상으로 전환하고 하이라이트를 추출합니다. 긴 영상에서는 '커팅'을 통해 긴 영상을 짧은 영상으로 변환한 후, 짧은 영상이라는 아이디어를 활용해 추천을 해드립니다. 제품 측면에서는 짧은 동영상 아이디어를 활용하여 '짧은 동영상이 포함된 긴 동영상'이라는 방법을 통해 긴 동영상을 추천하고, 긴 동영상의 클립과 예고편을 편집하여 사용자의 시청을 유도할 수 있습니다. 그런 다음 제품 경로를 통해 사용자가 정식 버전을 시청하도록 유도하고 궁극적으로 사용자가 회원이 되도록 유도하여 사용자의 가치를 높입니다. 이로 인해 얻은 깨달음은 알고리즘 엔지니어가 혁신을 이루기 위해서는 여전히 제품 및 비즈니스 관점으로 돌아가야 하며 알고리즘 관점에만 국한될 수 없다는 것입니다.

Q10: 알고리즘에는 높은 학력이 필요합니까? 사회적 채용은 과거 경험에 큰 중요성을 부여합니까? 현재의 기술 방향에 관심이 없다면 어떻게 변화할 수 있을까요?

A10: 산업이 충분히 참여하고 경쟁 압력이 높다면 학력 문제는 여전히 피할 수 없습니다. 학교 및 학력이 유리하지 않다면 프로젝트 경험을 늘려 "국가를 구할" 수 있습니다. 사회적 채용 측면에서 기업은 과거 경험을 더 중요하게 생각하며 후보자의 과거 업무 경험을 소개하여 회사의 현재 비즈니스에 힘을 실어주기를 희망합니다. 둘째, 자기 추진력, 학습 능력, 능력 등 후보자의 기본 자질도 조사해야 합니다. 사고방식, 코딩능력 등 직장에서의 방향 전환을 위해서는 먼저 회사 내에서 방향 전환을 고려하여 자신에게 시험 기간과 전환 기간을 제공할 수 있습니다.

Q11: 추천 알고리즘이 병목 현상 기간에 진입했습니다. 기본 데이터 계층(예: Hadoop, SQL 등)을 더 깊이 조사해야 합니까?

A11: 엔지니어링 관점에서 Hadoop, SQL 등은 실제로 데이터의 기본 아키텍처이지만, 알고리즘 엔지니어로서 우리는 기본을 탐구하고 최적화하기보다는 제품 및 비즈니스 방향에서 돌파구를 모색해야 합니다. 구조.

Q12: 사장님은 연구소 출신으로 엔지니어링 구현 경험이 부족합니다. 하지만 업무에서 너무 세세한 부분까지 신경쓰고, 경쟁 제품의 장점을 이용해 직원들을 부정하고 탄압하는데요.

A12: 사실 좋은 상사는 내부로 압박하기보다는 외부로 확장해야 합니다. 안타깝게도 내부를 압박하는 데 익숙한 상사를 만나면 상사가 외부를 바라보고 부지런히 소통하고 상사의 문제점을 이해하며 상향 관리를 잘하도록 안내할 수 있습니다. 게다가 상사가 정말 사이좋게 지내지 못하고 의사소통도 안 되고, 업무 내용에 능숙하지도 관심도 없고, 그 일이 만족스러운 수입을 가져다 주지 못하거나 심지어 생활에 영향을 끼치는 경우에도 여전히 그렇습니다. 다른 직업을 찾는 것이 좋습니다.

Q13: 검색광고와 NLP, 앞으로 취업에는 어떤 방향이 더 좋을까요?

