先歪个题，从反面回答一下，我碰到什么样的算法工程师会认为他/她是优秀甚至是卓越的大佬，并选择紧紧抱住大腿不松手。之前与

1. 基础非常扎实。问他/她一些比较经典的算法，能够很清晰地说出算法的特点、适用的场景、坑点、里面的细节等等。
2. 工程能力很强。我是一位“工程狗”，自己的工程能力很菜，但对工程能力强的同学非常崇拜 Orz 如果碰到一位算法工程师的工程能力很强，仅凭这一点，我就认为他/她基本上一定是大佬Orz
3. 重视代码的测试。算法岗的工作并不完全就是调参炼丹，往往也是需要去写一些代码的，例如写些spark/sql代码获得特征，写模型等等。既然是写代码，就可以而且应该在其中加上测试。实际上，根据我的经验，如果碰到某个其他地方好用的模型在自己的场景下效果很差（不reasonable得差），那很可能是数据、特征的处理代码有问题，或者模型的代码有问题。这种问题可以用单元测试（断言等）来提前发现，也可以用一些sanity check来发现。
4. 对场景业务的认识很深刻。软件工程没有银弹， 机器学习也没有银弹。用什么样的特征、什么样的预估目标、什么样的评价指标、甚至什么样的模型，这些东西都是要与场景业务结合的。换言之，工业届里，业务先于技术。很多大神在这个方面做得尤其出色。
5. 在实际场景中，注重先把整个pipeline搭建起来。个人认为，这一点在实际应用中往往应该是最优先的。搭建起来之后，机器学习系统的上下游也都可以工作，也可以更好地判断系统的瓶颈所在，把好刚用在刀刃上。这其实就与做开发的程序设计一样，较早地抽象出比较好的接口、搭建一个系统原型是很重要的。
6. 能够持续学习新的知识，跟踪最新的成果，对各种模型的motivation有自己的理解，有自己的insight与vision。这里举几个我自己学习过程中碰到的例子来说明一下这点。例如，推荐系统中，在Youtube 16年的推荐paper中，为何step1和step2的优化目标是不一样的？人脸检测中，MTCNN为何要分为多阶段？landmark检测中，3000FPS为何要分为两个阶段？（这些是设计相关的motivation）Google的wide&deep为何在Google store的场景下效果好，而在其他的场景下效果不一定好（这是对场景的motivation理解）？文字检测中，PixelLink为何要引入link？OCR中，CRNN为何要引入一个RNN？机器学习系统中，LightGBM是如何针对xgboost存在的哪些缺点进行改进的？（这些是对改进的motivation理解）我认识的一些大佬们会主动结合文章思考这些问题，有的时候会有与paper所claim的不同的理解（毕竟写paper的story很多时候也不一定靠谱，大家都懂），甚至还会做实验验证自己的理解。然后拿这些问题来考我，在我思考不出来后再告诉我他们的理解与实验结果Orz
7. 做多数实验之前有自己的假设，根据实验结果会根据实验结果做进一步实验，或修正假设、或进一步探究。
8. 自己参与的项目，对其中与自己比较相关的内容的细节比较清楚，自己负责的部分能够了如指掌。
9. 能系统性地分析出机器学习整个系统的瓶颈所在，并提出相应的解决方案。当系统效果不好的时候，知道如何去debug，找到问题所在，改进系统的性能。这方面是我个人尤其欠缺的点。

相应地，这些也是我要努力提升的地方。如果我是面试官，我想我也会从这些方面去考察算法工程师的候选人。当然了，以上几点不一定要面面俱到，例如很多大佬不一定工程能力很强，但仍然可以做出很好的东西。换言之，上述特点的precision应该很高，但recall不一定特别高。不过，在我看来，与以上描述相反的算法工程师，即基础不牢、工程差劲、不做测试、不怎么考虑场景、在搭建起pipeline之前过早地沉迷于某一步的优化、不学习新东西、拿所有实验当黑箱炼丹等等，这样的算法工程师（其实就是我了）在我看来就比较一般。 而差劲的算法工程师，在我看来，是不仅这些方面做不好，还瞧不起这些方面的人。

这周面试了一个候选人，面CV/DL/AI的TechLead。简历很牛逼，做过很多CV的工业项目，涵盖detection, OCR, face recognition, fire/smoke detection等好多项目. 给我们讲了45分钟做得项目，讲得很自信。我挑了一个大项目，我说你在这个项目中的贡献是什么？他说整个项目的所有算法部分都是他实现的。

OK,我开始进行深度学习的技术面。

我先问了两个深度学习的中等难度的问题，他都说不知道。有点冷场，那我赶紧问点简单的吧。我说，深度学习网络，进行分类时有哪些loss?他犹豫了一下，回答: relu.

瞬间把见过大场面的我还有同事都震住了。

我们组一个年轻的印度小哥，UCSD毕业的，按说教育背景也不错，写model serving过程中的一步。每个request开20个线程计算。

我说你一个m*n复杂度的过程，m和n还都小于100，有必要开20个线程计算吗？你那线程开销绝对比并行计算收益大多了好吗。不听，给我说（大概意思）：

并行计算比较cool，老老实实写那个过程太boring。

行吧，不听不听吧，自己折腾去吧。

过两天给我说load test的时候server的latency翻倍，我一看线程数都超过JVM上限了能不翻倍吗。

讲这个倒不是想取笑这小哥，而是跟大家讨论一个问题，就是什么是比“技术上最差”更糟糕的情况。

如果你只是基础差，但总体上是一个严谨的人，其实到不那么麻烦，就是按部就班的学习，按部就班的积攒工程经验，无论是哪个领导还是老同事应该都是乐于帮助这样的年轻人的，因为总体来说你还是在解决问题，哪怕速度慢一点，你总归在成长，而且是让系统整体混乱程度降低的。

最差的算法工程师其实是什么呢？是自己对技术的感觉很差，但对自己的感觉挺好，试图用一些比较fancy的手段解决问题，但实质上引入了更高的系统复杂度，增加了系统潜在风险，这样的人，其实对整个团队是负能量的存在，始终需要更senior的人帮着擦屁股，这无形增加了整个团队的工作量，这就是最差的算法工程师。

我特别喜欢的一句话是：

“不带评论的观察是人类智慧的最高境界”

希望刚入行的算法同事们能够知道这句话的意义，其实公司不急于让每个人都发表意见，在自己技术能力不那么足的时候，不带评论，不带主观情绪的去学习一段时间，好好思考一下别人为什么要做出这样的技术决策，好好积攒一下自己的技术感觉，这是最重要的。相信度过最初的积累阶段之后，你能够为团队做出，为整个系统做出“熵减”的技术决策。