推荐算法岗是否存在严重人才过剩?
非名校，211硕士，据说cv岗已严重人才过剩，认识的做cv的师兄都放弃了算法岗转向开发岗。 过剩吗？为啥我看到公司里一直想招招不到？我觉得不是过剩，而是自学，培训班，学校出来的很多人才不能满足工业界使用，主要是这几个点吧，学会了其实是质的提升。
会几个模型不够。很多初学者会把心思放在模型上，没毛病，但是只会那几个模型不够，你要懂方法之间的差别，理论上的和实践上的，你要知道如何对症下药，针对特定问题提出特定方案，别是nlp问题就bert，推荐系统就din，问问当前问题是否适合。
工程能力，看到有答主提到了，此处不赘述了，我把之前写的文章贴这里。
ML&DEV | 浅谈算法工程师的工程能力
综合的解决问题能力，科研讲求创新性，企业不太需要，而且需要一个能分析好问题，提出短平快的解决方案，这个能力没想象中那么简单，问题是否定位清楚，点击率为什么下降，某些高质量内容为什么没有被推荐，是过滤了还是没召回等，然后是如何针对性解决，模型风险高，有没有别的更好的方案？
经验。额，这是一个和工作对应起来先有鸡还是先有蛋的问题，但的确如此，有经验的人往往见过一些问题，并且知道怎么解决，而不是还需要探索，他们知道的东西可能是你不知道自己不知道的东西。再者，尤其推荐系统，没有经历和有经历过差别太大了，有些坑压根就想不到，例如额，模型预测离线在线不一致的问题。
回过头，说过剩肯定有些问题，毕竟企业招人也难，问题是在于，现在新生人才和岗位需求不匹配，那么作为求职者，要做的就是多看看面经笔经的同时，了解工业界的一些方法，动手实践。
最后抛弃幻想，不要迷信什么一个月学会推荐系统之类的说法，尤其推荐系统，他是个系统，里面的东西太多了，召回随便说好多种方案，协同过滤在线的性能问题，冷启动问题，系统第一版本下的排序问题（没数据），都是大坑。
共勉。 一句话，人过剩，人才稀缺。
（阿里淘系算法工程师琦舞，从事推荐算法行业五年左右，聊聊她的看法。点赞关注我们，后续解锁更多阿里淘系技术干货。）
————————————————————————————————————————
21世纪貌似是个全员转码的时代。大数据、机器学习、人工智能的培训班层出不穷，很多学生冲着算法岗的高薪，争先恐后转码，这也导致了这个赛道上的人越来越多，但只有少数人可以拿到心仪的offer，拥有金字塔顶尖的薪酬。知乎上的话题从算法岗19年一片红海，到20年诸神黄昏，再到21年灰飞烟灭。。。
如果你数学基础还不错，也有一定的编程功底，你完全可以速成机器学习，一个月啃完西瓜书花书南瓜书，两个月手撕竞赛模型，一年憋出一篇水文。既然入行如此简单，为什么算法工程师之间的薪资差异却如此巨大呢？算法这个方向，恰恰是入门易，精通难。比如，何种模型应该何时何地应用于哪个场景，是个很需要经验的事情，当然也建立在对公司业务具有深刻理解的基础上。
除此之外，我们要认清学术界和工业界的差异，在工业界，公司为什么要招聘你？给公司解决问题的。一个大问题，必然伴随着无数个小问题，过程可能会很难，不过话说回来，不难，要你干嘛？发论文不是目的，解决问题才是。如果既能完美解决问题，又能辅之以优雅的手段，你就离325远远的咯。
下面说说我的理解。
正如智慧的查理芒格所说，人只有做自己感兴趣的事情，才能成功。如果不喜欢的事情还要做到很好，那对人性的要求过高。如果你不喜欢写代码，下面的回答可以跳过了。答主是真的喜欢数学和代码，我觉得数学和代码像舞蹈一样，都是优雅的艺术，而我们是匠师，打造出优雅漂亮的代码是我们的职责。工作期间，不是每天都有时间写代码的，能够写代码的一天，绝对是快乐的一天。答主工作五年，对每天的工作仍然有很高的热情，工作带来的成就感和满足感，是很多事情远不能替代的。
但算法工程师们在工作中也不能只会写代码，还需要一些其他方面的综合能力。下面具体聊聊。
先说人才过剩的问题。人才过剩吗？有很多大厂和创业公司都在疯狂招人呢。
所以，人过剩不假，人才稀缺是真。
我从事推荐算法行业五年左右，当年侥幸入行。虽才疏学浅，但也有幸与一些大神共事过。现就职于阿里巴巴首页猜你喜欢推荐算法团队，身边有一群特别优秀的同事，他们每个人的业务和技术都十分出彩。