A13: 검색과 광고는 비즈니스에 더 가까운 반면, NLP는 상대적으로 기본적인 방향입니다. 최근 몇 년 동안 검색 광고 및 프로모션의 비즈니스 개발은 상대적으로 성숙해졌으나 NLP 방향은 큰 문제에 직면해 있습니다. 즉, 제품 구현이 어렵습니다. 비즈니스 관점에서 좋은 랜딩 방향을 찾을 수 있다면 NLP를 시도해 볼 수 있고, 그렇지 않으면 검색하고 홍보하는 것이 좋습니다. 간단히 말해서, 검색 및 홍보 분야에는 "문제 해결"을 위해 알고리즘을 사용해야 하는 기성 비즈니스 응용 주제가 있는 반면, NLP 분야에서는 원래 질문이 매우 간단합니다. 대답은 매우 복잡합니다.

Q14: 작업 중 알고리즘 방향 전환에 대한 임계값이 높나요?

A14: 개인 기반과 전환 방향에 따라 임계값이 있습니다. 예를 들어, 소공투이 내에서 전환하는 경우 난이도는 상대적으로 낮지만, CV/NLP와 소강투이 간에 전환하는 경우에는 상대적으로 어렵습니다. 따라서 작업 중에 알고리즘의 방향을 전환하는 데 여전히 많은 비용이 듭니다. 특히 소셜 채용이 과거 경험에 더 많은 관심을 기울일 때 더욱 그렇습니다. 그러나 전반적인 자질이 좋고, 학습 능력과 자기 동기 부여가 뛰어나고, 회사의 사업이 그러한 인재를 필요로 한다면 방향을 전환할 수 있는 기회가 많이 있을 것입니다. 방향을 바꾸기로 결정했다면 경로를 선택하고 계획을 세우고 계속해서 조치를 취해야 합니다.

Q15: 시계열 예측 분야의 미래는 무엇인가요? 추천할만한 인기 있는 방향이 있나요?

A15: 정량적 거래 시나리오와 시계열 예측 간에는 높은 상관관계가 있습니다. 시계열 기술은 검색 및 추천 분야의 많은 곳에서 사용되지 않으며 사용자 행동 순서 모델링 분야에 포함될 수 있습니다. 자율 주행에는 FSD 경로 계획, 다중 프레임 연결 및 기타 시나리오와 같은 일부 시계열 예측이 포함될 수도 있습니다. 비디오 분야의 많은 기술은 시계열 트래픽 예측, 고객 가치 예측 및 기타 시나리오와 강력한 상관관계를 가지고 있습니다. 시계열 예측과의 상관 관계.

Q16: 알고리즘 엔지니어는 업계에서 3년 동안 일했지만 여전히 작업이 어렵다고 느낍니다. 따라서 알고리즘의 방향이 재능에 더 의존하는지 아니면 노력에 더 의존하는지 알고 싶습니다.

A16: 우선 '난이도'의 핵심이 논문을 읽는 데 있는지 아니면 비즈니스 문제를 해결하는 데 있는지 명확히 할 필요가 있습니다. 취업 초기에는 혼란과 좌절, 불안감이 있을 수 밖에 없습니다. 이러한 상황은 사람마다 다르기 때문에 명확한 답변을 드리기는 어렵습니다. 강점.

Q17: 추천 알고리즘과 데이터 마이닝의 차이점은 무엇인가요?

A17: 데이터 마이닝은 보다 기본적인 기술이며 추천 알고리즘은 더 높은 수준의 응용 프로그램입니다. 추천 알고리즘에는 많은 데이터 마이닝 기술이 사용됩니다.

Q18: 소셜 채용 관점에서 전자상거래 추천 알고리즘 방향으로 3년의 업무 경험을 어느 정도 달성해야 하나요?

A18: 3년의 경험은 일반적으로 Alibaba의 P7에 해당하는 준고급 레벨에 도달할 수 있으며, Tencent의 9레벨은 2년의 추가 개발 후에 일반적으로 Alibaba의 P8 또는 Tencent의 10레벨에 도달할 수 있습니다.

위 내용은 주요 인터넷 기업들이 '해고의 물결'에 직면해 있습니다. 알고리즘 엔지니어들은 어떻게 경력의 '추운 겨울'에서 살아남을 수 있을까요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!