現在校招開始的越來越早，今年的實習生招聘還是異常火爆，簡歷一堆，而且是越來越沒有區分度，以前面個xgboost的論文細節，就能區分很多人，現在大部分人都能講的不錯，哎，面試越來越難。
也在蘑菇街帶了幾年團隊，有些同學成長的很快，去了更好的平臺，有些同學本來被寄予厚望，卻表現平平，暗歎可惜。大家來來去去，鐵打的營盤流水的兵，不知不覺成了組裡待時間最長的，頗有感慨，今天就和大家嘮叨幾句offer選擇和職業發展，個人觀點，純當消遣。
從面試的情況來看，學生質量兩級分化一年比一年嚴重。估計到時候offer又是旱的旱死，澇的澇死。回想自己剛畢業的情況，如果來面現在的蘑菇街，大機率是過不了的。除了公司在發展，用人的選擇餘地大了，更多的是那時候機器學習還不像現在這麼火，從業者不多。大家只能看NG在史丹佛錄製的課程，還沒有cousera，你在簡歷上寫個拿到cousera ng的machine learning課程，各大公司可能還會面面你，但現在就呵呵了。
對於很多同學來講，這個時候有個終極的問題要討論了，到底是去大公司還是小公司？
先說應屆生offer選擇。針對網際網路公司，針對推薦、搜尋、廣告場景，我個人的建議是：
根據公司、部門選擇的不同，會有不同的成長路徑，崗位推薦程度由高到低分別是：
經歷核心團隊業務規模從小到大的過程，比如跟著頭條、抖音成長起來的一些同學，現在的發展都不會差。但這個看命，大部分小公司會掛掉，好不容易成長到中小公司，還會遇到瓶頸，遲遲突破不了，真正到大公司的，鳳毛麟角。而且還要這麼多年待得住。 參與大公司主要業務瓶頸突破的過程，有點繞，而且好像離應屆生比較遠，理想情況這種任務都是老員工搞，但很多時候由於種種原因（大多是風險偏好），可能是一個經驗豐富的老員工帶著一批應屆生搞，若輪到你，大賺。 經歷團隊、業務規模從小到中的過程，也能得到不少的鍛鍊。 一直在大公司做邊緣業務，這個對自己的悟性和驅動力要求太高，大部分人的成長都會明顯慢下來。 在沒有資料和掙錢業務的小公司，自求多福
以上排序的核心邏輯是資料規模大小和是否有線上實驗反饋（A/B test）。規模帶來技術深度和業務背書，反饋是建立方法論的基石，沒有它就很難順利成長為合格的演算法工程師。
為什麼如此強調線上A/B test？
首先，很多同學從學校出來，並沒有真正做過一個實際的業務提升，是非常需要從線上A/B test拿到結果，建立信心，確認機器學習真的很有用。有些同學在大公司，幹了幾年，一個線上收益都沒有拿到，對信心的打擊是很大，直接轉崗了。
其次，大家都不是神，機器學習還是有非常大的不確定性，因此A/B test的準確度、有效性，以及同時能做多少實驗是非常重要的。 假設一個公司一次能做100種實驗，一個只能做10種，在idea的實驗效率上，就存在著巨大的差距。而這裡的關鍵，就是資料規模有沒有到一定的量級，到了你的A/B test就能做的更多，且更準確，更快拿到反饋，從而修正自己的認知和方法論。
明確了標準之後，面臨選擇時就更好把握。接下來說下各個選擇可能存在的問題。
大公司
老生常談，分工太細了，該做的事情，大部分都做掉了，很多時候找你進來是搞維護工作的。有些同學不服氣，面試也有遇到工作一兩年，說自己給公司提升了多少多少，詳細聊下來做的事情又很普通。那麼事實就很明顯了，要麼他們原來不重視這塊，做的水（現在越來越少了），要麼你在吹水。
重要的是：大部分人的悟性不足以透過現有的系統，理解在其曾經的發展邏輯及面對問題的方案選擇。 而後者，才是將來你面對新業務時候的底氣，人不可能在同一個業務上做一輩子。
為什麼還要去呢，有兩個方面的原因。第一個是上面已經提到過的，萬一趕上被拉壯丁去解決核心問題，雖然業績風險大，但好歹有了戰點，有困難，有成長。第二是，這個東西就像當年大家去美國留學，先看看先進的東西是怎麼樣的。比如在頭條，在鳳巢，你們會看到離散化模型的特徵規模到了千億，讀書的時候怎麼可能想到他們會這麼搞。會看到原來要用ps訓練模型，需要用類似淘寶iGraph的系統來處理使用者側的實時特徵。A/B test是怎麼做的。待上一陣子，如果沒有戰點，找家中小規模的公司，去那裡把技術和業務結合實際，形成自己的認知和方法論，也是極好的路線。
