問題的解決能力

問題的解決能力大部分入門的演算法都容易把精力集中在模型上，無論是理論還是實踐，但是卻背離了演算法本身所依託的背景。作為工程師而非科研人員，其核心價值在於解決問題而非研究模型，當一個問題能使用簡單的規則策略去解決的時候，我們並不應該使用訓練時間長、結果不可控、效果風險不明確的模型作為解決方案。

舉例子，客服機器人大家都知道，對於演算法而言可能就會開始看文字生成、對話機器人的知識了，但是實質上，一個“觸發詞-回答”的詞典就能達到初版上線要求。命名實體識別在很多場景其實沒有標註資料，模型根本無用武之地，語言模板規則、詞典最大逆向匹配都是很好的方法，不必糾結於模型。

另一方面，解決問題的能力還要體現在逆境上，資料不全、資料質量不高、缺乏訓練資料的時候，你要提出你的解決方案，尤其是在新專案下，這種場景很常見，能開天闢地的往往是高手，你具備這些能力才能夠進一步進階，除了研究模型本身，多想想類似“萬一有XXX情況，這個方法還是否可行，不可行怎麼辦。

記住，使用者對實現方法的高階低端是沒有任何感知的，老闆也是。

模型的優化能力

演算法工程師的工作看著很簡單，問題一來加模型調結構上線。

但問題是，如果模型效果不好，你該怎麼辦？換一個模型，調參？基本也是差不多的效果，大家看論文其實可以看到，在論文裡模型的提升基本不會超過10個點對吧，所以換模型只能存在於微調中。那你就沒轍了？這就是體現演算法工程師優勢的能力所在。

你可以：看看資料質量、資料量怎麼樣要不要提升。看看特徵是否足夠表徵個體。標註是否正確。模型特性是否符合問題（例如RNN和CNN的適用場景）等等。

尤其是在NLP領域，整體非常黑盒，整個模型的流程相對固定，基本沒有什麼干預措施，所以你的選擇會變得更少，如何能進一步提升結果，（新增人工特徵、優化資料集、優化模型等）這個需要的是你的智慧和經驗了。

順風局誰都會打，逆風局如何化腐朽為神奇才是高手該體現的能力。

工程能力

這個概念有點模糊，簡單舉幾個例子吧：

* 你的演算法耗時多少，是否具備多執行緒的能力。（例如一般而言RNN系列模型的耗時都偏長）

* 演算法如何部署，線上部分特徵怎麼構建和傳入。

* 你寫的演算法複雜度多少，有沒有優化空間。（例如用Trie樹代替便利詞表實現檢索功能）模型的更新是熱更新還是需要重啟服務，生效時長等。