講演者: テンセントのレコメンデーションアルゴリズムエコシステムのテクニカルリーダー、Ma Di氏

編集・編集：王継東、崑崙データ

コミュニティ制作 | DataFun

01

職場における3つの重要な段階

キャリアパスを考える際には、哲学的な問いが伴います。「私はどこから来て、どこへ向かうのか？」アルゴリズムエンジニアとして、キャリアにおいて一般的に以下の3段階の課題に直面することになります。

1. 課題1：学生から専門家への移行

これは、働くプロフェッショナルにとって避けられない道です。学校では、メンターと生徒の関係は比較的シンプルで分かりやすいものですが、職場では複雑で馴染みのない状況に遭遇することがよくあります。そこで、いくつか提案させていただきます。

① 正式に就職する前に少なくとも1回のインターンシップに参加し、職場生活に事前に適応する。

② 職場では、好奇心を持ち続け、経験者に相談・コミュニケーションを取り、話すことを減らし、観察することを増やし、行動することを増やしましょう。

③職場においては、学習姿勢を維持し、基礎的な知識とスキルの蓄積に重点を置き、それらを実際の職場の問題と組み合わせることが重要です。

④ 前向きな姿勢を保ち、汚れ仕事を軽視しないでください。小さな仕事でも経験と実績を積み重ねることができます。

2. 課題2：ジュニアからシニアへの移行

これは、経験豊富なプロフェッショナルの多くが辿るキャリアパスでもあります。国内大手企業を例に挙げると、テンセントのジュニアレベルは約6～9で、これはアリババのP5～P7にほぼ相当し、ジュニアエンジニアからシニアエンジニアへの成長プロセスに相当します。この段階は、ビジネススキルと技術の深化を積み重ねる上で非常に重要です。この段階で過ごす時間は、キャリアの機会、個人の状況、そしてビジネスの成長の余地によって異なります。以下にいくつかの例を挙げます。

（１）ビジネスの本質を深く理解する

独創的なアイデアや研究よりも、アイデアを「実用化」することが重要です。Chat-GPTやAIGCといった大規模モデルの登場をはじめ、インターネット業界における近年の最先端の開発は、ユーザーニーズと製品に密接に結びついた技術革新の成果です。近年話題となっているChat-GPTを支える大規模言語モデルは、実は古くから存在していましたが、初期の応用における「転換点」がなかったため、製品への「実装」ができず、大規模な普及には至りませんでした。アルゴリズムエンジニアとして、製品やビジネスの本質という視点から、アルゴリズムがもたらす価値を理解し、探求することが不可欠です。

（２ ）徹底的な技術

技術力を継続的に拡大・向上させましょう。レコメンデーションシステムを例に挙げると、再現率、ランキング（混合ランキングと詳細ランキングを含む）といったモデリング能力に加え、最先端モデルの長所と短所、そしてトップカンファレンスで発表される最新のモデル開発について、フルスタックな理解が必要です。

（３ ） T字型人材育成

「T字型人材」という概念は頻繁に言及されます。これは、選択した技術分野で深い知識を習得しつつ、技術的なスケーラビリティも高める人材を指します。スケーラビリティには、ビジネス面と技術面という2つの側面が含まれます。レコメンデーションシステムを例に挙げると、レコメンデーションシステムを専門とするアルゴリズムエンジニアは、関連するビジネスアプリケーションをより効果的に活用するために、コンピュータービジョン（CV）と自然言語処理（NLP）の基本原理をさらに理解することが推奨されます。

一般的に、ジュニアエンジニアはタスク遂行に重点を置き、シニアエンジニアは問題解決と分析的思考に重点を置きます。例えば、アプリのDAU（Daily Active Users）が減少した場合、エンジニアは原因を特定し、解決策を提案する必要があります。これは広範なトピックであり、特定のページや特定のシナリオでのコンバージョン率の低さ、またはその他のさまざまな複雑な要因が原因である可能性があります。これは、シニアエンジニアが体系的に検討する必要がある問題です。プロセスは、主要な問題を特定するためのデータ分析から始まり、目標設定、モデル構築、評価指標の構築、解決策の提案、そして最終的に問題の解決へと続きます。このプロセスでは、単独で目標を達成することは困難であることが多く、さまざまな外部リソースの調整が必要になります。

