心法利器[30] | 算法新人如何在工作中成长
心法利器
本栏目主要和大家一起讨论近期自己学习的心得和体会，与大家一起成长。具体介绍：仓颉专项：飞机大炮我都会，利器心法我还有。
往期回顾
毕业季结束，光荣毕业的各位要开始走向社会成为一名打工人了，作为校招中的卷王，如何让自己的光环在工作中持续保持自己的优势，持续学习成长，逐步成为一个完全体技术大牛？我虽不是大牛，但几年的学习成长沉淀下来，也有一些自己的心得，和大家分享一下。
懒人目录：
快速融入 明确自己的发展方向和所需技能点 广度和深度的权衡 不要脱离数据 应对焦虑 工作和生活 NLP方向的成长 推荐系统的成长
快速融入
开始我想叫熟悉，但是想了想换了一个词，融入，这个可能更好。到了一个新的团队，无论是出于完成工作还是出于个人成长，我们都需要快速融入团队，那么我们需要做些什么呢。
首先是人，很多大佬都喜欢带着新人现在工位上走一遍，带你了解团队，XXX负责什么，同时也让你自我介绍，这是融入团队的第一步，了解团队的内部组成和人员关系，这是后续和他人合作的第一步。
然后是目前工作的现状，整个团队做的主要是什么工作，基本架构什么样的，你所在的小组目前的工作负责什么，在整个架构内的什么位置，现状是什么样的，整体方案是什么，用了哪些方法，后续的规划又是什么，会做哪些事，这些事怎么推进。
再然后就是对你自己未来要做的事情有足够的了解，要做什么，结合你的认知以及先有的现状这件事可以怎么做，预计需要什么资源（时间、人、机器等）。
明确自己的发展方向和所需技能点
对于新人，前3年是基础知识和技能的了解和吸收，如果工作合适，那需要做的就是快速了解你所在的领域，然后逐步深入学习。
有所深入，例如我做NLP，尤其是NLU这块，那文本分类、NER、语义相似度之类的常见方法和前沿技术肯定都要了解，丰富自己的武器库，在解决各种问题的时候有足够高的效率，同时对对应任务的数据、常出现的问题要有比较深入的了解，自己一直保持一个习惯，就是每天都要看一些case，专题各有不同，在线的随机query、目前方案做不到的bad case、专题某个领域的专题样本等，所谓的经验其实就是见过一些问题，可以预判会出哪些问题然后知道怎么去解决。
有些广度，了解一些和自己所熟悉的方向接近的事情，甚至还有些深入。例如即使做的是NLP，因为自己做的搜索所以还是要对排序有些了解，如果自己做的对话，那对对话管理一套还是要了解的，技术上，则一些通用的存储和检索工具，如mysql、redis等，甚至到hive、spark一系列的技术，这里就不是局限在“学python还是学c++”的问题了，有时间、有需要随学随用，重要的是不给自己设限，不要认为这是XXX的工作所以我可以不了解，这就限制了自己了。
换个推荐系统的例子吧，大部分学生工作前和工作后的对“推荐系统”的理解差距会非常大，进去前各种模型表征用户行为特性，公平性问题等，但是实际上到了工作中就是“sql boy”，这点NLP也有类似的但是推荐系统尤为明显，主要原因是学校和工程差距大吧，但这是固有的问题，明确回来后就要去开始熟悉和成长，各种数据涉及到的技术要快速掌握，甚至可以专题学习，spark、hadoop等，至于推荐系统需要的技术，现有的项目几乎都有，随便那一段就能学，多和负责这一模块的大佬交流，自然就有了成长，我们应该逐步明白推荐系统不只是有排序，还有试探，还有冷启动，还有物料和用户画像的维护等。
广度和深度的权衡
深度让自己能更好的解决一个问题，而广度让自己能解决更多问题。
越是大，流程完整，团队完善的部门，分工会越细致，这几乎是必然的，而我们很可能就是完成一个很细小的部分，同样正常，而从成长的角度，对于一个萌新来说，深度的优先级会高于广度，毕竟交到你手上的就是一个基本、明确的小活，要做好必然要求足够的深度和对问题理解，而长期，要晋升、要成长，局限在深度上就会让你变成一名“熟练工”，缺少整个工程管理、项目管理的“大局观”，此时需要的就是广度了，多了解和自己相关的，不设限，才能逐步拓展自己的视野，让自己能做更多事，能掌控更多事。
不能脱离数据
看数据是一个意识，能有这个意识就已经是新的蜕变，毕竟数据是算法的根本：
