如何看待 2020 届校招算法工程师岗位求职人数远大于招聘岗位的现象？

作为一直劝入机器学习的从业者，也分享一下我的想法。

首先，机器学习工程师也跟其他的工程师一样，有个有起有落的过程。在浪潮来的时候，各个公司疯狂投入，便会疯狂招人，而随着风口平静下来，公司回归理性，便会开始衡量 ROI。放弃不值得做的业务，把资源放在 ROI 更合适的地方。

思考浪潮，就要思考 ROI，哪些领域更难被替代，哪些领域就更值得长期投入。

标准化 + 自动化 = 被替代

常见的机器学习应用领域比如推荐、搜索、CV、NLP，等等。如何衡量是否容易被替代呢？简单粗暴的方法，就是看有没有“标准答案”。

比如 CV 里面的绝大部分应用，都会有“标准答案”。比如物体识别，人脸识别，姿势识别，感情识别等等。有“标准答案”，就意味着对于公司而言，自己组建团队开发，与用第三方的服务，或者开源的框架，区别不大。如果第三方的服务足够好，从 ROI 的角度看，不如直接买服务，远远好于自建团队。在 AWS，Azure，GCP 这几大云服务巨头提供 CV 相关的 API 之后，其他公司便更多地是整合这些服务，而不是从头再开发一遍。

而推荐这样的应用往往就没有“标准答案”。不同的公司业务不同，用户行为不同，对应算法考虑也就不同，建模的思路也会非常不一样。再加上要整合各种业务逻辑和多个不同的优化目标，几乎完全不能标准化。而推荐又慢慢成为了很多产品的核心用户体验，推荐系统做的好，用户就用的开心。因此，公司对于推荐算法的团队投入往往是巨大的。

要注意的是，“标准答案”的存在造就了工业界和学术界巨大的不匹配。因为有“标准答案”，便更适合水论文，方便毕业，导致学生往往都会侧重这样的方向，但这样的方向在工业界往往又会被替代，重要性不高。而对于没有“标准答案”的领域，学生关注的少，但往往又是工业界期待的人才。因此，在方向的选择上，还是要深入思考浪潮背后的逻辑，不能盲目跟风。

数据驱动的文化成就机器学习团队

推荐这样的应用对于公司产品的影响是极其巨大的。

但是这样的影响力的确定，必须在数据驱动的框架下得以体现，而不是通过开会中 PPT 与拍桌子来争论谁更重要。数据驱动做的好，一切以数据为根基，机器学习应用的重要性往往会自然而然的体现。因此，数据驱动做的越好的公司，算法团队往往获得的资源就更多。

比如我在加入 Tubi 组建机器学习团队的伊始，不仅在团队内部推行所有改变都要上 AB 测试这样的迭代文化，更帮助整个公司建立了完善的 AB 测试框架与体系，在实验中迭代与反思。经过两年的迭代，在公司所有的 AB 测试中，**机器学习相关的实验对于公司 KPI 的影响，比其他所有产品功能实验的影响的总和，还要高一个数量级！**在这样的简单清晰的数据面前，我们 CEO 几乎每次采访都强调机器学习是 Tubi 的竞争优势，底气十足，比如：

“We saw an opportunity to build a truly data driven media company that relies on machine learning for a lot of aspects of its business, from user recommendation to acquisition,” Massoudi said.

一点建议

对于对于机器学习算法感兴趣的学生，一定要反复思考浪潮背后的逻辑，结合自己的兴趣，选择更能长久的方向。而对于公司的选择。在职业生涯的早起，尽量选择更加数据驱动的公司，更有助于技术的积累。