[生活感悟]三年级NLP算法同学的自省

我，是一名三年级NLP算法同学，一年的实习，两年的正式工作。其中，前两年专注基础NLP技术，自己定义为R阶段；后一年专注NLP应用技术，自己定义为D阶段。这篇文章，用点的方式聊一聊自己R&D三年的一些思考。之所以用点的方式，是因为我还不太能连成线。

（1）关于选择，坚持和认知升级

选择大于努力。有一句俗话，“NB和SB的区别是一个向北，一个向南。”。在做选择的时候，follow your heart确是一件非常酷的事情，但是有些时候，也许会吃到一些苦头。人总是要纳入到一个巨大的协作体系中去，除非自己独立能够形成一个闭环，否则要将自己纳入到一个更大的闭环中去思考自己的选择。见过follow your heart的同学做出的自己的选择，也见过没啥想法就做出选择的同学，更见过综合多方面因素思考做出选择的同学。在倡导价值多元化的今天，似乎很难从客观层面上评判一个选择的优劣，但是仍旧希望在做出选择的时候，能够非常的慎重。在选择这件事情上，自己做的并不好。因为太过于follow your heart，导致有些方面的问题很难看到。索性，能够及时深刻认识到选择这件事情的意义。但是，我依然羡慕能够做到遵从自己内心生活的小伙伴，你们是生活的一道光。

坚持是一种力量。道理听了很多，却仍旧过不好这一生。那是因为也许你只是知道，但是不理解。因为热爱，所以坚持。这是理想情况下的条件，但是在很多时候，热爱是有保质期的，那就不坚持了吗？教科书上，有勾践卧薪尝胆，有君子报仇，十年不晚。生活中，有见过身边的小伙伴一直苟着直到爆发的瞬间。坚持是为了什么？想清楚了这件事情，就能够坚持下去。因为热爱，于己而言就没有了坚持的概念，虽然在外人眼中感觉你一直在坚持做一件事情。这种现象身边也有很多，比如你总会看到你身边有一些似乎永远不知疲倦的同学。有没有即使不爱了，也能坚持的情况？一种是道理想明白了，拎得清了，也还行。另一种是暂时想不明白，但是得坚持，用巨大的自我内耗获取未来的价值。互联网发展到今天，贩卖焦虑者肆无忌惮，大家的焦虑情绪也是铺天盖地，急功近利的环境是精致利己主义者的天堂。当断则断，但是认定了，请你一定坚持！时间是一味良药，你的不惑终将在时间的澄澈流淌中看到答案。

认知升级，直到被升级。昨天在听一位业界前辈的分享，很有感触。他说他的认知升级是随着不断负责更大的事情逐步展开的，从负责一个具体模块，到负责一个系统，再到负责一个团队，一个业务方向。从一个舒适区跳出，不断脱离自己的舒适区，不断做更大的事情，这个过程中伴随的是自己的认知不断升级。自己在去年完成了一次被动的认知升级，过程其实还是很痛苦的。不过当完成升级之后，视野确实变得又大了一些。与其被动升级，不如主动出击。所谓舒适区，是指给自己划了一个小圈圈，也在一定程度上是给自己设立了边界。我仍旧清晰地记得，我非常尊敬的一位TL给我讲过，不要给自己设边界的场景。君子不器，见贤思齐，与诸君共勉。

首先，希望你能有一个好的选择，假设这个选择是好的，请你一定要坚持；如果不好，做全盘考虑，再考虑是否要坚持。坚持并不容易，请做好心理准备，尤其是非热爱的坚持。坚持的结果也许是越来越舒适，认知会固化，要适时跳出舒适圈，做更难但是也许也是正确的事情。这是一个迭代升级的过程，舒服，不舒服，舒服，不舒服，直到有一天你决定停止生长了。

（2）关于技术和业务

很多算法同学可能对于算法的日常工作理解，主要是读最新的论文，复现论文，实现各种有效的Trick，模型serving和部署。一方面，论文的工作以模型为导向，另一方面，很多公众号等媒体也倾向于传达模型方面的进展，一些工业界的分享也倾向于介绍组内的模型侧的进展。其实，确实有同学能够做到在工业界做类似的事情，这样的事情本质上是在做一个well-defined的问题，在一个特别细小的方向上能够做到专精。这种事情更加可能发生的地方是在一些大厂的R的比重较高的团队，因为假设做好一个模型，能够赋能多个BU，即使一个模型的工作，也能发挥出相应的影响力，的确是令人羡慕的。但是，相信绝大多数的算法团队，典型的以大厂的业务团队的算法和小厂的算法团队，这样的输出都无法带来相应的影响力和业务结果，这里需要尽可能全链路的能力，需要业务输入的比重更高一些。这里的问题是，你会一直选择做基础模型吗？相信二年级的算法同学对此深有体会。

