作者 | 梁唐
大家好，我是梁唐。
在大众眼里，算法工程师一直是一个比较神秘的角色。听起来很有科技感，好像研究的是什么了不得的前沿技术，非常高大上。但是看来看去代码产出却不多，听起来好像很厉害，但却并不知道都干了些什么。
今天就和大家做一个揭秘，分享一下我们这行的工作日常。
目标
如果说开发工程师的目标是做出之前没有的功能，或者对已有的功能进行优化，那么算法工程师的目标又是什么？
这个问题对于业内人士来说当然简单，但隔行如隔山，如果是行外的人往往答不上来。往简单了说，一个词就可以概括，就是效果。算法工程师的目标就是算法的效果。只是不同的问题场景，不同的模型，效果背后的含义却相差很大。
比如做机器翻译的NLP team，看重的效果是翻译的精准度，做搜索、推荐的team，看重的是用户的点击率，而做图片识别的，看重的是模型的准确率……
而在公司之中，这些所有的效果最终都会需要转换成业务效果。所谓业务效果简单理解就是公司的业绩，也就是说这些模型、这些算法究竟对公司的业绩提升提供了多大的帮助。
以推荐算法举例，我们的目的是给用户推荐高质量的商品，赢得用户的点击以及购买，使得用户在公司的产品上投入更多的时间以及金钱。大家刷过抖音就知道，之所以抖音能让人着迷刷得停不下来，背后依靠的就是这样强大的推荐算法，能够一直吸引你的注意力。
如果没有这样的算法在背后推动，可能用户刷到几个没意思的视频就不刷了。
既然所有的算法效果最终都要落到业务上，那么这里面自然也难免有亲疏远近。离业务越近，对公司的业绩影响也就越大，也就越重要，责任也越大。对于萌新来说，可以从这个角度入手，梳理自己的岗位以及团队在公司中的地位。
举个简单的例子，假如说某天某宝的推荐算法挂了，假设每个用户平均只少点击一个商品，那么乘上一个巨大的基数给公司带来的损失也是一个天文数字。同样，加入你们团队是负责给推荐团队提供数据支持的，某一天你们团队挂了。也许推荐算法的模型也会有点影响，但是真的落实到指标上，可能也就是小数点之后几位数的一个小波动而已。
虽然说这两个岗位可能同样是算法工程师，但是彼此对于公司业务的影响以及重要程度显然是不可同日而语的。
方法
聊完了目标，再来说说方法。
我们已经知道了我们的目标是优化模型推动业务增长，那么该使用什么样的方法来推动呢？说白了了也简单，就是使用模型训练的方式。
在人工智能的时代到来之前，还有一个词炒的火热，也就是大数据。大数据是一切的基础，正是大量的数据推动了算法模型的发展。因为所有的模型都不是天上掉下来的，也不是开发人员一点点写出来的，而是通过大量数据训练出来的，这也是机器学习和深度学习的本质，让模型自己从数据当中学到精髓，从而带来产出和效果。
现在我们知道了想要好的模型，需要从大量的数据训练。剩下的问题就是这些数据从哪里来？显然不会从天上掉下来，都是工程师一点点开发得到的。这也正是算法工程师工作的核心，从大量数据当中提取数据。
要知道原始的数据是不能直接使用的，这点就像是做菜，直接买来的食材总是要经过处理的，是不能直接丢下锅的。算法也一样，需要对数据进行加工和处理。
处理过程主要包括三个步骤：清洗、采样和加工。
先来说说清洗，这点和洗菜择菜一样，要把数据当中不符合要求和规范的脏数据清理掉。比如说用户没登陆的数据，部分字段缺失的数据，以及其他质量不符合要求的数据。这个步骤相对简单，由于判断条件基本固定，所以开发完成了之后很少发生变化，真正的一劳永逸。
然后是采样，虽然我们现在已经是大数据时代了，但是训练模型的计算力依然是有限的。尤其是一些大公司，动辄数亿、数十亿的数据，显然需要消耗的资源也是巨量的。所以显然，对数据采样可以减轻计算资源的压力。
另外一点也是模型效果的需要，在一些场景当中，比如电商购物场景。可能上百个浏览才能有一个成交，带来的结果就是样本比例悬殊。一百个甚至几百个样本当中才有一个正样本，那么带来的结果就是模型的效果被负样本带偏，影响模型的能力。
最后是加工，这一点也很好理解。当下，模型只能识别int和float两种类型的数据，但是有些特征可能是字符串，比如说商品的类目、标签这些。所以我们需要人工将这些字符串类型的特征进行转化，想办法用int或者是float的数据来代替它们。
还有就是我们自定义的一些计算逻辑，比如判断商品在不在用户的购物车里，比如商品的价格是否在用户能接受的价格区间里，商品上是否有用户喜欢的标签等等。这些逻辑都是我们为了训练模型而额外附加的，显然在数据记录的时候是没有这些数据的。那么这些对数据的计算和处理逻辑也需要一个单独的步骤进行处理。
最后经过这一系列的处理之后，每一条服务器记录的数据都会被转化成模型能够识别的特征，这样才可以真正做训练。
简单来说，服务器当中记录的用户数据就像是菜地里种的各类蔬菜，我们要想做出一盘可口的菜肴，在入锅之前还需要一系列的处理和加工。算法工程师的大部分工作也都在这个部分。
分析迭代
到上面为止，基本上一整条算法训练的链路已经很清楚了，不过这还不是工作的全部。因为剩下的部分同样非常重要。
在模型上线之后，我们还需要做一件非常关键的事情，即进行一定的数据分析，找出以后继续改进和优化的方向。
这里的数据分析主要有两个部分，一个部分是对模型的效果进行分析。判断当前的模型和旧模型相比是否获得了提升，以及提升的效果是否明显。其次是对数据进行深度的分析，寻找一些还没有挖掘出来的特征。
如果只是单说分析不免显得有些空洞，但实际上可以立足进行分析的点很多。比如说，模型对于点击率的提升很明显，但是对于成交没什么特别明显的帮助。这个现象是可以从数据上找到解释和依据的，比如说订单的成交往往要落后点击，所以一种可能是对于订单的提升还没有显露出来，需要时间的沉淀。
再比如说产生点击和产生订单的人群是不同的，可能点击的当中有大量没有登录的用户，这部分用户缺少用户偏好相关的特征，而产生订单一定需要登录，这部分用户是有偏好和行为特征的。也就是说这两部分用户的数据集以及特征分布是有区别的，那么很有可能就因为这个对结果产生了影响。
像是这样的case以及思考分析的角度还有很多，并且由于数据分析的工作量往往比较大，需要进行大量的运算以及脚本的编写，所以很大程度上来说，这块才是算法工程师日常工作的大头。
所以很多萌新刚入行的时候往往会觉得大跌眼镜，说好的各种前沿模型呢，怎么一直在做数据。其实算法模型本身就不是能独立于数据而存在的，有一句话说得好，数据决定了模型效果的上限，使用的模型的好坏只不过是逼近这个上限罢了。
