NLP现在就业是否没有前途?
目前在国内大厂实习，感觉NLP落地产品，比如问答，2C上，基本上是辅佐另一个核心功能，自己基本上不可能成为核心功能。公司也曾在2C上尝试，亏了一波推广费。2B上，感觉缺乏泛化能力，客户可能更想要有自己需要风格的产品，如游戏领域，需要为特定场景做设计。再者就是高质量的语料库很难搞。目前研一，想征求大家意见，不行就转。倒不是因为竞争压力大，我也收过很多内推简历，感觉很多研二，研三的同学水平可能还没入门。主要是担心 NLP的潜力不大，主要指的是硕士就业噶。 先给出结论：有前途，也有钱途。
为什么这么说呢？我从长期和短期的角度来解释。
长期角度
人工智能在未来会有持续不断的发展，我相信在这一点上毋庸置疑，如果是CV是人的眼睛，speech是人的嘴巴，那NLP在某种程度上来讲就是人的大脑。
当然，和其他领域相比比较偏重于语言理解、推理等，所以更类似于大脑。所以，在未来NLP算法工程师是非常吃香的，这一点也是毋庸置疑的。
现在上车了，慢慢积累经验和人脉，往高层爬，只要处于人均水平，基本上可以得到一个比较理想的level和薪资水品。
人工智能是一个风口，早点上船，那你就是最早的那一批人，等到一定的年龄段就可以做更多的事情。
短期角度
短期角度上来看，我相信来看这个问题的同学，基本上是做算法的，难道这个时候下船转工程，然后从头开始学java、go、C++？？？ 你是在逗我吗？
这个时候你就要跟本科和其他软件工程的同学来竞争，优势是真的不大，而且现在NLP算法有学历要求，大部分是硕士（至少我周围的算法工程师都是硕士+），所以你读个研究生最后又要回头去搞工程吗？
当然答案也不是绝对的，如果：
[*]你对算法不感兴趣
[*]你研究生阶段就一直从事工程开发，这个时候有一定的经验累计
[*]找到了与算法有交集的岗位，比如说推广搜、其他领域算法工程师（如金融量化算法工程师）等
你可以去做其他领域的工作。
工作分类
其实NLP的工作种类大致包含四种：
[*]纯学术算法
[*]纯工程算法
[*]半学术半工程算法
[*]跨领域算法工程师
纯学术算法
[*]介绍
这种算法工程师就比较厉害了，一般在学校阶段会有多篇顶会，也对学术非常感兴趣，这类同学一般会读博或者进入到研究机构工作，我相信这类大佬（应该）不会来看这个问题 ，因为他们不会对是否有前途感到疑惑。
[*]分析
属于此类的同学，在下奉献出膝盖致敬。
纯工程算法
[*]介绍
这类的工程师也是比较吃香，一般是给深度学习做一些平台和框架上的支持。就好比如说做一个深度学习框架（eg，PaddlePaddle），这就是一个纯工程算法的活儿，底层需要使用C++、CUDA技术栈，和算法的落地距离有点大。
[*]分析
此类工程师也是比较吃香，比如说做MLOps平台，技术栈可能偏向于分布式这块，不过也是需要一定的NLP背景，不然到时候组内在讨论问题时，你根本不知道咋会儿事儿，那不很尴尬吗？
做这类平台基本上都是大厂，比如说微软、谷歌、亚马逊、百度、阿里这些大厂都在做，小伙伴可以去了解一下具体岗位。所以此方向也是建议做。
半学术半工程算法
[*]介绍
此类工程师（俗称调参侠）在应用部门比较吃香，需要针对于实际业务来尝试不同的模型并达到SOTA效果，并且需要将其上线（需要转化成ONNX、C++代码）来运行，保证高QPS。
[*]分析
这类算法工程师的求职范围非常广，基本上只要是在尝试使用NLP解决实际业务时都会使用招聘此类技术人才，所以你更加不用担心未来是否有前途。
跨领域算法工程师
[*]介绍
此类算法工程师在跨领域里面是非常吃香，比如说金融量化算法工程师，可能你在算法届能力算一般，可是一旦跨到其他领域，你会成为众望所归的明星，使用高大上的AI来实现解决他们的实际问题，而且工资有可能会比非跨领域的岗位要高。
[*]分析
此类工作机会比较稀缺，因为此时需要你去了解目标领域的业务，比如说量化算法工程师，你就需要了解基金、股票的原理，了解股市的运作原理等，这个时候对你的要求也是比较高，当然如果能够成为这个领域的大佬，我相信会是很抢手的人才，同时薪资待遇也会非你现在所能想象的。
总结
无论是从短期还是长期来看，NLP算法值得做，而且大有未来。 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？
[*]简化系统设计