他是我们深入了解现状的重要窗口。 模型训练的根本，质量和数量直接影响了效果。
因此不要抗拒看数据，有的时候简单分析100条就几分钟就完事了，没有很多时间也没有很枯燥，还能去发现一些之前没想到的有意思的情况（你能想到，语义相似度的数据里居然有这样的pair吗：你好吗-how are you），有足够的数据理解，对于科研是思路的启发，对工作落地那就是技术方案设计的依据了。
但是，真正难的其实应该是分析的思路和角度。同样的实地考察不同人会有不同的结论从而采取了不同的解决方案，很想展开聊，然而可能因为我段位不够，而且问题多种多样，我暂时还没有总结出比较完整的分析方法论，还需要持续修炼吧。
应对焦虑
面对全新的环境，已经成熟的大佬，大厂完整的框架，哪怕是同期也有大量的大佬存在，各种媒体还在疯狂地贩卖焦虑，甚至开始有了生活的压力，难免觉得自己在蚍蜉撼树，感到弱小无助，正常，非常正常。
遇到问题就解决问题，核心在于找到问题的根本，如果真的是水平不足那就去学，了解自己该学什么然后就去学，我们需要解决的不是焦虑，而是产生焦虑的那个问题，所谓“釜底抽薪”就是这个意思，找到问题的根本。
焦虑有的时候来源的反而不是事情难，而是问题在眼前却没有解决思路，或者思路混乱，因此我们要做的是什么都别做了，冷静下来，列举自己要做的事，排好优先级，明确方案和计划，然后逐步实施，人的精力有限不能同时完成很多事，因此我们列举清楚按部就班，就会轻松很多，原来高考有老师给我们安排，现在的工作那就自己安排。
而对于解决不了的问题，找PlanB，再不行就降低要求，干不到没办法，那就排解。
工作与生活
现在我们这代，我真是没看到过几个能持续每天都准点下班的，哪怕是很多人开始心心念念的公务员、老师。“work life balance”应该是一个大家梦寐以求的东西了。
不太想展开，每个人都有自己过的方式，我只给几个建议吧：
培养至少一个爱好，甚至是嗜好。至少我觉得这是一个让我自己还是一个自然人的标志吧。我自己喜欢打游戏（从怪物猎人太弓锤十多年老粉，海拉鲁大陆无业游民，极地大乱斗职业泉水指挥官）、乐高、写文章。你也可以找到自己的喜好，敦促自己回归生活，享受生活，终点的风景很美，但是沿途的风景也很美。（趁着还没有吞金兽尽情快活）
关心身边的人，父母亲戚、伴侣、朋友，定时沟通，保持交流。
至于工作，我自己是一个弹性比较大的人吧，工作真的来我能拼，干完方休，工作空下来也会抽空早点走（当然6点半是真的少额），很多人聊到OPPO是不是加班很多，至少我的部门并不会（来投简历试试？），多少有些幸运吧，自己其实挺享受这个节奏。
NLP方向的成长
感觉可能会有人会要到这个东西，简单给大家列举一下新人可以了解和学习的一些建议吧。
了解1-2个基本任务，知道他的多种方案并且能明确分析他们的区别和应用场景。 会解决问题，能分析出一个目前效果不佳的原因并进行优化（绝对不是调参换模型那么简单！） 性能意识，知道自己用的方法性能是什么样的，是否符合需求。 会基本的数据处理和挖掘，至少能把想法翻译为代码。 大规模预训练语言模型只有很少一部分项目会用到，当然越成熟大团队越可能使用。
工程上：
代码是要会写的，不要问是java、c++还是python，这里需要的不仅是会代码本身，需要的是快速掌握和现炒现卖的能力。（当然系统学习是可以在业余时间补充） 基本的代码会写。 编译、打包、部署。 基本的数据库要懂，mysql、hive、redis等，原理倒是不优先，重要的是会用，会存会取。 计算机网络和数据结构与算法，没学过的最好补一下，有个基本的认识。
推荐系统的成长
推荐系统也顺带简单聊一下。
推荐系统是系统工程，不是只有一两个部分就能完成任务的，能尽快了解所在产品的全貌就尽可能快速了解。 多看数据，多看内部已有的策略。 了解1-2个模型任务的特征、离线训练数据构造、训练过程、在线使用的全流程，确保自己能学会。 AB实验的指标设计、计划安排。
工程上：
推荐系统大都用java，和上面一样做，没什么好说的。 推荐系统非常依赖数据，因此sql一定一定要熟练掌握，另外spark、hadoop也要懂。 计算机网络和数据结构与算法，没学过的最好补一下，有个基本的认识。