3. 課題3：従業員からリーダーへの移行

3つ目の課題は、一部のエンジニアはすでに経験しているかもしれませんが、ほとんどのエンジニアは経験していないでしょう。それは、従業員からリーダーへの移行です。これは大きな飛躍です。リーダーはチームを率いて目標を達成する必要があり、より大きな責任を負うことになるからです。さらに、インターネット企業の経営構造はますますフラット化しており、リーダーのポジションは比較的少なくなっています。もしあなたが幸運にもリーダーになったのであれば、まず自分自身を信じ、チームを率いて目標達成に挑まなければなりません。新しいリーダーはしばしば、ビジネスとテクノロジーのバランスを取るという難しい課題に直面します。これはマネジメントの技巧を駆使するものです。マネジメントの本質は、責任、権限、インセンティブという3つの重要な要素を中心に展開されます。「責任」は職務の分担と定義、「権限」は人事配置、「インセンティブ」は従業員へのインセンティブメカニズムを表します。

従業員からリーダーへの移行は非常に困難な課題ですが、経験を積み、コミュニケーションスキルを向上させることで、これらの能力は徐々に身に付いていきます。さらに、リーダーとして、社内のリソースを搾取したり、搾取したりするだけでなく、常に外部へと視野を広げ、他のチームのリソースを最大限に活用していく必要があります。

これらは、アルゴリズムエンジニアがしばしば直面する3つの課題の段階です。各段階にはそれぞれに厄介な問題が伴いますが、それに応じた解決策も存在します。アルゴリズムエンジニアとして、各段階で十分な忍耐力を持ち、冷静にスキルを磨き、知識を洗練させる必要があります。

02

アルゴリズムエンジニアが優れた計画を立てる方法

アルゴリズムエンジニアのキャリアプランニングには、次の 3 つの重要なポイントがあります。

① ビジョン: 計画を立てる前に、状況を明確に理解する必要があります。そうしないと、間違った計画を立ててしまう可能性があります。

② 自己評価：計画を立てる前に、包括的な自己評価を行う必要があります。「己を知り、敵を知れば、決して敗北することはない」。こうすることで、自分に合った方向性を選んで計画を立てることができます。

③ 行動：行動を起こしましょう！どんなに完璧な計画でも、実際に行動に移すことほど現実的ではありません。

1. ビジョン

状況を制御するには、次の点に対処する必要があります。

① まず、現状をしっかりと把握し、見極めることが必要です。

② 第二に、現在の業界の見通しをより総合的な観点から検討し、包括的な見解を確保することが不可欠です。

③ 最後に、長期的なビジョンを持つことが不可欠です。ここでの「長期」とは、範囲だけでなく期間も意味します。より長い期間を視野に入れることで初めて、より明確な将来計画を立てることができるのです。

（I ）国家運命レベル

上の画像はレイ・ダリオ氏の著書『プリンシプルズ』から引用したもので、同氏は帝国の興亡を測るモデルを開発しました。画像中の曲線は、帝国の興亡指数が時間とともにどのように変化するかを示しています。青い曲線はアメリカの国富を表しており、現実とほぼ一致しています。1950年代、アメリカは多くの技術革新を達成し、最盛期を迎えました。一方、中国（赤い曲線）は解放されたばかりで、貧困に陥り、衰退期にありました。さらに遡って1500年（明朝時代）には、中国は世界をリードする存在でした。近代に入ると、中国の帝国指数は比較的低い水準にとどまりました。1950年頃、中国は急速な「急速な」発展を遂げ始めました。そして現在、中国の帝国指数は徐々にアメリカの帝国指数に近づきつつあり、アメリカは衰退傾向にあります。

もちろん、専門家によって構築するモデルや解釈はそれぞれ異なります。同様に、業界ビジョンを構築する際には、自身の知識と専門家の理解を組み合わせ、包括的かつ統合的な分析を行う必要があります。

（II ）モバイルインターネット産業レベル

具体的には、インターネット、特にモバイルインターネット業界においては、以下のグラフをご覧ください。下のグラフは、QuestMobileの月間アクティブユーザーベースを示しています。

グラフが示すように、インターネット全体の規模は過去3年間、大きな成長を遂げていません。年間DAUの純増数はわずか2,000万人（一部の製品では1億人を超える）です。したがって、このような成長はアプリの成長を支えるには不十分です。これは、インターネットユーザー基盤が既に安定していることを示しており、人口ボーナスを活用し、単なる数に頼って収益を上げようとする従来の戦略はもはや通用しなくなっています。インターネット業界全体が飽和状態にあるという現実を、改めて認識する必要があります。

インターネット業界はさらに以下の分野に細分化されます。

（1）電子商取引

① 拼多多、アリババ、JD.comなどの電子商取引企業は、創業当初、大規模な労働力と補助金を活用して大規模な発展を遂げました。

②近年、ユーザー増加の余地がますます小さくなり、人口ボーナスが徐々に消滅したため、同様の補助金はますます少なくなっています。独身の日を例にとると、近年、電子商取引ショッピング企業は当日のGMV取引量を追求するのではなく、より合理的に利益の最大化を追求しています。