自职业生涯伊始，我身边不乏有一群优秀的伙伴。他们大致可以分为两种，一种热爱技术，热爱代码，热爱钻研，热爱算法，擅于将现实业务问题抽象成算法模型，对代码和算法情有独钟；另外一种情商高，擅长管理，对下的疏通和对上的汇报都极其出色，很快就做到了管理层，这种需要有一定的机遇和智慧，我身边多数人属于第一种。
聊聊工程能力的重要性。
拿舞蹈来举例，如果我们把算法训练出的模型比作一支成品舞，那么工程能力就是舞蹈基本功。如果完全没有练习过基本功，或者基本功差，手脚不协调，通过努力，你也可以学会这支成品舞，但却离艺术和美感度相差甚远。如果基本功非常扎实，那么你学任何一支新舞，皆是水到渠成自然而然之事。
如果你工程能力很强，基本功扎实，在工作过程中需要解决一些实际问题时，便可以很快上手解决，理论和实践之间，就差一双手。
聊聊工作中必备的工程能力。
（一个算法工程师不会写代码，正如一个裁缝不会裁剪。）
有个答主已经回答得很全面了，我就我的工作经验列出几条不可或缺的工程能力。
一名合格的算法工程师必须要具备的工程能力：
1、debug。快速定位问题的能力十分宝贵。这点是最重要的。
2、Python、Java、C++等，这三种编程语言很重要，使用的频次从高到低。模型离线训练时需要用到Python(无论是tensorflow还是pytorch框架)，线上serving或者实现定制化的算法策略时，一般用Java实现，线上Query predict服务一般用C++实现。
推荐多看一些优秀的语言类书籍，对自己编程习惯的养成很有帮助，多看书多思考多写代码多实践，代码肯定会越来越6的。后面我会写一个专题，与大家分享对我有帮助的一些算法/语言类技术书籍。
3、hive sql。这是工作中使用频次很高的语言，我们都是sql boy/sql girl。
4、shell、Awk等。快速处理数据以及调用一些python、java脚本时，经常会用到。
5、scala：在我工作的前几年用spark比较多，训练非深度模型很方便，与hive sql的交互也十分方便。
6、对分布式框架的理解。这个非常重要。比如tensorflow框架中的ps/worker/chief是怎么协同工作的，参数更新在哪里，模型训练在哪里？
除了必备的工程能力，一个合格的算法工程师，并不仅仅是算法工程师，他必须要有业务owner和产品的视角。
有些时候，算法效果提升遇到瓶颈时，不妨想想，从用户角度出发，从产品层面出发，是否还有更好的切入点。我们也应该深入思考业务运行机制，从投放供给端，通过冷启，到召回，到粗排，到精排，最后到排序机制，哪个链路都有可能出问题，哪个链路都有优化点，所以说，一个全栈全链路的算法工程师是稀缺的人才。供给/召回/精排/机制的联动优化，才有可能使线上效果取得质的飞跃。
一个优秀的算法工程师，既可以玩转模型，又对产品有独到的见解和思考。比如信息流推荐场景的优化，当你作为一个真实的用户去体验推荐视频流时，就会很容易发现一些产品或者系统层面的问题，然后再回归到算法，用技术手段或与产品合作去解决这些问题。只有这样，公司的产品才有可能越做越好，算法优化的天花板才会越来越高。
最后打个广告，介绍下我们团队。我们是阿里电商推荐搜索算法团队，拥有全球最大的电商推荐、搜索算法场景，是每年双11/618购物狂欢节的背后中坚力量。具有基于深度学习、认知学习、端云一体化的算法/工程体系，近两年发表16篇A类论文。我们团队需要工程能力过关、算法基础扎实、对代码和算法有深度热爱的同学。欢迎同学们加入我们团队。可内推，简历可发邮箱：yangruqi_zju@163.com。
（本篇内容作者：阿里巴巴淘系技术部-琦舞 @琦琦 ）
——————————————————————————————————————————
阿里巴巴集团淘系技术部官方账号。淘系技术部是阿里巴巴新零售技术的王牌军，支撑淘宝、天猫核心电商以及淘宝直播、闲鱼、躺平、阿里汽车、阿里房产等创新业务，服务9亿用户，赋能各行业1000万商家。我们打造了全球领先的线上新零售技术平台，并作为核心技术团队保障了11次双十一购物狂欢节的成功。详情可查看我们官网：阿里巴巴淘系技术部官方网站。
