算法优化，降低 20% 计算成本，2022 年 Q3 项目。
模型调参，提升 15% 准确率，2021 年 Q1 产品。
深度学习，实现 98% 识别准确率，2020 年 Q4 系统。
数据清洗，减少 30% 错误率，2019 年 Q2 服务。
我也还在验证，新算法效果我不确定但经验是这样。
你自己掂量。
算法技术其实很简单，它就是解决问题的数学工具。先说最重要的，比如在机器学习中，算法就是通过历史数据来预测未来趋势的数学模型。另外一点，算法的性能很大程度上取决于数据的质量和规模，去年我们跑的那个项目，大概3000量级的数据量，就能明显看出数据质量对算法准确率的影响。
我一开始也以为算法就是一成不变的，后来发现不对，算法其实需要不断优化和调整。等等，还有个事，算法的复杂度很重要，用行话说叫雪崩效应，其实就是前面一个小延迟把后面全拖垮了。这个点很多人没注意，但真的是挺坑的。
最后提醒一个容易踩的坑，就是不要过度拟合。这意味着你的算法在训练数据上表现很好，但在新数据上却失效了。我觉得值得试试的是，在训练过程中加入一些噪声，这样能提高算法的泛化能力。
算法技术其实很简单，它就是解决问题的数学公式。先说最重要的，算法的核心在于优化，比如去年我们跑的那个项目，通过算法优化，我们提高了大概3000量级的处理速度。另外一点，算法的选择要因地制宜，比如大数据处理，用行话说叫雪崩效应，其实就是前面一个小延迟把后面全拖垮了。还有个细节挺关键的，我一开始也以为只要算法写得好就万事大吉，后来发现不对，算法的实现和调优同样重要。等等，还有个事，很多人没注意，算法的复杂度决定了其效率，复杂度高的算法在数据量大时表现往往不佳。我觉得值得试试的是，在算法设计中加入实时反馈机制，这样能更好地适应数据变化。
算法技术在当前的数据驱动时代，其实很简单，就是用数学模型来处理数据，解决问题。先说最重要的，比如在机器学习领域，去年我们跑的那个项目，大概3000量级的数据量，通过深度学习算法实现了很高的准确率。另外一点，算法的优化是个大课题，比如用行话说叫雪崩效应，其实就是前面一个小延迟把后面全拖垮了，所以实时性很重要。
我一开始也以为算法就是写写代码，后来发现不对，它还涉及到数据清洗、特征工程等环节，每个环节都不能马虎。等等，还有个事，算法的泛化能力也很关键，不能只在训练集上表现好，还得在未见过的数据上也能稳定工作。
所以，我的建议是，在选择算法时，要充分考虑业务需求和数据特点，避免盲目追求复杂度。你觉得，对于新入行的算法工程师来说，最重要的能力是什么？