NLP现在就业是否没有前途? 第1页

刚出学校的时候肯定没问题，放在学术界当然也没问题。但如果放在工业界长期搞的话，对大部分人来说不太好。

工业界里，技术是为业务服务的，现在互联网现金牛的业务都不是靠单一技术撑起来的。无论网页搜索、图片搜索还是当下火热的视频搜索，它背后都是一套承载复杂业务逻辑的系统，单一的NLP、CV、Speech技术都只是其中一部分。

业务逻辑没搞清楚，系统模块之间如何互相影响没搞清楚，只是技术层面深度炼丹其中一个NLP模型、CV模型或者Speech模型的话，所能带来的系统层面的影响都非常有限。

一个视频搜索系统我能完全抛开视频视觉内容和语音内容来做吗？

一个图像检索系统我能完全抛开图像视觉内容来做吗？

一个网页检索系统我能完全抛开网页内容来做吗？

其实全都可以。

离了深度学习下的NLP、CV、Speech模型，这些业务系统总能找到一些巧妙的机器学习甚至非learning的方式达到不错的效果。

那这些先进NLP技术存在的意义是什么？

1. 简化系统设计
2. 解决系统里20%的疑难问题

比如搞文本相关性，如果抛开现代NLP模型，那就要一顿分词、term weighting、计算CQR/CTR等term match的一堆人工特征，要写不少代码，维护不少系统模块，可能勉强能上80%的准确率。换上现代NLP模型的话，随手上个BERT就80%了。前者需要几十个人维护好几个模块，后者需要一个初级NLP工程师+几台GPU部署机器。

所以啊，低端NLP人才，其实不用很多。一个人就能卷死一大片传统算法模块。

而剩下那20%的困难问题，老旧系统+tricky策略就实在搞不定了，BERT简单finetune也搞不定，咋办呢？

这就是大厂抢着要的高端NLP人才。校招卷潜力股，社招挖实力股。

还是以相关性为例，一些疑难case见我之前这个回答：

没混过大流量的搜索业务的话，做文本匹配的NLP工程师还是很难知道怎么用BERT解这类hard case的，一不小心就陷入了写规则的怪圈里。

解决这20%疑难问题的能力，是非常通用的。做网页搜索能用，放在图像搜索、视频搜索里同样整体适用，最多策略层面“做做微调”。

但要学会这些，你要进nb的团队有牛人带，在问题依托的场景里向牛人学习。这些东西一般写不到论文里，写到论文里往往你也找不到的。

所以，如果觉得踏进了NLP圈子就叫有前途，那还是洗洗睡了。但如果能：

1. 成为nb的nlp工程师，至少能解属于NLP的20%疑难问题
2. 跳出nlp圈子，多关注业务、系统和通用机器学习套路

有其一的话，就能打开前途天花板。两者兼得那更好不过了。

越工作越发觉得，前途不前途的，还是要看自己的机遇和选择。

下面是我和小伙伴四年以来的努力，希望能成为每个算法从业者成长路上的一束光：

手册大约半年更新一次，每周大约会有2-3篇新内容产生，对新内容有期待的小伙伴，欢迎follow我们的公号“夕小瑶的卖萌屋”，希望多多支持鸭~~