中小公司的核心團隊
在中小公司的核心團隊，對比大公司，會更“累”一些，需要做的事情會更多，這裡的更多指的是資料質量和系統工程上。大公司的核心業務，一般會有一個規模不小的ETL組為你清洗資料，還會有不同團隊搞出來的機器學習訓練平臺求著你用。而在中小公司，想用個PS，去看看開源吧，還好騰訊的angel還不錯。想搞個tensorflow的分散式，對方一臉懷疑，先拿效果出來看看？
因此，要靠刷這張老臉，工程的同學都是不見兔子不撒鷹的主。畫風很容易就變成了，我們需要個線上預估服務，演算法同學先搞個初級版本出來吧，線上拿到收益了，工程的人進來最佳化重構；我們需要搞使用者實時特徵，先搞個原始版本證明有收益，工程再進來重構。還好每次結果還不錯，最近開始搞大規模LR模型，大家支援力度比以前好多了，不再要先看結果了，畢竟這次也沒有辦法先看結果了，不是單打獨鬥能搞的了。所幸，上線後收益很明顯。
調侃歸調侃，在資源有限的情況下，這樣的方式非常合理，大公司才能養的起超前的團隊，而我們要精打細算。但對個人的成長也是非常有好處，首先是魔武雙修了，演算法和工程都不錯，*其次是逼著你想清楚到底要幹嘛，對演算法和業務的理解更為深刻，因為每一次決策失敗，都是消耗大家對你的信任，如果次數多了，估計就混不下去了。
最後，大部分來中小公司的，都是去不了一線大公司核心組的，這個是現實。但不要妄自菲薄，人生是長跑，不必爭一時瑜亮。
大公司非核心業務團隊
這個就要擔心了，首先，很多大公司應屆生招聘時候，同學們不知道自己面的是什麼部門，所以一定要問清楚。現實中很多非核心團隊，本身沒有什麼積累，因為留不住好的人，一直被核心團隊壓制，資源分配的很少，還不如中小公司。這個時候去，一定要想清楚，自己是不是看好這一塊。當然，凡是不能絕對，也有非核心業務發展的很快，成長為核心業務的，這個看自己的眼光和運氣了。
小公司
舉個常見例子，假設要做推薦，首先要有資料，這點已經可能幹掉很多小公司了，沒有資料玩個毛線。其次，大家做模型一定是需要做A/B test的，那麼最好場景的DAU是大於百萬（又幹掉了很多小公司），一個是資料質量會高很多，A/B的時候波動小，另一個是不容易動不動搞個模型提升x倍（我們在小場景上會遇到），從而飄飄然，不知道自己幾斤幾兩。最後，場景的物料規模要大，才有推薦的空間，後續模型才有持續最佳化的可能。舉個不恰當的例子，在一個賣xx的電商平臺，如果只有幾十款商品，使用者幾下就能瀏覽完，還做什麼推薦。
再來聊個題外話，老闆較不較真
除了公司、部門之外，和個人成長最相關的因素之一就是上級了。這裡給大家提供一個指標：老闆的較真程度。
怎麼評判呢？看在專案裡，Ta是隻看收益還是要求將收益講清楚，只看高大上的模型還是要求真正解決問題。不盲從，較真的思考為什麼會有提升，為什麼會沒有提升，去分析，去總結，對一個員工以至於團隊都非常重要。
舉個例子，在業界，ctr預估一直有兩種思路，大規模特徵 + 簡單模型對比小規模特徵+複雜模型。但真正對比過這兩種方案的，少之又少。當年百度有個哥們去淘寶，想把百度大規模離散特徵這一套應用在電商場景，最後是鎩羽而歸。但深入去了解當時的一些背景，發現嘗試的時間很短，結果就很可疑了，這就是不夠較真。
由於長期受淘寶的影響，我街的基線模型和淘寶的思路非常接近，但到瓶頸了。而且我們和另外一家巨頭的模型線上pk過，效果要好於他們。為了突破瓶頸，在分析了各種模型的優缺點，選擇做大規模離散模型，前前後後花了好幾個月，將資料鏈路上的各個環節重搞了一遍，嘗試了很多離散化特徵，線上預估系統改造了好幾版，最後上線效果明顯。主要原因是該模型帶來了更多的特徵工程空間。這就是較真帶來的收益。
除了以上因素之外，offer的選擇還受到種種顧慮的影響，比如想要戶口、想離男/女朋友近、不想996等，最後還是要自己分配權重去做決策。祝大家的秋招都碩果累累，收穫心儀的offer。