NLP自然语言处理、推荐系统、以及计算机视觉哪个就业前景更好一些？

说到底nlp、cv、推荐只是AI领域中三个细分技术体系，哪个就业前景好当然要看行业啦~而且学界和工业界还是有点区别的

有志于学术界的还是nlp和cv吧，公开数据集细分领域丰富，数据多样，有idea直接拿来验证，各种net结构往上怼，易产出paper。强化学习、迁移学习、元学习如火如荼，某个方向的一点突破说不定就打开新世界大门，成为开宗立派的宗师。

工业界所谓的就业前景绝对还要看行业，企业都是要赚钱要给员工开工资的，各AI技术的应用都是服务企业的业务场景，要么能给业务赋能，要么能为企业减少成本。所以也要理解这门技术能够为企业带来什么样的商业模式

NLP

智能问答/智能音箱/个人助理：各大厂竞相追逐的赛道，新交互场景下能够抢占用户使用手机外的时间和流量，家务、带娃、开车不耽误使用厂家的服务。给用提供好的语音/理解技术服务，广告和付费业务依然能跑起来，小钱钱赚起来。

技术特点：抛开复杂环境远近场语音识别技术，大多场景用户不会大段对着音箱絮叨，能够理解用户下达的命令，能够触达长短句中分词含义，根据一个session中上下文信息调用下游服务接口，反馈给用户需要的就好。

智能客服：明显未来要被人工智能大规模替代的岗位，减少人力成本支出

技术特点：短期看不会出现通用智能客服，要深入理解具体业务场景，针对特定场景训练语料进行优化。都是要退钱，中国移动套餐和淘宝的模式就不一样

CV

机器人/无人驾驶：发展前景很好，技术能力门槛高，需要大量复杂环境训练数据和跨学科知识，但资本投入高风险大，一个不小心就死掉一批企业，活下来的一定是最后的头部企业，行业巨头

技术特点：图像处理技术，视觉技术，人工智能技术，多传感器融合技术，以及一定程度的硬件与系统技术，嗯，想想这护城河都够深。。。

监控/安防：民用领域独角兽们竞争赛道，主要面向ToB场景，提供集成智能产品或服务产品，智能交通、智能安防、各种刷脸应用已部分或大规模应用，但被“拍照”的用户隐私涉及的法律和社会问题也逐渐凸显

技术特点：刷脸就研究脸就行，采集大规模数据训练，提升准确率基础上，还要避免被攻击风险。其他环境的安防监控等根据场景来识别人/物

医疗影像/卫星影像/地质勘探影像等传统影像分析：企业、个人、社会多赢的技术，降低各方成本同时，企业提供的服务也能带来稳定盈利

技术特点：需要领域专业背景或多方合作，难点在于领域训练数据的收集，数字化影像普及时间不长，可能会有领域难有大规模或超大规模训练数据，导致模型拟合或分类效果不好

图像/视频理解：有图有真相，视频时代海量图像/视频数据的分析当然需要ai参与理解和分类，但多是为下游应用如推荐、搜索提供标签支持，多 应用于图像/视频分类、质量，减少人工审核成本。

技术特点：针对不同场景为图像/视频提供自动分类，训练集大小要看公司规模，需要根据场景和理解业务的基础上进行数据优化，数据的预处理比好的模型更有帮助。

推荐系统

自己所在的领域就多说两句。个人认为推荐/搜索/广告是部分AI技术的集小成者，囊括数据分析、用户行为、nlp、图像/语音/视频理解等各方面技术，一般以点击率/转化率/停留时长等指标评估系统或模型。

推荐系统本质是用户与物料的匹配，物料层面，为了给物料打上精准画像，需要NLP对标题文案做处理，提取文本标签/关键词；图像、视频处理理解图片视频类物料标签；物料在整体、不同用户群、不同场景下的实时推荐效果数据的数据处理；物料隐语义信息的embedding技术。

用户层面，用户历史行为分析用户特性、用户分群；基于行为数据对物料的消费聚类出各标签维度的长短期画像信息；为了不陷入到推荐陷阱中，还要对兴趣做不同的mab或探索扩展；用户行为同样可以用embedding技术刻画用户隐式特征；

有了物料与用户的基础属性就可以通过这些信息做匹配和排序了，推荐特有的协同过滤、传统机器学习、深度学习、强化学习都能派上用场，就看领域和公司规模带来的数据量能有多少喂给模型了。在推荐领域，没有最好的模型，只有最合适的模型，复杂的DNN可能还不如两层网络甚至LR，需要对业务和数据有深入理解，并能够在数据分析的基础上进行数据处理。电商场景和内容场景又有些许不同。电商是直接带货，一般为提升商品转化率，内容场景一般要保持好的用户体验，一般提升ctr或停留时长。内容领域的推荐不会直接为企业带来利益，因此需要好内容与好的推荐策略留住用户与流量，通过广告或付费模式带来收入。

以上可以看到推荐的技术特点除了特有的推荐算法外，还需要了解NLP、CV及数据分析等其他基础领域，跟公司的业务也更贴近，能够直接对企业带来效益。

还是那句话，这些技术只是工具，用好了在哪都能吃香，至于吃的长久吃的更好，还要看企业平台和所在行业蛋糕有多大。

关于推荐系统详情可以参考该系列