我從過去八個月的AI公司面試中學到了什麼？

做者 | Aman Dalmia

編譯 | 無明

編輯 | Vincent

AI 前線導讀：本文的做者在過去的八個月，面試了谷歌 DeepMind、Wadhwani 人工智能研究所、微軟、Ola、Fractal Analytics 等公司，主要是數據科學家、軟件工程師和研究工程師等職位。在這個過程當中，他不只有機會與不少大牛交流，還了解到招聘者在面試候選人時真正想要的是什麼。相信對於不少人來講，若是之前有過這方面的知識，就能夠避免不少錯誤，併爲面試作更充分的準備。這就是爲何做者要寫這篇文章，AI 前線將這篇文章編譯了出來，但願可以幫助人們找到求之不得的工做。

更多幹貨內容請關注微信公衆號「AI 前線」，（ID：ai-front）

1. 如何得到面試機會

這是最關鍵的一步。對於應聘者來講，如何讓招聘人員在海量的簡歷中看完他們的資料，這是最困難的部分。總的來講，能夠細分爲三個關鍵步驟：

a）準備好簡歷，或者 LinkedIn、Github、我的網站等信息。

首先，簡歷應該要很簡潔。能夠按照 Udacity 提供的這個指南（https://career-resource-center.udacity.com/resume/resume-revamp）來整理簡歷。這個指南包含了不少我想說的東西，我也一直把它看成本身的簡歷參考指南。說到簡歷模板，Overleaf（http://overleaf.com）提供的一些模板至關不錯，例如：

能夠看到，簡歷內容被放在了一個頁面當中。不過，若是簡歷內容太多，那麼上面的模板可能放不下。能夠在這裏（https://latexresu.me）找到修改後的多頁模板。

接下來最重要的是如何展現你的 Github 我的資料。不少人低估了 Github 的做用，僅僅由於它沒有「誰看過你的資料」這一選項。

招聘人員會去看你放在 Github 上的東西，由於這是他們驗證你在簡歷中提到的內容的惟一方法。人們老是在他們的我的資料中用不少時髦用語，給招聘人員形成很大的干擾。特別是對於數據科學而言，開源在大多數工具、各類算法的實現、學習資源等方面都扮演着重要角色，全部這些都是開源的。應聘者至少要作到：

• 若是尚未 Github 帳號，那麼就建立一個。

• 爲每一個已完成的項目建立一個倉庫。

• 添加文檔，並提供有關如何運行代碼的明確說明。

• 爲每一個文件添加文檔，說明每一個函數的做用、每一個參數的含義。

接下來的這一步是大多數人都缺少的，就是建立一個用於展現我的經驗和項目的我的網站。這一步能夠代表一我的真正想進入這個領域。另外，簡歷一般沒法展現全部的東西，每每會錯過不少細節。

若是你願意，能夠在網站上展現更多細節，好比包含某種項目或想法的可視化演示。建立這樣的網站真的很容易，由於有不少免費平臺提供了拖放功能，很是輕鬆就能夠完成這個任務。我我的使用的是 Weebly（http://weebly.com），這是一個已經獲得普遍使用的工具。下面是個人我的網站：

最後，如今不少招聘人員和初創公司開始使用 LinkedIn 做爲他們的招聘平臺，不少好的工做職位都發布在上面。

除招聘人員外，那些在爲有影響力工做崗位尋找候選人的獵頭也很是活躍。因此，若是可以吸引他們的注意，就可能得到很好的機會。

除此以外，保持我的資料的簡潔也是很重要的，這會讓人們有意願與你創建聯繫。搜索工具是 LinkedIn 的一個重要組成部分，爲了充分利用搜索工具，你必須在我的資料中使用相關的關鍵字。此外，必定要讓曾經與你一塊兒工做過的人爲你添加評論，談論他們與你合做的經歷。全部這些都會增長得到注意的機會。

這些東西看起來好像不少，但不必定在一天甚至一週或一個月內完成。這是一個過程，並且沒有終點。在一開始準備全部的內容確定須要花費一些時間，但一旦作好了，之後只須要不斷更新就行了。你會發現這樣其實很容易，並且你還能夠隨時隨地推銷本身，無需刻意作準備，由於你對本身已經很是瞭解了。

b）保持真實性。

看過不少人的簡歷，我發現不少人會犯這種錯誤。在我看來，最好先搞清楚本身真正感興趣的是什麼，本身想要作什麼，而後尋找相關的工做機會，而不是反過來。 AI 人才供不該求的事實爲人們提供了不少機會。準備簡歷的過程有助你對本身有一個全面的瞭解，並幫助你作出更好的決定。此外，不須要準備在面試時可能被問到的各類問題的答案。由於當你在談論真正關心的事情時，這些答案天然會脫口而出。

c）人際網絡：在完成了 a) 和 b) 後，人際網絡才能真正幫你實現目標。

若是你不和人交談，就會錯過不少機會。天天都要與人們保持聯繫，若是不是面對面接觸，至少要在 LinkedIn 上，假以時日，你就擁有了一個龐大的人際網絡。創建人際網絡並非讓人們爲你作推薦。

我在一開始也常常犯這種錯誤，直到我偶然多 Mark Meloon 的一篇文章，他在文中談論了與人們創建真正聯繫的重要性，首先咱們要爲人們提供幫助。另外一個很重要的方面是將你知道的東西展現出來。例如，若是你擅長某事，就能夠在 Facebook 和 LinkedIn 上分享給人們。這不只能夠幫助他人，還能夠幫助你本身。