③ 電子商取引業界にとって、短期的には人口動態上の恩恵は下位層市場からのみ得られる可能性があるが、成長の可能性は依然として限られている。

④ そのため、今後の電子商取引の発展方向は、品質重視の電子商取引と垂直電子商取引へと傾くことになる。

（2）コミュニティ

① 近年、コミュニティが急速に発展しており、小紅書を例に挙げると、小紅書は非常に良好なコミュニティの雰囲気を持っています。ユーザーは常に小紅書のコンテンツを「植え付けられ」、考え方を形成し、関連するトピックの議論に積極的に参加して共鳴を生み出し、収益変換を生み出します。

② コミュニティは発展途上の分野であり、私はその将来の発展に楽観的です。ニッチな垂直コミュニティの中には、規模は大きくないかもしれませんが、質の高いものもあります。

③コミュニティの発展は人口ボーナスに依存するのではなく、急速な成長ではなく浸透に依存するため、有望な発展方向となります。

（3）ゲーム

① ゲーム業界の将来性は非常に明るい。国内ゲーム事業の継続的な成長に加え、海外事業においてもゲーム業界には大きなブルーオーシャンが広がっている。国内のゲーム運営経験を海外に活かせる可能性が高く、これはテンセントの近年の事業方向性でもある。

② 総じて、ゲーム分野はインターネット人口の恩恵を受けず、海外展開の可能性も大きく、将来有望な分野である。

（4）ソーシャルネットワーク

① WeChatのユーザーベースは中国のインターネットユーザー数や一般人口に近づいており、非常に大規模である。

② ソーシャルネットワークは堀が深く、コストが高いため、ユーザーが他のソーシャルプラットフォームに容易に移行することが困難です。これが、バイトダンスがソーシャルネットワーク事業の展開に繰り返し失敗してきた理由の一つです。

③ ソーシャルネットワークは、ある程度の人口ボーナスの影響を受けるものの、参入障壁が高いため、今後も安定した現状を維持し、WeChatを中核として、WeChatエコシステムに基づいて徐々に様々な拡張機能を形成していく可能性が高い。

④ ソーシャルネットワークに関わるアルゴリズムは、主にグラフとコミュニティ伝播法に基づいています。これらの手法は、小規模なソーシャルネットワークではその価値が非常に限られています。WeChatのような規模のソーシャルネットワークにおいてのみ、グラフモデル、ソーシャルネットワーク伝播チェーン、そしてコミュニティ発見アルゴリズムといった価値が発揮されます。

⑤ 結論として、ソーシャルネットワークの発展は比較的安定しており、短期的には大きなチャンスは生まれそうにありません。

（５）情報プラットフォーム

① ニュースプラットフォームも最近は衰退傾向にあります。ユーザーはニュースプラットフォームにある程度依存していますが、依存度はそれほど高くありません。

② 過去2年間、ニュースプラットフォームは短編動画から大きな影響を受け、ユーザー市場のかなりの部分を獲得しました。

③ このような状況において、情報プラットフォームは、情報の配信と特定分野の情報に対するユーザーのニーズへの対応という本質に立ち返ることになる。

④ レジャー、娯楽、暇つぶしなどのロングテール情報については、ユーザーは一般的に短編動画プラットフォームを通じて情報を入手しており、これは情報プラットフォームにとってより大きな課題となっている。

⑤ 情報プラットフォームは媒体の複雑さ、規則の多さ、厳しい監督体制、多様なユーザー意見への対応の難しさに加え、ショートビデオ業界の影響もあって、情報プラットフォームの難易度はさらに高まっている。

⑥ さらに、情報プラットフォームは人口ボーナスに大きく依存しているが、人口ボーナスは現在飽和状態に近づいており、情報プラットフォームの発展をさらに制限している。

⑦ 結論として、情報プラットフォーム分野の選択は慎重に行う必要がある。

（6）ショートビデオ

① 最近、ショートビデオの開発が盛んになっており、ユーザー時間が最も長く、ユーザー行動が最も豊富で、ユーザーからの肯定的および否定的なフィードバックが最も集中している製品形態が最も多くなっています。

②ショートビデオ分野はデータの種類が豊富でユーザーベースも大きいため、データの潜在的価値が高く、将来の発展の余地が大きい。

③ 最近のショートビデオ広告やライブストリーミングeコマースの急増は、ショートビデオが徐々にeコマースモデルと統合され、大きな収益化の可能性を示していることを示しています。