点击下方主页关注我们，你将收获更多来自阿里一线工程师的技术实战技巧&成长经历心得。另，不定期更新最新岗位招聘信息和简历内推通道，欢迎各位以最短路径加入我们。
阿里巴巴淘系技术 算法工程师要是没有工程能力，简直没法干活。
算法工程师的工程能力：
shell：粘合各种语言awk：处理简单数据python：算法工程师必须会，不用说了。python + flask：很多时候我们需要做一个测试工具，来验证输出结果。例如Query改写结果或者多个版本的推荐数据对比。这里有个隐含的前提：需要懂基本的HTML。如提交数据、POST、GET方法。
python+tornado：我们把算法实验用python服务，在tornado里面搭建预测模型。可以大大节约时间。
hive sql：处理各种数据python udf 函数，处理各种复杂逻辑阿里系用max compute、亚马逊云用redshift。基本和hive差不多。
spark：提供了大量算法，如推荐、LDA等。Java Spring Boot：现在大量公司使用java作线上服务，我们很多业务代码或者排序，需要用Java来实现。对于Java工程：需要知道Maven、SBT、Gradle的基本用法。
监控：用了美团的CAT配置平台：Apollo(阿波罗)是携程框架部门研发的开源配置管理中心。常用的配置修改使用它来完成。
部分公司线上任务用C++服务，如阿里或百度。Git 代码管理的基本知识。调度系统：Airflow；理解一下相关的知识。
顺便说一下：
1、推荐使用微软的vs code 编程。 算法工程师叫工程师啊，没有工程能力算什么呢？算法和工程都不错，才是算法工程师应该有的状态。前几年，不从工程能力卡人，是因为实在太缺人了。 CV也好，NLP也好，RECO也好，超过90%的岗位都属于算法工程师，前提，是一个工程师。
时至今日，2021年4月，身边依然还能看到有人，从一个和CS毫无相关的行业开始对算法有兴趣，买了本西瓜书抱着就看，说觉得以后做推荐算法不错。。。
这样的过程大概率是找不到合适的工作的，但是这能叫人才过剩吗？
我想去造火箭自学了一些课程，然后航天科工不要我，我能说人才过剩吗？
单就RECO来说的话，就业市场的现状是
企业连招聘带猎头，打着灯笼找不着合适的人；求职者趋之若鹜但是拿不到offer；
早几年，算法工程师招聘确实门槛不高，也没有卷的那么严重，基本都是科班出身的才会从事这个行当，再加上大家那时候的基建也不足，都是一堆堆人一次次地试错才做出好的效果；但是随着卷入这个行当的人越来越多，水平参差不齐，开始有越来越多的主观门槛诞生，从学历到项目经历再到论文发表。
但是在一步步的「诸神黄昏」式的竞争中，工程能力越来越不被求职者重视。从来也没有过「据说现在的算法岗面试都开始注重工程能力，卡人基本也是从工程能力卡的」的情况，因为工程能力自始至终都是必需项，现在连校招的面试都会前置加一关工程能力测评。
至于具体哪些工程能力，这个需要根据所属公司所属业务制定的边界范围来看，因为算法不像纯研发，有根据语言和框架去完善的一整套技术栈，都是分布在各个方面的散点，整体来说：
基本的数据处理能力，Hive、Python这种数据处理工具，能够把自己的Demo或者结果表现出来，以及自己去搞特征这一套；数据交互生态：Sparks、Spark Streaming、Clickhouse等等，以及redis、MySQL这种服务常用的数据库；程序基础：主要就是Python、Java，一些涉及到比较底层系统的还会有C++，以及Linux的常用交互语句；模型使用：这个就是大家比较通用的调包、调参的工具集了，常用的tensorflow、sklearn，nlp的NLTK、Gensim等等，根据项目涉及领域的不同有各自的好用的工具；代码管理：Git那一套；还会涉及到在线服务，大的公司都会有开发好的工具链直接使用，小公司的话可能还需要算法人员手动开发。
