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