一、若无闲事挂心头

疫情下，整个生活方式还是发生了很多变化。显著的一点是社交活动少了很多，很多老朋友也不再聚了。多了很多自己的时间。有时候会怀念学生时代，当放寒假时，时光慢了下来，可以整理好一年的心绪，内心没有任何挂碍。悠闲的晒着冬日暖阳，看着《红楼梦》啥的闲书，或者跟家人打打牌，我可以很清楚的知道家里每个角落的物品；而现如今，空闲时间就会写上一整天的代码。内心不得闲，非常焦虑。

有时候觉得喝醉一把中断一些思绪会是很美的享受。10年代的时候，每周五我们会出去鬼混。我跟一个哥们有一次从夕阳西下喝到饭店打烊。后来数了下两个人18瓶啤酒。喝High后，我们一路闲逛，整个人非常relax。小哥摘了朵野花插在耳朵上，我们顺势就进了一家KTV，跟一帮正在搞社区聚会的团队一起K歌，阴差阳错自来熟的认识了很多年轻的学生和当时流行的歌曲。交了不少新朋友。每个人都有鲜活的故事。就像过年回老家的列车上，会跟旁座的车友一路闲聊。大家都特别兴奋，工作辛苦一年终于回家了。有很多新鲜的故事分享，每个人的生活都是一部诗歌。疫情下就不一样了。比如当下火车上，大家都戴着口罩。紧张地期待时光跑过火车。

这两年有时候会一秒emo。生活上有些不顺心是其次。主要是自己一直期待开始下一个阶段没有实现。我期待的生活其实也很简单，能有个每月睡后10万的收入，我招聘一个前端，一个java架构，加上我三个人，我估计都可以把天干翻。如果没有10w，那5w也可以，我高低搞个library，开源出去影响一代AI人。可是找了几家公司，包括蚂蚁都上不了市。梦想破灭的瞬间感觉时光白过了。不过转念一想，人家滴滴的、快手的朋友，也过得不尽如人意。事实上，我从小读书一路走来，到现在有房有车，手上有足够cash能保证有质量的生活，在一线互联网公司做AI，这还是很多学生的梦想。也是我小时期待的生活。这样内心也会淡然些。

跟别人比容易焦虑。活着要开心。开心是一天，不开心也是一天。为啥不开心呢？

若无闲事挂心头，夏有凉风冬有雪，便是人间好时节。祝大家新年快乐。

既然是算法从业者的突围。就来好好聊下行业吧。

一、算法择业观

算法比一般的软件开发有高一些的壁垒和专业度。因此，天花板也要高些。当一个行当你沉淀的越深，你壁垒越高，你不断深挖能挖到更深的水的时候，这是好的行当。而如果一个行业积累10年跟积累2年没有太多区别，你是很容易被替代的。

所有互联网从业者，每个月都要问自己一个问题：你相比半年前的自己有什么质的不一样。你的经验和能力是否是聪明的应届生通过半年努力就能学会的。如果是，就要转变工作内容和方式了。

既然你踏上了这个行当，你大可不必转行做java后端。这是对一些由于算法工程师人员过载转行人的忠告。但算法比开发卷是真的。开发你做一个功能就有产出，算法很容易做到一个高度，没法再迭代优化推全拿新收益了。忙活一阵发现没什么产出内心很焦虑。

既然在这么卷的行当中，行业就会不由自主的推着我们向前走。算法是最需要专业度的。所以必须精益求精，跟进时下业界最新潮的算法。让自己专业度更高比寻找好的业务落地场景更重要。比如说某个跨境电商企业，一开始不温不火，一个算法负责人很轻松就可以把搜推广做好拿到不少GMV提升，但当公司发展到一定量后，公司对算法的期待越来越多，他的能力不足以支撑梦想，公司很快高薪请来更专业的算法，慢慢他就被卷出去了。这个是真实的故事。

所以每个人必须提升自己的专业度。把这个当做首要职业发展观。

二、关于提升算法专业度

这几年在关注搜推广。从互联网行业来看，搜推广才是直接对营收负责的第一阵线，CV、NLP更多的是感知器。那就聊聊这个行业的算法进展吧。

搜推广存在很多不同。搜索是用户主动意图的高质量流量，他的评价是如果最短路径解决用户需求；而推荐则很大一个是挖掘用户需求，因而多样性是一个很重要的评价尺度；而广告直接以带来广告消耗为目的，因而如何给广告主带量成为了更重要的评价指标。我们抛开这些差异性。着重从排序甚至精排角度来看这些问题。

样本、特征工程还是模型结构

如果一个项目还不够卷，你稍加修改动点脑筋从数据入手是很好拿到收益的。数据入手的方式有很多中，比如说数据集构建的方式更合理，例如抽样跟有代表性，时间更有覆盖度，数据清洗更精细化等等；或者说深入理解业务，构建更有表达力的特征，都可以很好的拿到业务结果。或者说debug一下lookup表，特征分分group，特征排序降维清洗等等。但如果一个算法项目已经推全了很多次。再想拿业务结果就必须下真功夫在建模上做文章了。

目前搜推广还能在哪些方面发力拿业务结果呢？我整理了一些算法点。

1）MTL。多任务学习时下是业界主打法了。例如推荐系统，业务既要点击又要转化，还要评论点赞转发，还要停留时长等等。通过多任务学习建模拿收益是一个很好的点。这一块核心优化点是如何让多个任务共享有价值的信号，同时又可以有个性化的信号。同时，对于样本稀疏的任务，如何利用其它任务来辅助排序。

2）debias。我们的互联网排序系统的日志收集其实是有偏的。因为排第一位置的Item跟排第十位的item有着天然的流量差异，把他们放在同一个模型尺度下评价是不公正的。因而把这些bias 消除是很好拿收益的。例如autodibias方法值得把玩。

3）transformer行为序列分析（session推荐）。如果把用户的过往行为当做输入，自监督学习他下一个行为，这就是一个transformer建模的天然场景。这样的方式建模会话推荐、会话搜索是很nature的。这也是当下好拿业务结果收益好方向。

4）图网络。图算法首先在社交网络挖掘上落地。随后在信用风险控制场景拿到结果。随后开始漫卷了整个算法圈。基于时空图的流量预测，基于注意力图的召回算法，甚至可以在CV领域图算法做人体关键节点检测。

目前图算法在搜推广落地，比较好拿收益的点还是在召回上。基于传统的多路召回总归有遗漏的，或者信号提取不准确的，但构建item的图网络，可以通过图卷积将相关items 一网打尽。

5）强化学习。广告算法中一直EE（exploit-explore）问题。一般用bandit算法来做。但随着强化学习的发展，这一块用Agent来做更好。这个业务场景就是，精排模型的后面，最终的流量决策器是一个Agent,他可以一一定概率来走精排模型基于已有样本集取最佳排序，他还可以有一定概率走探索未知的item。两者的rewards是系统长期收益更大。

6）meta-learning。元学习目前已经在很多排序场景中落地了。拿广告算法来说，基于元学习的千人（ad）千模的广告算法，能更多的照顾到不同广告主的感受。拿到更多的业务结果。

大概就这些方向吧。写的越多发现自己懂的越少。

疫情偷走的两年-算法从业者的突围