④ 結論として、短編動画は多くのチャンスと大きな可能性を秘めた分野です。

（III ） AI産業レベル

上のグラフは、AI テクノロジーのライフサイクルの推移を示しています。

① 新興の AI 技術は現在、曲線の左側の上昇段階にあり、その将来の見通しはまだ不透明である。

② 中間曲線の谷間にあるAI技術は不確実性を伴う技術であり、これらの技術は依然として時間と市場テストを必要としており、相当数のAI技術が「バブル崩壊」に直面するだろう。

③ 右側の曲線は、AI技術が「バブル崩壊」を突破し、AI技術の価値を実証・蓄積してきたことを示しています。今後数年間、ユーザーニーズの向上と製品応用の進展が相まって、AI技術は「復活」するでしょう。

④ 曲線の右端は AI 技術の発展にとって理想的な段階を表しており、この段階では技術の商業化が継続的に大きな成長と収益をもたらしています。

最近注目されている AI 分野をいくつか例に挙げて、詳しく紹介してみましょう。

（1）AIGC

AIGC（AI生成コンテンツ）は近年非常に人気が高まっており、Stable DiffusionやMidjourneyなどのAI描画ツールがその例として挙げられます。Chat-GPTの登場は、コンピュータービジョンや自然言語処理の分野でも多くのモデルを破壊し、大規模モデルの計り知れない製品力を実証しました。多くのエンジニアは、このような大規模モデルの出現がアルゴリズムエンジニア、さらには全人類にとって脅威となることを懸念しています。しかし、これは実際にはまだ遠い先のことです。人工汎用知能（AGI）の実現はまだ遠い先のことです。AI描画もChatGPTも、現在のところ論理的または認知的な能力を備えていません。技術が一定の開発段階に達し、優れた製品アイデアに出会うと、必然的に人気が爆発します。そのため、AI描画もChatGPTも、ユーザーのニーズと製品アイデアに支えられています。このことから得られた教訓は、技術とビジネスは切り離せないものであり、ビジネスを完全に理解することによってのみ、アルゴリズム技術がもたらす価値を最大化できるということです。

（２）自動運転

自動運転は、道路交通の流れを最適化するという究極の課題の解決を目指す、有望な分野です。自動運転には様々なレベルの目標があり、その第一は「単一車両知能」です。テスラのオートパイロットなど、多くの企業が既に満足のいく成果を上げています。海外では、完全自動運転（FSD）が比較的成熟した段階に達しており、中国では、Xpengのような新興自動車メーカーからBaidu Apolloのような独立系サードパーティプラットフォームまで、大手企業の自動運転技術がますます成熟しつつあります。自動運転自体は、人間を支援、あるいは代替する製品であり、人間の労働をある程度解放し、人々に安心感を与えます。結論として、自動運転分野は大きな可能性、明るい未来、そして壮大なビジョンを秘めており、検討する価値のある方向性です。

（３）CV/NLP

コンピュータビジョン（CV）と自然言語処理（NLP）は、伝統的なディープラーニングにおける2つの主要な研究分野であり、基礎科学における物理学と化学に匹敵し、多くのAIモデルの基盤を形成しています。CVは「私が見たもの」を、NLPは「私が聞いたり話したりすること」を扱います。CVとNLPを習得すれば、機械は人間をよりよく学習・理解できるようになり、多くの「共感覚」能力を獲得するでしょう。そのため、CVとNLPは常緑分野であり、特にAI描画やChat-GPT製品のアイデアの出現により、CVとNLPの発展がさらに促進されるでしょう。結論として、 CVとNLPは、今後も深く掘り下げていく価値のある2つの分野です。

（4）科学のためのAI（AlphaFold2）

科学分野におけるAIの応用は注目度が低いかもしれませんが、依然として大きな価値と有望な展望を秘めています。例えば、物理学の特性を活用してスーパーコンピューティングの問題を解決する量子コンピューティングや、タンパク質遺伝子構造予測（AlphaFold2）は、新薬開発、特に標的がん治療薬の開発において大きな意義を持ちます。ビッグデータ医療技術とヘルスケア分野におけるAIの応用は、近年まだ理論的な段階ですが、多くの有望なモデルと初期成果を生み出しています。そのため、特に医療分野におけるAIと科学の将来像は非常に明るいといえます。今後数十年で、AI技術の飛躍的進歩により、人間の寿命が延びる可能性があります。結論として、科学分野におけるAI、さらにはヘルスケア分野におけるAIの将来価値は非常に大きいと言えます。しかし、この分野の研究はまだ初期段階にあり、製品化には比較的長い時間がかかります。若いアルゴリズムエンジニアは、競争力を獲得するために、これらの最先端分野への進出を検討するかもしれません。