猜测下，题主说的“师兄放弃了算法岗转向开发岗”，其实真的是从“推荐算法岗转向 推荐开发岗”
这俩应该是有些区别：
推荐算法岗：整天看论文、做实验、实现新算法，发论文，给业务方做算法支持、输出数据挖掘结果和模型等等；
推荐工程岗：解决召回、实现排序模型调用；实现数据清洗处理接入、负载均衡、高速缓存等工程问题；
作为一个从业务工程开发转到了推荐系统开发的人，总结下需要这些技术的运用：
1、基础技术：shell、python、java
2、大数据处理：hive、spark、spark streaming
3、高速缓存：redis/redis cluster、couchbase
4、在线服务：spring boot、python flask、ngnix
5、数据挖掘与模型训练：spark mllib、sklearn、tensorflow
6、模型在线服务：tensorflow serving、docker
7、后台效果报表：html/css/jquery、echarts/pyecharts
这些都不是刻意提前去学，而是在实现一个推荐系统的工程架构时，都会涉及到的内容； 十分赞同高赞回答说的：
算法工程师要是没有工程能力，简直没法干活。但是我想稍微明确一下，推荐算法相比于其他的算法岗，例如NLP，CV，对工程的涉及面更加广和深，除了高赞提到的shell，hive sql，spark，Git这些每个算法工程师都需要掌握的基本工程框架/组件。
我认为推荐算法/系统工程师还需要掌握Online和Offline的数据流，召回，排序这几个阶段所涉及到的工程知识和代码能力。具体可以参考另外一个回答涉及到的系统工程方面的点：
图片内容来自于下面的回答
想学习推荐系统，如何从小白成为高手?之前我经常看到很多人说（推荐）算法大多数时间是在调参，其实我想说的是，至少在我了解到的广告/推荐算法方面同样会涉及到很多硬核的工程知识。
PS: 很多NLP，CV的算法工程师的工作同样面向推荐，广告，搜索等业务，对工程能力要求也很高。 先说结论：刚毕业/转行培训的初级人员过剩，能独当一面的中/高级人员供不应求。
从2016年开始，所谓“人工智能”大火，许多公司纷纷尝试用机器学习/深度学习算法来提升自己的业务，相关的“AI”公司也如同雨后春笋，纷纷出现。
经过16年、17年的泡沫膨胀，从18年开始，人们逐渐发现AI并没有预期的那么具有颠覆性（起码从当前时间点来说），大量靠着AI风口拿到融资的公司，发现技术落地相当困难，更不要想商业变现了。对于这类公司，没有健康的现金流造血能力，发展一定是不可持续的。风口上猪都能飞，但当风停了，那些还没有长出翅膀的猪，注定要被摔死了。一切都将回归这个最朴素的商业逻辑：创造价值。
粗略地看，AI可以分为CV/NLP/推荐算法三个方向，从直观的技术炫酷维度来看，三者依次递减；从商业价值维度来看，依次递增。
目前来看CV的落地变现场景是非常有限的，除了在安防、支付领域听说过不错的落地。其他诸如无人车等场景，还在0到1的进程中。
推荐算法，目前算是AI中变现能力最强的方向了，尤其是在互联网公司，大行其道。粗略看下我们手机里的app，新闻资讯/短视频/网购商品/音乐/电影/广告，推荐算法的身影几乎无处不在。而推荐算法又往往和用户规模、时长、收入直接挂钩，给公司带来了正向反馈，公司也愿意持续在推荐方向投入资源优化。
做好一个推荐系统，要求工程师既理解不同算法的原理与场景，又深刻理解业务场景特点与业务目标，并具备良好的工程落地能力。从技术栈上来看，推荐算法涉及的技术非常广，例如理解用户/物料做特征需要一些大数据/nlp/cv背景知识，召回排序则需要在大规模稀疏数据上使用机器学习/深度学习算法。达到（或部分达到）以上要求，能独立hold住整个推荐系统的人，非常稀缺；即使只能独立hold住推荐系统里的某个关键模块，能够持续优化迭代、给业务带来持续提升的人，也是比较稀缺的。 其实不过剩，只是要求一些大数据平台跑任务，模型上线方面的技术能力（会用，而不是平台底层开发）。相反，工程方面的人才要转算法，会困难很多。