Кому и зачем нужны алгоритмы в IT?

Наш чат карьеристов

Этап собеседования
Спортпрога очень сильно развивает конструктивный подход к задачам, то есть, зачастую на этапе условия задачи вам не будет сразу понятен даже приблизительный "тег" решения (то есть сложно определить сразу даже подход к первичной идее). Именно поиск этих нестандартных подходов то, что хочет у вас выявить компания. Но алгоритмические задачки, это не только про идею, не малая доля успеха, заключается в аккуратном написании кода, а также учитывания в процессе все крайние случаи. Интервьюверы особенно отмечают, когда кандидат на этапе идеи уже обозначил все крайние случаи и без подсказок их обработал. Получается, что алгоритмы - единственный способ проверить способность к построению логики, опирируя теми или иными темами, а также способность запрограммировать свою идею.

Бэкенд разработка
Здесь, думаю, мало кто задаётся вопросами, зачем нужны алгоритмы программисту. Достаточно сильный программист пишет в среднем код около 30% времени, то есть достаточно большое время уходит на продумывание идей и изучение технологий, то есть именно оптимизицаия этих скилов даёт компании наиболее эффективных работников. Приведем несколько примеров, где нужны в разработке алгоритмы: социальные сети (здесь чаще всего нужна графовая теория), карты/геоданные (так же требуют знание различных алгоритмов на графе, тот же A* к примеру, либо знание различных деревьев B-дерево и т.п.),

ML
На самом деле машинное обучение, далеко не только про мматематику, тут даже бо́льшая доля будет у вас уходить на программирование (если говорить про прод, а не про ресерч). Конечно, вряд ли вы будете разрабатывать всякие катбусты на плюсах и врядли вам понадобится представление как работает какое-нибудь k-дерево, но тем не менее вам придётся понимать оценку времени работы (big O), то сколько модель будет обучаться или преобразовывать здесь обрабатываются огромные массивы данных (ведь под это компания выделяет мощности и она заинтересована, в том чтобы модель обучалась не день, а пару часов условно говоря). Да и большая часть моделей в ML, это фактически те же алгоритмы, просто с глубоким математическим обоснованием, так что в машинном обучении алгоритмы вы встретите везде системы поиска, рекомендательные системы и т п.

HFT
В хфт есть несколько направлений SWE, QR и Trader. Отчасти стэк технологий трейдера и задачи его покрывают qr и swe, поэтому рассмотрим потребность в алгоритмах от его лица. Всё сказанное про ML и Бэк верно и для него, но только требуется еще более глубокое понимание всего. Например здесь же уже нужно понимать как реализованы внутри модели, какие структуры они используют, как их оптимизировать, а также и сами нюансы внутренние у реализаций библиотек. Здесь также и требуется иметь навыки бэкендера, но тут уже нужно глубокое понимание языка (чаще всего плюсов) на уровне количества инструкций в той или иной среде для какой-либо операции, а также нужно отлично знать алгоритмы и уметь их применять (последнее вдвойне ценится),тут уже зачастую недостаточно придумать асимптотически наилучшее решение, нужно искать кучу неасимптотических оптимизаций для частных случаев данных.

Computer Science
У многих компаний бигтеха есть свои лаборатории, в которые они направляют задачки, возникшие в процессе разработки в проде, которые не имеют решений в настоящее время (например в т-банке курьеры получают на день некоторое количество заказов на развов карт, а компания должна придумать сразу оптимальное разбиение всех заказов по курьерам и их маршруты, так чтобы минимальное количество топлива было затрачено на их сумму минимальных путей (почти что TCP задача)). Лаборанты по большому счету работают там над теорией алгоритмов, придумывают эффективную идею и тестируют её на синтетических данных, а уже потом предложенную идею отправляют в прод. Здесь полноценный ресерч, вы должны не просто уметь хорошо решать задачи, но и должны знать большое количество алгоритмов и идей.

@chad_protocol