（５）推薦システムと計算広告

レコメンデーションシステムと計算広告は、比較的伝統的な「検索・ブロードキャスト・プッシュ」のトラックに属しています。過去2年間、方法論的なブレークスルーは見られず、最近の主要なカンファレンス論文は主にマイナーな分野におけるブレークスルーに焦点を当てています。検索・ブロードキャストのトラックはビジネスアプリケーションに大きく依存しており、ビジネスレベルでの大きなブレークスルーがなければ、アルゴリズムの将来性は比較的限られています。さらに、この分野の人材プールは比較的飽和状態にあり、競争は熾烈です。したがって、このトラックへの参入は慎重に検討する必要があります。

2. 自己評価

ビジョンレベルでの理解を深めるだけでなく、徹底した自己評価も不可欠です。自己評価では、主に以下の3つの側面を考慮する必要があります。

（１ ）あなたは何が得意ですか？

私たちの最大の強みは、多くの場合、自分自身の判断ではなく、過去の職務経験のどの側面が他者から真に認められたかによって決まります。他者が私たちをどのように見ているかは、私たち自身がどのように認識しているかとは異なる場合があります。そして、私たちの真の強みは常に、他者が認めてくれたものから生まれます。

（２ ）あなたの興味は何ですか？（自分の心に従ってください）

自分の興味を見つけることはとても重要です。誰もが混乱する時期を経験しますが、そんな時こそ自分の心の声に従い、本当に興味のある分野を見つけることが重要です。

（３ ）十分な収入が得られますか？

仕事とは、本質的には、自身の価値と会社のニーズを一致させるプロセスです。会社は個人の価値と報酬を交換するため、妥当で適切な収入は合理的かつ必要です。しかし、収入だけに焦点を絞るべきではありません。仕事の価値や成長の可能性といった他の側面も総合的に考慮する必要があります。

03

道筋を定め、技術を洗練させる

計画がどれだけ詳細であっても、行動を通じて実行する必要があります。

1. パス

行動を起こすための第一歩は、行動計画を明確にすることです。

（１ ）短期計画と長期計画を策定する。

① 短期的な計画ばかりで長期的な計画がなければ、計画達成後に混乱に陥りやすい。

② 長期計画ばかりで短期計画がないと、夢想家になりやすく、それを実現するための実際的な方法が欠け、長期計画は達成できなくなります。

③ 行動経路として短期計画と長期計画を組み合わせる必要があります。

④ 短期計画と長期計画を定める期間は人によって異なりますが、一般的には短期計画は6ヶ月サイクル、長期計画は2～3年サイクルで策定することが推奨されます。

（２ ）成長の軌跡を別の視点から見る

① 前述のキャリアチャレンジ2（ジュニアからシニアへ）を例に挙げると、大企業のエンジニアは昇進を果たしています（例えば、アリババではP7からP9へ）。この昇進に必要な能力は、エンジニアにとって非常に明確である必要があります。

② 成長の本質は4つの段階を経ることです。

a)トラブルシューター - 些細な問題を解決する: 些細な問題を十分に解決することによってのみ、より大きな問題を解決する能力が得られます。

b)問題解決者 - 一連の問題を体系的に解決する：あるアプリの DAU の減少を例にとると、DAU の減少の問題分析パスを明確に分解し、対応する解決策を提示できれば、トラブルシューター段階から問題解決者段階に成長したことになります。

c)グロースハッカー - チームを正しい方向に導く: さらに一歩進んで、DAU の減少のすべての理由を明確に分析して解決することで、APP チームを率いて DAU の成長を達成する能力をすでに備えています。

d)ビジネス パイロット: ビジネス パイロットに成長すると、リソースと方向性を決定する十分な能力と権限が得られます。

③ P5やP8のような職務レベルを定義するよりも、自分のキャリアパスを明確に定義する方が有益です。

2. テクノロジー

アルゴリズム エンジニアとして、確かな技術スキルが必須条件です。

（１ ）技術的リーダーシップを維持する（ツール、技術、方法、原則）

① 強力なエンジニアリング開発能力：エンジニアにとって開発能力は最も基本的なスキルです。

② 確固とした機械学習の原理：機械学習の原理は普遍的であり、いくつかの分析アプローチを導くことができます。同時に、機械学習は深層学習モデルやより大規模なモデルの基盤でもあります。

③トップカンファレンスと最先端トレンドの追跡：トップの学術カンファレンスと業界のトレンドは同期していないかもしれませんが、学術界の最先端のトレンドは、多くの場合、業界にソリューションを見つけるきっかけを与えることができます。

④ 業界の「ベストプラクティス」：すべてのエンジニアは、それぞれの業界の特定のシナリオに適用できる「ベストプラクティス」を蓄積し、蓄積と改良を通じて徐々に貴重な業界経験を形成する必要があります。

