算法工程師這個帶着亮光的耀眼稱呼，和AI有着緊密的天然關聯，令人嚮往。今天和算法工程師午飯閒聊，對算法有了新的感觸和認知。
正文
驗證算法實驗時用Python，工程應用時用Spark，sql查詢使用基於Hadoop的Hive工具。一些常規的數據處理，比如計算均值，尋找最大，最小值，這些並不需要用到高深的算法知識。
前端通過調用API和開源類庫就可以實現相當多的算法，並不要算法工程師參與。當遇到如下的情況：對某個算法進行修改，定製化功能等，算法工程師纔有很大的發揮空間和價值
算法工程師的價值，是引入算法或者改進已有算法後，能增加多少效益。但是，有時候這個效益是比較難量化的。比如推薦算法，對這個人推薦的效果好，對其他人的推薦效果可能就不好。任何算法，只要找到切入點，都能講出算法的可行性和良好效果。
人工智能現在是很熱的概念，就像前幾年的雲計算，大數據，物聯網。自從AlphaGo戰勝人類圍棋天才，人工智能走入了大衆的視野。有清晰的規則，算法的威力纔會很強大。算法工程師真實的工作內容和AlphaGo的是兩個世界，人工智能是算法的一個領域。
算法工程師的成長路徑：
- 已知算法融會貫通，然後研究出新的算法，形成影響，給其他的算法工程師使用
- 轉型成爲算法類的產品經理或者團隊管理者，知道這個算法能解決什麼問題，有什麼優勢和不足，適用範圍，連接業務和商業化。
算法工程師的成長路徑放到其他領域同樣成立。縱向學習成爲領域專家，橫向擴展成爲產品經理、團隊管理者。
算法浩如煙海，每年都有大量的新算法誕生，算法工程師需要大量的學習、跟進和迭代算法。這個過程是走向領域專家的自然過程，如果期間有了量變，將爆發出驚人的能量。
建立算法模型需要選取特徵量，考慮影響因素。這些因素如何而來？在模型理論上的輸入值和具體業務之間找到對應關係，一個學術上的因素會裂變爲工程上多個影響因素，因素和因素之間還需要他們的依賴關係。即使考慮很清楚了，想到的影響因素也只是客觀存在的全部影響因素裏的一小部分，沒有辦法全部找到。
如何解決這個難題呢？通過神經網絡、深度學習。讓數據一個一個的進入神經網絡，擬合出滿足業務需求的曲線。根據全息理論：部分是整體的縮影。因此每一個數據點上包含了所有的影響因素的影響。
小結
技術環節可以有這樣的分類：底層算法研究性，中間過渡帶，業務開發。每個環節都需要管理者，但是管理者的角色在不同環節上是有差異的，算法和中間過渡帶是相對更強調技術能力的。越往下，技術的力量越能顯現出威力和價值，相伴而生的是技術精進的難度也越來越大。