1、做算法

1.1 日常工作

所有人都想做算法，那么，说到底，在做算法到底是干什么?真正的算法工程师最基本的日常工作其实是：读论文&实现之——确认最新论文中的阐述是否真实可重现，进一步确认是否可应用于本企业的产品，进而将其应用到实践中提升产品质量。

1.2 必备能力

既然日常工作首先是读别人论文。那么，必不可少，作为算法工程师得具备快速、大量阅读英语论文的能力。在计算机科学，尤其是人工智能、机器学习、深度学习这几个当今世界最热门的领域里，大家都在争分夺秒地抢占制高点，根本不能容忍耽搁时间。如果要做算法，平均而言，大致要保持每周读一篇最新论文的频率。

1.3 理论联系实际，将学术论述与产品、业务结合的能力

一般来说，在大企业里做到真正的算法工程师/科学家，也就不需要自己去动手开发产品了。但做 demo/prototype 还是不能避免的。算法工程师，可不是用别人写好的工具填几个参数去运行就可以的，需要负责实际业务问题到数学模型的抽象，并能够将他人最新成果应用到业务数据上去。

说得更通俗一点，就算是用别人写的工具或框架，做算法的，也得是i)第一拨、最前沿那批试用者，或者ii)工具最新玩法的发明者。

2. 做工程

2.1 日常工作

相对于算法的创新和尖端，做工程要平实得多。这一角色比较有代表性的一种岗位就是：机器学习工程师(或戏称调参工程师)——他们使用别人开发的框架和工具，运行已有算法，训练业务数据，获得工作模型。

做工程也得读论文，不过和做算法不同，做工程读论文的一般目的不是尝试最新方法，而是用已知有效的方法来解决实际问题。

2.2 做工程，「机器学习」学到多深够用

当然，既然是有领域的程序员，在专业上达到一定深度也是必要的。虽然做工程一般要使用现成技术框架，但并不是说，直接把算法当黑盒用就可以做一名合格的“调参”工程师了。把算法当黑盒用的问题在于：黑盒能够解决问题的时候，使用方便，而一旦不能解决问题，或者对质量有所要求，就会感觉无所适从。

作为程序员、工程人员，想用机器学习算法解决实际问题，就得对算法有一定程度的掌握，此外对于数据处理和模型验证，也需具备相应知识。

3. 做数据

做数据并非数据的清洗和处理——大家可以看到做工程的岗位，有一部分工作内容就是ETL和处理数据。此处说的做数据是指数据标注。

3.1 标注数据的重要性

虽然机器学习中有无监督学习，但在实践领域被证明有直接作用的，基本上还都是有监督模型。近年来，深度学习在很多应用上取得了巨大的成功，而深度学习的成功，无论是图像、语音、NLP、自动翻译还是AlphaGo，恰恰依赖于海量的标注数据。

AI技术员需要学什么?无论是做ML还是DL的工程师，都共同确认一个事实：现阶段而言，数据远比算法重要。