NLP工程师的工作感悟
-
非科班（如生化环材）本科生，转行做NLP，建议走工程路线
-
数学是必学的，能理解的水平就够用，偶尔才要动手去算
-
读懂数学背后的哲学，终身受益
-
网上AI炒得很火，实际上是那帮搞教育的在宣传，AI岗早已供过于求，收入遵循供求关系，算法和普通后端逐渐持平，倒是前端收入持续长高
-
NLP工作和业务高度挂钩（技能通用性没有普通后端高），所以要选一个自己喜欢的业务
-
除了积累算法，还要积累数据（带标签数据、词库等）
-
巧妇难为无米之炊，算法工程师最大的困扰在于 缺数据或数据不纯
-
海量的、干净的、标签的数据价值成为核心竞争力
-
算法工程师，既要懂算法，也要懂工程；工程方向：ETL、爬虫、数据库、ORM框架、WEB框架…
-
深度学习的可解释性很差，解析能力也很差，连组合词模型都解不出
-
我曾多次强调逻辑回归，因为这个算法真真真的很TM叼！
-
算法优化周期长，开发预算不好评估，建议小步快跑高频迭代
-
不能无脑接需求，要分清那些算法能实现，哪些不能，不清楚的话就跑一个逻辑回归试试
-
领导、产品、非AI的开发不懂AI逻辑实现，常常沟通困难；所以要拿出结果来，主动地去沟通
-
底层算法（tensorflow、keras…）不断开源；底层应用（通用图像识别、通用语音识别…）逐渐免费；对于创业项目，要避免和寡头竞争
-
AI+行业：AI成熟后，产生的行业，如车牌识别、人脸识别过关、自动驾驶…
行业+AI：已有行业引入AI
对创业公司来说，【行业+AI】更友好 -
拥有行业数据比拥有更强算法要占据优势；
数据价值随时势变，例如yi情 期间旅游餐饮汽车等行业数据大幅贬值 -
算法工程师也要做大量数据标注的工作