人工智能岗位de一些思考

这些日子一直在忙一些关于未来工作和方向的事情，虽然起步比较晚，但也算参与了不少的面试，也学习了很多东西，也经历了很多令我开心和失望的事情。

所以现在有一些感慨和想法，就随便写写吧。

CV秋招

关于cv算法秋招的事情，知乎上、牛客上都说cv深度学习岗爆炸，但以我的角度来看，形势没有说的那么恐怖。不过对于大厂来说，对简历的要求是挺高的，就算简历过了，面试回答的不好，也很难进入下一个流程，因为人很多。对于小厂来说，对于简历的筛选并不比大厂容易多少，只不过面试的话会比大厂简单一些，机会也更多些。

假设没有985、211等的背景，如果有好的项目，好的论文、好的比赛，也有很很大机会成功的。

对于我来说，项目比较多，这也算是一个小优势，在大部分的面试中，面试官主要都是问我的项目了。但是问的深度各有不同，看你面试的这个岗更偏重哪一方面(算法还是工程)。

算法和工程其实有一方面比较突出，另一方面稍有些实力，也就差不多了，因为现在纯招算法的还是少。大部分是算法工程师，算法毕竟是要落地，你的算法能力稍弱一些，但是落地工程经验比较丰富，也是没问题的(当然还是要和岗位match，越match越好)。

传统方法cv

这个依然不能落下，作为计算机视觉算法工程师，传统的计算机视觉算法对于我们来说很重要，也需要好好学习一下。

推荐的课程： http://cs.brown.edu/courses/cs143/ 以及优达学城的cv入门课程，看完这些，再过一边OpenCV的例程就够了。

深度学习也相当于特征提取网络，也有很多的论文中仅仅是将神经网络当做特征提取的工具。所以我们不能只光会调参，那样就炸了，最基本的cv功底也是要有的。

面试中会问你一些传统cv的问题，例如霍夫变换、拉普拉斯算子等。总之这些方法也要有所了解，要弄清楚。

AI芯片以及落地

落地这块就和芯片一块谈了，2019年应该是深度学习落地的元年，很多公司也不光是招可以设计算法的人，更多的是需求一些可以实际将模型部署落地的人才，移动端或者嵌入式都是落地的重点照顾对象。

很多AI创业公司，例如地平线、寒武纪等也陆陆续续发布了自家产的AI芯片，说白了就是更适合做卷积操作的芯片，这种芯片潜力很大，可以更快更低功耗地运行神经网络，但是相对于这个芯片的一些开发和算子设计也是需要一部分人力的，这也是很多人工智能公司也会发布一些与硬件接触较深的岗位。

所谓的人工智能岗位并不要求都是算法，也可以是软件类或者开发类，其实我们的选择更多一些，不必非要局限于算法方面。

深度学习编译器

因为自己也有过部署方面的需求，也对这方面有些小的研究。

这个研究方向一直有，只不过近来年因为神经网络的大火，关于神经网络的编译器也陆陆续续出现了，大家听得最多的就是TVM(在我的博客上有介绍)。

相应的岗位也是最近才出现的，而且很多的AI独角兽也在做这块。这个与深度学习平台有着比较密切的关系，算是深度学习系统中的一部分，这个岗做的人不是很多，有一定的需求，入门稍微难一些。

更多相关的内容可以看知乎上关于深度学习系统的讨论。

人工智能教育小车(无人驾驶小车)

这个东西我在学校也有做过相关的项目(与其他公司合作)，这个很多公司都在做，包括商汤(无人小车)、大疆(最近出来的robomaster战斗小车)等等很多公司都在做。

这个涉及到的岗位就是机器人+嵌入式+深度学习算法，有相关硬件背景或者机器人比赛背景，同时也在做深度学习这一块的童鞋，这些公司也会比较喜欢吧。

可以尝试尝试，感觉这类机器人会慢慢普及进入大众的家庭。

5G？

5G牌牌都发下来了，万物互联的时代马上就就要来临，这样的话，将模型部署在服务器端然后通过云端在移动设备或者其他嵌入式设备上运行就不是什么大问题了。

这也是促进深度学习应用落地的一个热点，但未来究竟会发展成什么样子，谁也不清楚。相关的岗位会不会增多，也需要慢慢来看。

其他出路？

我也有过转开发的想法，但是发现开发要学的东西其实也不少：

• 操作系统
• 分布式
• 计算机网络
• tcp/IP
• 数据结构、设计方法等
• linux
• 等等

算法转开发也是个很辛苦的过程，所幸这些知识我们平时也有用到，但想要好专门搞后台搞开发的相比可能稍微弱一些，究竟转不转，我的看法是先学着吧，不用刻意。

后记

简单聊聊关于人工智能岗位的一些事情，不乐观也不悲观，大家看看就好。

人的精力有限，这一个月来按理说应该写一篇文章的。但是有时候因为其他事情，或者很累，就一直拖一直拖拖到现在。感觉再拖又得好长时间，就今天写一写算是中场休息后的开始吧。接下来还是会好好写一些有质量的文章(已经积累了很多，但是没有完善)，经营好这个小博客，一步一步来，慢慢进步吧。