[*]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：
NLP 常规任务用 bert 类模型几行代码就能解决，那 NLP 岗主要存在的价值是什么？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：
[*]成为nb的nlp工程师，至少能解属于NLP的20%疑难问题
[*]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：
关于深度学习，我们写了一本1400页的全栈手册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~~ 没有前途。
时间都花在语料上。
真正核心的不是模型，而是语料。
公司不投钱搞语料，再好的技术也做不出东西。
而小公司，恰恰就没钱搞语料。 前途可能一般，不建议更多人入坑。其实就是比较简单的生产力和生产关系的问题。
其实20年前，nlp是一点都不火的，没有多少学习nlp的人。20年前的百度大搜索，为啥招聘会更看重一个人的潜力，说白了是因为学校培养的nlp人才太少了，完全不能满足需求，所以才会比较看重候选人潜力。过去20年是nlp技术高速发展的20年，并不是因为nlp在这个阶段因为取得了技术上的大突破导致行业高速发展的，而是因为互联网的快速普及和传播，给了nlp创造了大量的数据和新的场景，比如情感分析，语义匹配，query理解，自动摘要等，这些大多都是因为互联网的兴起而兴起的。大量的场景和样本就需要更多的产能来消化，这就导致了大量nlp的人才和技术孕育出来了。
然而我们看一下目前的互联网格局，就会基本get到文本的时代已经过去了，以一些简单的例子来说，目前百度app的日pv大概是10-14亿左右，渗透率接近天花板，dau也就在2亿左右徘徊很久了，这就说明文本信息的c端增量基本没了，但是抖音快手的搜索pv还是一直在涨的，两家加起来应该有个10亿pv左右；这个量级已经把文本的增量吃掉了。另外从互联网app时长上看，短视频的时长远高于文本相关信息的时长，说明大家都乐于看视频而不是看文字，因此b端后面也会受到影响。整体信息载体的发展，都在朝着文本见顶的路线走着，因此nlp未来会面临不增长的问题，科技股，互联网股，最担心的就是不增长，失去了增长属性，nlp的高回报率就会变差，因此现在入行意义不大了。 以下个人观点， 仅供参考：
一、 NLP很难在工作中拉开优势， 原因：
1、大部分任务在没速度太大限制的情况下都可以使用BERT等预训练模型达到最好的效果。
2、对于部分时间紧的需求， 来不及收集标注数据的， 往往就是写正则。
3、新技术出来的传播速度快，迭代速度快，弹出来一个什么有用的东西就会有千军万马follow。大家都知道要预训练、要prompt、要对比学习。
拉不开优势就意味着淘汰。
二、NLP各对话场景之间泛化确实不好
1、对于对话系统， 同样的对话状态管理流程换个场景就很糟，很多写好的模块不能重复用。要是换end2end吧，效果不可控，模型容易放飞自我。
三、目前NLP的文本生成离商用还有很大距离
1、“粗看通顺、细读一头雾水”的情况是NLP生成的现状， 不像人， 梳理完一个逻辑理论框架后再写。
2、写诗场景效果还行吧， 毕竟有些误差也无所谓， “一头雾水”和写诗挺搭的， 所以大家会觉得效果还可以， 但， 大家也都看腻了。
四、NLP的开源组件越来越优秀
1、比如百度paddlePaddle的命名实体识别， 效果足够好， import即可用， 自己再搞一个轮子？没动力了。
（这里就当给paddlePaddle打广告了， 毕竟我没付过费）
五、“NLP真难”，难的还不仅是技术问题
1、搜索、图谱、对话 这3大类，社会意义大，但很多公司都已经走过起步阶段，剩下很多“NLP真难”类型的难题。这些题不仅难、比重小、边际效益明显。入行了的人的产出要尽可能跑赢资本家的耐心，在各方力量之间取得微妙的平衡，否则就是被咔嚓的结局。
综上， 目前NLP的前景比较一般， 不要有不切实际的幻想，有没大突破还得等新的研究出来。研究型岗位还可以，虽然被咔嚓的例子很多，但至少有点盼头，实在没卷过，往业务型兼容也有机会；太偏应用、业务的就算了， 尤其是纯分类任务的场景（比如 审核），容易被替。
页:
[1]