实际上，算法是强数据依赖的，数据由具体业务场景产生，因此，在一定程度上，工业界的算法应该很靠近业务才对，并不是一个躲在业务背后的角色。脱离业务场景，一个典型的例子是，为了解决这个问题，我需要标注多少的数据，训练一个模型，花多少时间。当深入了解业务的时候，也许，你需要的只是一个词典或者几条规则，再或者，这个问题没有必要去解。不了解业务，不看业务数据，不修Badcase，即使做了很多看起来fancy的模型，对于该工作的价值，也要打个问号了。在二年级的时候，去面试同学，可能更加偏重于考虑模型能力，但是三年级的时候，已经不会这样了。这里分享一段诸葛越的观点：

    工作经验分别为1年、5年、10年的三个工程师在解决同一个问题时的差别是什么呢？结果可能都一样，那就是问题都被解决了，但真正的差别在于大家看问题的角度和维度不一样。作为工作经验久的工程师，你看到的不应该仅仅是问题的表面，更要看到问题的前因后果，以及其他与此相关的事情。为什么会这样呢？因为通过多年的工作积累，资深的工程师已经有了解决问题的框架，可以把问题放在框架下拆解分析，最后找到解决问题的方法。随着工作年限的增加，大家一定要总结并提炼出与工龄相匹配的方法论，否则你是无法对“后浪”形成竞争优势。形成了自己的方法论后，不仅可以更高效的应对老问题，还能从容的面对新问题。为什么会呢？因为老问题可以直接套用现有解决方案，效率肯定提高；面对新问题时，将问题放在现有的方法论下进行拆解，很快也会找到方案。你一定要知道，随着职级增加的不仅是收入，还有需要处理问题的数量。如果没有积累，你在应付激增的问题时会显得很吃力。

实际上，首先保证业务的成功，业务能够反哺算法，继而算法帮助业务成长。当你拒绝业务的时候，你理解的业务就是实际的业务吗？简单的测试方法是，针对给定的业务场景，自己去做业务分析的结果和业务大佬的分析结果做对比，高低立现。我们可能远低估了业务的复杂性。

如果业务本身就是技术，那可能就是技术人的梦想了。在硅谷，可能有很多单纯做单点技术的团队也能活的很好，但是在国内，似乎比较困难。最近发现在杭州的一个做图数据库(nebular)的团队，还是很给力的。

（3）关于NLP算法方向

在大概两年前，笔者写过的一些分析和有意思的文章，今天偶尔还会在某些NLP的公众号和媒体上看到。作为三年级小学生，有了一些新的观察和思考，这里斗胆罗列一些基本的认识。

NLP较之CV，语音等，是一个脏活儿，累活儿
NLP很难有独立的应用场景（对话+翻译），是躲在产品背后的能力（搜索，推荐等）
学术界和工业界的Gap不但有，还不小，慎重在工业界用学术的观点来看待和解决问题
工业界NLU的场景比NLG要大10个火星的距离
问答系统和知识图谱作为唯二的在工业界比较好的方向（比较好但是不意味着没有问题，只是相比较下来，还算不错的方向）
做算法产品而非算法项目
做算法系统而非算法模型
闭环思维，不要重模型轻规则的观点，做有用的模型
重视数据，真实场景下数据比模型重要的多，到数据丰富的地方去
工业界的模型落地门槛再不断地降低，算法同学需要新的能力扩展（一个六年级的NLP算法同学应该比三年级的牛在哪里呢？）
NLP很酷，且一直酷；NLP重要，且一直重要，方向一定是正确的

上述认识的得到，是由很多项目和外部信息输入得到的。不够理想，但是却足够真实，三年级的小朋友选择真实。幸运的是，身边总是有一些在某些方面特别强的同学，算法能力，业务能力，产品sense，沟通协作跨组织的能力，特别拼命的Lead，都是一种向上的动力来源。

（4）关于四年级

成长的过程，痛并快乐着。四年级要做的事情，简单列一个不完全清单：

技术链路的外延和内涵挖掘：数据和算法工程的拓展
非技术能力的提升：产品和运营知识体系
软技能：
- 开不完的会议，提升会议能力
- 面试技能提升：面了近50个同学了，同质性很高，很难找到亮点。但是实际情况可能就是这样的，要做出亮点，需要格外的用心和深度的思考。
- 带同学们一块儿搞事情：交流和沟通确实是需要刻意练习的（同理心+同情能力），技术管理能力

三年级的同学，感悟和收获很多，很多内容也不是很适合拿出来和大家交流，但是可以交流的部分，还是尽可能真实的表达出来。简单来说，希望四年级的自己能够不设限，不器，见贤思齐，开放，深广。希望能够认识到更多小朋友，一块儿好好学习，天天向上。