（２ ）強力な実行能力を維持する

すべての計画は最終的に実行によって実現されるため、強力な実行力と自己動機付けが不可欠です。

3. 考え方

実際、これは職場だけでなく多くの分野に当てはまります。考え方を変えることで、最終的には多くの問題を解決できるのです。良い考え方には、主に以下の要素が含まれます。

（1 ）フォーカス・コラボレーティブ

コミュニケーションとコラボレーションは、いくつかの重要な問題の解決に重点を置き、無意味な会議を減らす必要があります。

（２ ）一歩前進する

アルゴリズムエンジニアとして、あなたは一歩先を行く必要があります。製品チームと運用チームのニーズを理解し、彼らの視点から問題を検討してください。「補完的なマインドセット」を持ち、製品チーム、運用チーム、そして他のパートナーと連携し、互いの強みを活かし、弱点を補い合いながら共に前進し、最終的にはコラボレーションを通じて成功を達成してください。製品チームや運用チームの要求を拒否したり、抵抗したりしてはいけません。また、経験不足や徹底性の欠如を理由に彼らのアイデアを無視し、製品リリースの機会を逃すことも避けなければなりません。

（３ ）ゼロベース思考

困難な問題に直面した時は、先入観を捨て、ゼロから出発し、ビジネスの核心を見つめ直してみましょう。先入観を捨てることで、問題は実際にはそれほど複雑ではなく、徐々に解決できることがわかるかもしれません。

（4 ）比較的強い内面の強さを維持する

インターネット業界は一般的にプレッシャーが高く、競争も激しいです。そのため、強い精神力を維持し、困難や課題に冷静に立ち向かい、外部要因に惑わされないことが重要です。

4. 重要な人間関係のバランスをとる

（１ ）家族の親子関係

家族関係は非常に重要です。「家族の和はすべてのものの繁栄をもたらす」ので、家族と過ごす時間を増やすことが不可欠です。

（２ ）ワークライフバランス

仕事は人生の一部に過ぎないので、効率的に働き、充実した人生を送るためには、仕事と生活のバランスをとることが重要です。

（３ ）個人的な興味

脳を別の方法で機能させるために、誰もが自分独自の趣味を 1 つまたは 2 つ持つことが推奨されます。これはリラックスするのに非常に役立ちます。

04

要約

この記事は主に次の 3 つの部分に焦点を当てています。

① キャリアにおける３つの重要な段階で直面する課題。

②良い計画を立てるには：ビジョン、自己評価、そして行動を起こすこと。

③ 進むべき道を明確にし、スキルを磨き、前向きな姿勢を維持し、重要な人間関係をうまく管理します。

05

Q1: 仕事が「35歳最適化」という課題に直面している場合、深く勉強する必要があるのでしょうか？

A1：この質問は、先ほど述べた「外的な利益に一喜一憂せず、個人的な損失に悲しまない」という「マインドセット」の問題に関連しています。誰もが「35歳問題」に直面します。これは環境や市場によって左右されます。外の世界はコントロールできませんが、自分自身をコントロールすることはできます。ですから、最善を尽くすことに集中すれば、すべてうまくいきます。深い学びが必要かどうかについては、キャリアプランと、その深い学びの方向性と範囲が鍵となります。エンジニアとしてのキャリアを目指すなら、専門分野の専門知識を継続的に培い、基盤を固めていくことが不可欠です。これは将来に大きな利益をもたらします。さらに、「T型人材」について本文で述べたように、ビジネスやマネジメント分野への進出も検討してみてください。結論として、35歳で「最適化」されているかどうかは、あなた次第です。不安に思うのではなく、個人の能力を継続的に向上させ、職場でより積極的かつ自己主張力を高めることに集中しましょう。

Q2 ：大規模モデルの開発がアルゴリズムエンジニアに与える影響についてどのようにお考えですか？

A2：大規模言語モデルは、十分な量の学習データを用いることで確かに驚くべき効果を発揮します。しかし一方で、大規模モデルの開発は製品の「パッケージング」と切り離せないものです。「外皮」を剥ぎ取ってしまえば、その本質は依然として古典的なアルゴリズムモデルであり、膨大なパラメータとより豊富な学習コーパスを備えているだけです。大規模モデルの主な利点は、学習データの量と強化学習アルゴリズムの統合により、データ学習の細部に至るまで完璧に仕上げられることにあります。したがって、アルゴリズムエンジニアは過度に不安になる必要はなく、むしろこれらの大規模モデルを前向きに捉えるべきです。第一に、大規模モデルはAIアルゴリズム業界全体に「後押し」をもたらし、資本の観点から広く市場認知されています。第二に、大規模モデルはアルゴリズムエンジニアの進むべき方向を示し、製品、ビジネス、テクノロジーの融合こそが唯一の道であることを示しました。AIモデルを用いてコードを自動生成することについては、人間の代替ではなく、生産性向上の補助として捉えることができます。

