算法工程师这个带着亮光的耀眼称呼，和AI有着紧密的天然联系，令人向往。今天和算法工程师午饭闲聊，对算法工程师的工作有了新的感触和认知。
正文
验证算法实验时用Python，工程应用时用Spark，sql查询使用基于Hadoop的Hive工具。一些常规的数据处理，比如计算均值，寻找最大，最小值，这些并不需要用到高深的算法知识。
前端通过调用API和开源类库就可以实现相当多的算法，并不要算法工程师参与。当遇到如下的情况：对某个算法进行修改，定制化功能等，算法工程师才有很大的发挥空间和价值
算法工程师的价值，是引入算法或者改进已有算法后，能增加多少效益。但是，有时候这个效益是比较难量化的。比如推荐算法，对这个人推荐的效果好，对其他人的推荐效果可能就不好。任何算法，只要找到切入点，都能讲出算法的可行性和良好效果。
人工智能现在是很热的概念，就像前几年的云计算，大数据，物联网。自从AlphaGo战胜人类围棋天才，人工智能走入了大众的视野。有清晰的规则，算法的威力才会很强大。算法工程师真实的工作内容和AlphaGo的是两个世界，人工智能是算法的一个领域。
算法工程师的成长路径：
- 已知算法融会贯通，然后研究出新的算法，形成影响，给其他的算法工程师使用
- 转型成为算法类的产品经理或者团队管理者，知道这个算法能解决什么问题，有什么优势和不足，适用范围，连接业务和商业化。
算法工程师的成长路径放到其他领域同样成立。纵向学习成为领域专家，横向扩展成为产品经理、团队管理者。
算法浩如烟海，每年都有大量的新算法诞生，算法工程师需要大量的学习、跟进和迭代算法。这个过程是走向领域专家的自然过程，如果期间有了量变，将爆发出惊人的能量。
建立算法模型需要选取特征量，考虑影响因素。这些因素如何而来？在模型理论上的输入值和具体业务之间找到对应关系，一个学术上的因素会裂变为工程上多个影响因素，因素和因素之间还需要他们的依赖关系。即使考虑很清楚了，想到的影响因素也只是客观存在的全部影响因素里的一小部分，没有办法全部找到。
如何解决这个难题呢？通过神经网络、深度学习。让数据一个一个的进入神经网络，拟合出满足业务需求的曲线。根据全息理论：部分是整体的缩影。因此每一个数据点上包含了所有的影响因素的影响。
小结
技术环节可以有这样的分类：底层算法研究性，中间过渡带，业务开发。每个环节都需要管理者，但是管理者的角色在不同环节上是有差异的，算法和中间过渡带是相对更强调技术能力的。越往下，技术的力量越能显现出威力和价值，相伴而生的是技术精进的难度也越来越大。
