第 06 讲 · 认识岗位
AI 算法：数据、模型与任务效果
把大模型、视觉、多模态、搜推广等方向放回具体任务，区分训练、微调、推理和效果评价。
关注算法实习与技术方向的读者更新 2026-09-05
与本章一起读的原文
方法 / 教程Dive into Deep Learning / 动手学深度学习个人面经大模型算法 · 实习一面 · 长行莫倦求职复盘字节、百度、快手 · 多场实习复盘 · 大模型丁真讲义为教学整理；个人经验反映作者当时的情境。查看完整导读与资料目录 →
01算法方向首先由任务决定
图像识别、语音转写、文档理解、内容推荐和文本生成都可能使用深度学习，但数据结构、模型、指标与上线条件不同。招聘中的“大模型算法”也可能细分为预训练、后训练、推理、多模态或特定业务应用。
选读资料时，应先明确输入是什么、期望输出是什么、错误怎样判断。这样才知道一篇教程或论文与某个岗位是否有关。把所有热门模型名称列在一起，会掩盖任务差异。
02从数据到部署的几个环节
数据准备包括清洗、标注和切分；训练通过数据更新参数；微调是在已有模型上继续适配；推理是使用模型产生输出；部署是让推理能力被系统持续调用。算法工程师可能参与全部或其中一部分。
| 任务例子 | 输入 → 输出 | 常见评价角度 |
|---|---|---|
| 文本分类 | 文本 → 类别 | 精确率、召回率、不同类别表现 |
| 推荐排序 | 用户与候选内容 → 排序 | 离线排序质量、线上业务效果 |
| 文档抽取 | 文档 → 结构化字段 | 字段正确率、遗漏与格式合规 |
| 多模态问答 | 图片及问题 → 答案 | 视觉事实、问题理解、回答依据 |
03一个高分为什么还不够
随机切分可能让同一用户、病人或文档的相似样本出现在训练和测试中，导致评价过于乐观。时间相关任务还要考虑未来信息是否泄漏。评价设计需要符合真实使用场景，而不是只选择方便的切分方式。
比较两个模型时，还要说明数据、版本、参数设置和评价规则是否一致。平均分上升可能同时伴随某些关键场景下降；延迟和资源需求也可能影响使用。
04与产品策略、Research 如何协作
算法负责改善特定任务效果时，需要产品说明业务目标，运营提供有效样本，开发提供服务环境。推荐系统中，候选生成、评分和重排形成不同环节；业务约束可能与相关性共同决定最终展示。
Research 更可能从通用问题出发研究方法，业务算法更可能从场景指标出发。二者共享数学、代码和实验方法，但岗位期待并不完全相同。
来源与延伸阅读
正文为教学整理与分析。下列公开资料用于核对概念、产品能力和招聘入口；具体岗位条件以原公告为准。
Dive into Deep Learning / 动手学深度学习Aston Zhang、Zachary C. Lipton、Mu Li、Alexander J. Smola · 英文 / 有中文版入口
按面经缺口查自动求导、泛化、注意力、优化算法和推荐系统，先理解计算过程，再看可运行实现。