Q3 ：推奨検索の分野における一般人と専門家の最大の違いは何ですか？

A3：任何一项技术，都可以分成器，术，法，道这4 个level。一般人可能更多处于器和术这个层面：使用很fancy 的模型，使用各种trick 来调参，最终达到较为满意的效果；而高手往往已经经历过这两个层面，发现这两个层面虽然能解决一部分实际的问题，但是不能解决一些更高层次的问题，这里就涉及到道和法，涉及到更深层次的本质问题。以推荐为例，如何提升用户满意度这类问题：因为用户满意度的刻画是相对主观的，如何将其拆解成若干个客观的、可量化的指标，这个很考验算法工程师的功力。举一个具体例子：CTR 是个常用的指标，在一定程度上可以衡量出用户的满意度；但是如果仅仅优化CTR 这个单一目标，则可能会带来大量的“标题党”；因此，需要借助其他指标来平衡这个问题；而指标的选择，一方面需要经验的积累，另一方面也需要对业务的深刻理解，这就涉及到法和道这一层面。因此，要理性看待“级别”，回归本质：我们作为算法工程师，要做的是用工程能力来解决实际的问题从而带来价值，而不是“炫技”玩模型；能够高效解决问题，才是对公司最大的价值。

Q4 ：如果要带徒弟，您会教他更多关注哪些魔鬼细节？

A4：这个首先要看徒弟的能力水平定位。如果徒弟是应届生，那其实不能有太多的要求，还是要循序渐进；如果徒弟是个业内资深人士，在行业内已经形成了自己的方法论，如果能够达成任务目标，则也无需进行太多的额外要求。从团队管理的角度，由于每个人都有自己的闪光点，同样也有自己的缺点，因此很难进行统一的要求；作为团队领导，我会更多关注员工的思考方式、解决问题的思路等，这些方面如果存在不完善、不周全甚至偏差和错误，需要第一时间加以指出和纠正。此外，涉及到交付物的规范性，例如上线模型规范、代码结构规范、代码注释完整性这类问题，会进行较为严格的要求；其他方面的问题一般不会进行太过严苛的要求，也就不会涉及到太多的“魔鬼细节”。

Q5 ：文中提到搜广推领域近年来没有太大的发展，那么未来会有哪些发展方向？

A5：近两年搜广推领域并不是没有发展，而是在技术领域方面没有出现重大的突破，在细分的方向还是有很多发展的。不过近两年的发展更多在于业务层面，因为这个领域方向主要是由业务来支撑；因此，如果在业务方面没有产生革命性的“爆发”，则很难带动技术产生重大突破。至于未来的发展方向，大的方向上应该不会有全新的、颠覆性的模型框架出现；对于细分的领域和方向还是会有很大的发展空间，主要还是取决于具体的行业，以及行业内的业务方向，可以多关注业内相关的顶会来找答案。

Q6 ：某工程师在推荐方向有3 年大厂经验，切换到哪些方向比较合适？

A6：算法赛道的切换，首先要进行自我评估，对自己的兴趣和优势有个准确、全面的认识，比如自己是更喜欢钻研模型方法还是更喜欢解决业务问题，比如在3 年的大厂经验中有没有哪个细分方向足够擅长和精通；此外，还要考虑哪些发展方向天然具有竞争力，比如文中提到的自动驾驶方向就是个有竞争力的方向，未来可期而且接近落地。一般来说，由于推荐算法直接对接业务，因此推荐算法工程师的业务敏感度会比较强，因此转行到各个方向都很容易成为解决问题的好手。

Q7 ：目前算法岗位大多是高层次院校的硕博在竞争，普通院校学生如何参与竞争？是否需要更换岗位方向？

A7：大厂可能会对院校和学历有较高的要求，但是入职参与业务之后，更多的还是依靠个人能力；普通院校学生可以多争取实习机会，积累更多项目经验，不用过多在乎学校出身。

Q8 ：工作太忙没时间follow paper 该怎么办？

A8：选择少数几个感兴趣的顶会paper 持续跟踪；同时多多关注知乎等平台，以及一些行业技术论坛，会有相关博主帮忙分类整理顶会文章并撰写摘要，可以多阅读来找到自己感兴趣的方向。时间是挤出来的，每天花半小时到一小时实际研读paper 并提炼关键技术点，然后定期进行归纳和整理，长此以往就能达到很好的效果。

