算法工程师首先是一个工程师。这样一个基本的事实，却被许多算法工程师有意无意忽略。这样下去，是走不长久的。本文尝试总结下算法工程师需要的工程能力，敬请指正。

注：未经授权、禁止转载

1、将模型发布成服务的能力

模型训练好后，需要发布成服务，这样才算完成落地。但是发布成服务，并不是那么简单。
如果用python，那你至少得会tornado或者flask。要学会这两个框架，至少需要对web服务技术有所了解。
如果用java，大部分是用spring，那你至少需要对spring全家桶有所熟悉，当然，maven啥的是不能少的。
如果是用RPC，除了spring之外，对RPC（比如hsf）技术也要熟悉基本原理，并能熟练运用。
在容器化的今天，你的服务一定是在容器中运行的，这需要你对docker等容器化技术比较熟悉，才能真正地与docker配合，完成服务发布。
不同的公司都有自己的devops工具，用来完成创建应用、申请机器、创建环境、发布服务、发布变更等工作，也需要很好地掌握。

2、配置监控的能力

服务上线了，监控必须要跟上，不然，服务挂了很久你都不知道，怎么能行。各个公司都会有自己的服务监控工具，比如supervisor等。有时候，你需要对服务状态有更加细致的监控，比如某类异常过多，响应时间加长，请求数据具体情况等，这往往需要你对监控工具比较熟悉，才能顺利配好。

3、负载均衡、扩缩容、容灾备份的能力

有了监控，不等于完事大吉，你还得考虑服务承载能力问题，需要多少台服务器，负载均衡按照什么策略。如果服务请求突然增多，如何快速扩容，服务器如何配置在多地，增加服务的容灾能力。这些事情虽然都有工具可用，但首先需要你对这些事情的基本原理比较清楚，并提前熟悉，才能在必要时用得上。

4、灰度测试的能力

有时候你训练出一个新的模型，需要检测效果，这是你的服务已经在线上了，直接用新的模型顶上是风险很高的，离线测auc呱呱叫，上线后auc直线呼呼跳的事情是很正常的。所以，一定要用小流量进行验证，这需要你对灰度测试机制比较熟悉，不然，做不到这一点，新模型是上还是不上呢？

5、数据分析的能力

好的，模型已经上线运行了一段时间，需要分析下效果。首先，你的log有没有记得够详细，可以支持所有粒度的模型情况分析？嗯，记log确实是一件需要提前想好的事情，不要小看它哦。另外，大概率情况，你的log会被load进大数据系统，比如hive，那么要分析log，hive你总得会吧。有时log还需要进行很多处理才能得出分析结论，那么，大数据分析工具spark啥的你总得会吧？各个算子可是都清楚了？

6、报表生成的能力

你的模型总得有一些日常观察指标吧，这样你才能时刻追踪到模型服务的最新情况，一旦发生指标异常，可以迅速分析解决。这时候没有比一个完善的报表更重要的了。所以你需要会将自己模型服务的报表做出来吧，报表工具虽然有，但你总得会才行啊。

7、制作前端portal的能力

为了在上线前更方便地体验模型服务，你总得为服务搭建一个前端使用页面吧。至少让老板们可以愉快地测试你新model的效果。前端页面可以非常简单，vue啥的都可以。问题是这点活儿你不自己干难道还给你招一个前端来？

8、无总结、不进步

可见，从工程师的角度来看算法工程师，一个合格算法工程师首先是一个合格的工程师才行。可能你觉得算法工程师不需要会这么多也能活得很滋润，因为有工程团队配合呢。我只想说，你说的是现在，我说的是未来。
总而言之一句话，尽快摆脱调参师的标签，多领域拓展自己的知识结构，让自己成为一个T形人才，才能在越来越激烈的岗位竞争中，最大限度提高自己的竞争力。