现在人工智能行业的确出现了人才既多又少的矛盾局面。这几年人工智能的火爆吸引了大量人才到这个行业，但是大部分都是看了Andrew Ng机器学习和斯坦福cs231n，刚会跑开源代码的门外汉，看起来能说会道，但是基本没有什么深入的理解，真正有深入理解的人才少之又少。

作为一个人工智能行业的从业者，根据我的观察，我觉得护城河主要在于工程能力和对模型的深入理解。

现在大部分想转行，或者已经在行业内的从业人员，不少都没CS的科班经历，工程能力很差，从基本的编码规范，对linux的熟悉程度，到软件开发思想，都是非常欠缺的。大家可以看看github上面各种模型的代码，比如ssd、faceboxes、refinedet，很多都没任何编码规范，代码也不注重抽象、封装、模块化等。

虽然说算法工程师更注重对算法的理解，但是如果你基本的工程能力缺乏的话，你要复现某篇文章里的模型会效率十分低下，这在从业的时候是一个很严重的问题。你花了很大力气复现了一个模型，然后隔壁同事正好也需要这个模型，你把你的代码给同事，同事需要花费大量精力去读你的代码，如果要在你的基础上修改，更是难上加难，那么你对公司的价值体现在哪儿呢。

另外一个是对模型的理解。现在为数不少的从业者张嘴就是当前最好的模型或者模块，但是并没有深入的理解，只会拾人牙慧，人云亦云。来了啥问题，都是把当前最新的模型往上一套。其实每个模型都有自己的assumption，来了一个问题，我们应该使用assumption跟这个问题对应的模型，这样就能免去trail and error的时间，提高效率。

同时，如果你对模型了解深入的话，当在一个问题上某个模型效果不佳，你能迅速找到问题所在，比如是模型选择不对，模型超参不对，还是数据存在问题。

就说一点最近工作里遇到的问题。做情感分类相关的任务，需要针对情感词的词向量进行调整。

有一下一点感悟：

1. 主要是sentiment specific word embedding方面的模型，需要对CBOW模型进行一点修改。可是就这简单的需求，word2vec的源代码实现不了，gensim实现不了，只能自己上手撸代码。

2. 人工智能领域现如今还在高速发展，模型和技术快速迭代，如果没有快速跟论文和代码实现的能力，马上就要落后。

3. 对模型，算法，数学的深入理解；现阶段哪怕是深度学习，也有很多任务需要人帮忙注入先验知识才能取得好效果，并不是找一堆数据无脑训练就能有好结果。现阶段的人工智能，有多少人工，才有多少智能。

• 算法的广度和深度、近几年前沿算法和论文的了解、最好自己有尝试做一些改进

举例：比如chatbot，可以包含任务型对话系统、基于知识库和检索的QA、闲聊型chatbot。

任务型对话系统的NLU模块就有很多东西可以聊的，比如slot filling, 从CRF到Bi-LSTM-CRF到Bi-LSTM-CNN-CRF，再到中文的笔画向量cw2vec等等，再到怎样使用active learning去尽可能少地标注数据，还能达到promising的结果；比如意图识别，可以聊一下HAN/wordCNN/DPCNN/Bi-GRU等，可以聊一下样本不均衡的问题怎么解决；意图识别和slot filling一起做会不会有一些提高...

比如基于检索这一部分，可以聊聊LSA/SVD的推导/DESM/基于word2vec取平均或者加权/DSSM等 可以具体聊一下sentence embeddings这个领域掌握到什么程度，近几年的几篇论文分别解决了哪些问题 可以聊聊Dual-encoder LSTM等 也可以聊聊word embeddings怎么做Fine-tune；

比如基于生成的模型，可以聊聊seq2seq的beam search/attention机制/bucketing等等...

• 可追溯的论文或有影响力的产品

项目经验可以是被面试者夸大的，论文和好的产品不会，比较有说服力

• 机器学习、深度学习、NLP基础知识扎实

比如viterbi和beam search有什么异同、 word2vec的细节、LSTM为什么可以解决梯度消失的问题、kNN是有监督还是无监督等

• 具体场景下解决问题的能力/行业背景和经验

解决问题的能力是最重要的，比如要做爆品预测，怎么在庞大的微博语料上构建甜品领域词典、做新词发现，爆品预测是一个分类任务还是回归任务，需要提取哪些特征，怎样定义burst，应该在何时进行burst prediction？

比如一条微博中的苹果这个词具体是指水果还是指公司，你需要收集哪些数据，你能定位到这是一个什么样的任务，Word Sense Disambiguation (WSD) 还是 Entity Linking？你是否能*从学术界找到解决方案？

比如医疗领域的NER可能并不好做，症状/疾病名的口语化描述模糊不清，这就为标注带来困难，标注的粒度该怎么选择？

• 学历和工作经历

大厂偏research的研究员岗还是挺看出身的

• Coding和project能力

project能力不好面出来，尤其是对于远程电话面试，一般就是面coding看看动手能力。一个好的面试官一般有一道固定的coding题，不是为了难倒面试者的那种题，而是可以逐渐优化，和面试者一起探讨思路，可以由易到难去为面试者能力定位的题目 在整个过程中也可以观察到面试者很多方面的能力，比如沟通交流、是否够聪明、是否能按照你的提示去实现出来等；至于coding题目为什么最好要固定：同一道题面了几十个人之后，能很好地区分每个人在哪个区间...