Q9 ：如何看待长视频推荐？

A9：长视频平台和短视频平台的运行机制有较大不同。长视频推荐更多还是关注视频的内容，因此需要算法工程师从业务角度反向思考用户消费长视频的痛点；此外，部分单位的做法是将长视频进行短视频化，提取长视频中的高光亮点，通过“碎剪”的方式将长视频转化为短视频，从而用短视频的思路进行推荐。从产品的角度，可以借助短视频的思路，通过“长视频带短视频”的方式进行长视频推荐；具体来说，将长视频的片花和预告进行剪辑，用来吸引用户观看，进而通过产品路径来引导用户观看完整版，最终引导用户成为会员，提升用户的up 值。由此带来的启示是，算法工程师还是要回归到产品和业务的角度实现突破，而不能仅局限于算法角度。

Q10 ：算法对学历要求很高吗？社招是否很看重过往的经历对口？如果对目前技术方向不感兴趣，如何转型？

A10：如果一个行业足够内卷，竞争压力很大，那学历问题还是无法逃避的；如果学校和学历不占优势，则可以通过增加项目经验的方式来“曲线救国”。社招方面，企业方确实更多看重过往的经验，希望引入候选人过往的工作经验来赋能公司眼下的业务；其次也要考察候选人的基础素质，包括自驱力、学习力、思考方式、coding 能力等。对于职场中转变方向，可以先考虑在从公司内部转变方向，给自己争取到一个尝试期和过渡期。

Q11 ：推荐算法已经进入瓶颈期，是否需要向数据底层（如Hadoop、SQL 等）进行深耕？

A11：从工程化的角度来看，Hadoop、SQL 等确实是数据的底层架构；但是作为算法工程师，更应该从产品和业务方向寻求突破，而不是深耕和优化底层结构。

Q12 ：老板是研究院出身，缺乏工程化落地经验，却又在工作中过分关注细节，并且用竞品的优势进行否定和打压员工，如何改善这种处境？

A12：其实好的老板应该更多地向外拓展而非向内压榨。如果不幸遇到这种习惯于向内压榨的老板，可以反向引导老板向外看看；勤于沟通，了解老板的痛点，做好向上管理工作。此外，如果真的老板不好相处，无法沟通，而工作内容又不擅长、不感兴趣，且工作不能带来满意的收入甚至影响自己的生活，那么还是建议换一份工作。

Q13 ：搜广推和NLP，未来哪个方向就业更好？

A13：搜广推更加贴近业务，而NLP 是个相对基础的方向。近年来，搜广推的业务发展已经较为成熟，而NLP 方向则面临着一大难题，就是难以实现产品化落地。如果能够从业务角度找到良好的落地方向，可以尝试NLP；否则还是建议搜广推。总之，搜广推领域会有现成的业务应用课题，只需要使用算法来“解题”即可；而NLP 领域相反，原始问题非常简单，然而答案非常复杂。

Q14 ：工作期间切换算法方向会有很高门槛吗？

A14：门槛是有的，具体要看个人基础和切换方向。例如，如果是搜广推内部切换，难度相对较小；而如果是CV/NLP 和搜广推之间的切换，则难度相对较大。因此，工作期间切换算法方向还是有很大成本的，尤其是社招更加看重过往经验。不过，如果自身综合素质较强，学习力、自驱力都很优秀，而公司的业务刚好需要这样的人才，也会有很多这样切换方向的机会。如果确定自己要切换方向，则需要选好路径、做好计划并持续行动。

Q15 ：时间序列预测领域的前景如何？是否有哪些热门方向推荐？

A15：量化交易场景和时间序列预测相关性较高；搜索推荐领域用到时间序列技术的地方不多，可能在用户行为序列建模方面有所涉及；自动驾驶领域可能也会涉及部分时序预测，如FSD 的路径规划、多帧串联等场景；视频领域的很多技术和时间序列有较强的相关性；流量预测、客户价值预测等场景和时间序列预测相关性较强。

Q16 ：某算法工程师从业3年，仍然觉得工作吃力，因此想了解算法方向更多是依靠天赋还是后天努力？

A16：首先需要明确“吃力”的关键是在于阅读paper 还是在于解决业务问题。从业前期难免会有迷茫期、挫败期和焦虑期，这种情况因人而异，因此很难做出明确的回答，更多的还是在于Follow your heart，找到自身的兴趣和优势。

Q17 ：推荐算法与数据挖掘有什么区别？

A17：数据挖掘是更加基础的技术，推荐算法是更上层的应用；推荐算法中会用到很多数据挖掘的技术。

A18：3 年经验一般能够达到准senior 水平，对应阿里的P7，以及腾讯的9 级水平；进一步发展2 年，一般可以达到阿里P8 或腾讯10 级的水平。