一旦你創建起足夠好的人際網絡，你的可見度就會成本增長。在你的人際網絡中，某我的對你所分享內容的評論可能會幫助你接觸更普遍的受衆羣體，包括可能正在尋找像你這樣的專業人士。

2. 能夠考慮加入的企業和初創公司

爲了不各類誤會，我按照字母順序列出這個清單。不過，我在有些公司名字前面加了星號，表示我我的比較推薦這些公司。有些公司超過一個星號，那是由於它們在人性化方面作得更好一些。

• Adobe Research

• ⭐ AllinCall（由 IIT Bombay 校友創辦）

• ⭐ 亞馬遜

• Arya.ai

• ⭐ Element.ai

• ⭐ Facebook AI 研究所

• ⭐ Fracal Analytics（收購了 Cuddle.ai 和⭐⭐ Qure.ai）

• ⭐⭐谷歌（Brain/DeepMind/X）

• 高盛

• Haptik.ai

• ⭐⭐HyperVerge，由 IIT Madras 校友創辦，他們致力於爲世界各地的客戶開發針對現實世界問題的 AI 解決方案。這些創始人曾經在 IIT Madras 發起着名的 Computer Vision Group。

• IBM 研究所

• ⭐英特爾人工智能實驗室（強化學習）

• ⭐⭐Jasmine.ai，由 IIT Madras 校友創辦，創始人還在密歇根大學得到博士學位，他們正在研究智能對話。此外，他們得到充足的資金，但願有人儘快加入他們在 Bangalore 的辦公室。

• 摩根大通

• ⭐微軟研究院

• MuSigma

• Next Education

• niki.ai

• ⭐Niramai，施樂公司前僱員，致力於利用熱成像技術在早期發現乳腺癌。

• Ola

• ⭐OpenAI

• ⭐PathAI

• Predible Health

• 高通

• ⭐SalesForce

• 三星研究

• ⭐SigTuple

• ⭐Suki，AI 驅動的醫生語音助手。最近，它也籌集了大量資金，並可能即將在印度設立辦事處。

• ⭐Swayatt Robotics，致力於爲印度開發自動駕駛汽車。

• ⭐⭐Wadhwani AI，由億萬富豪 Romesh Wadhwani 和 Sunil Wadhwani 提供資金，他們的目標是成爲第一個爲社會福利而努力的人工智能組織。

• ⭐優步人工智能實驗室和先進技術組：人工智能居住計劃

• ⭐Umbo CV，基於計算機視覺的安全技術

• Uncanny Vision

• Zendrive

3. 如何提升面試成功率

面試將從你進入房間的那一刻開始，在開始自我介紹以前可能會發生不少事情：你的身體語言和臉上的微笑很是重要，特別是當你面試一家初創公司時，由於文化適應（culture fit）是他們很是關注的方面。你要明白，面試官對你來講是陌生人，但你對他 / 她來講也是陌生人。因此，他們可能和你同樣緊張。

面試不只僅是你和麪試官之間的對話，雙方都在尋找一種相互適應：你在尋找一個能夠工做的好地方，而面試官在尋找一個能夠一塊兒工做的好人選。因此，請確保你對本身感受良好，而且要在對話一開始讓對方感到溫馨。最簡單的方法就是微笑。

主要有兩種面試方式，一種是面試官帶着準備好的問題來問你，無論你的簡歷上寫了什麼，另外一種是面試根據你的簡從來的。我將從第二種開始討論。

這種面試一般以「你能告訴我一些關於你本身的事情嗎？」做爲開頭。在回答這個問題時有兩大禁忌：談論你的大學平均成績或太過詳細介紹你作過的項目。理想的回答方式應該是在大約一兩分鐘內介紹你到目前爲止作了些什麼。你能夠談論你的愛好，好比看書、體育運動、冥想等。面試官將以你說到的事情做爲下一個問題的線索，而後開始面試技術部分。這一部分面試主要是想檢查你在簡歷上所寫的是否是真的。

會有不少相似於「若是採用了不一樣的解決方案將會怎樣」的問題，好比使用「X」代替「Y」將會發生什麼。在回答這類問題時，最重要的是要知道在實施過程當中一般會作出哪一種權衡，例如，若是面試官說使用更復雜的模型將會獲得更好的結果，那麼你能夠說，由於可用數據較少，會致使過擬合。在一次面試中，我被要求爲一個真實案例設計算法。我發現，當我按照如下的流程來陳述時，面試官就感到很滿意：

問題 > 之前的一到兩種方法 > 個人方法 > 結果 > 直覺

另外一種面試只是爲了測試你對基礎知識的掌握狀況。這些問題不會太難，但它們確定會包含你應該掌握的基礎知識，好比線性代數、機率論、統計學、優化、機器學習和深度學習。在回答這些問題時，你所花費的時間很關鍵。因爲這些涵蓋了基礎知識，他們但願你可以當即說出答案，因此要作好準備。

在整個面試過程當中，最重要的是對本身知道的東西要充滿自信，對不知道的東西要誠實。若是你不知道回答某個問題，要先說明狀況，而不是故做「嗯嗯啊啊」狀。若是某些概念真的很重要，但你很難回答出來，面試官通常會很樂意給你一些提示或引導你找到正確的解決方案。若是你可以按照他們的提示給出正確的解決方案，就會給本身加分。儘可能沒關係張，避免這種狀況的最好辦法仍然是微笑。

在面試結束時，面試官會問你是否有想問的問題。你會認爲面試已經結束，以爲沒有什麼可問的。我知道不少人由於在這個問題上犯錯而被拒絕。正如我以前提到的，面試不是單方面的，在你接受面試的同時，你也在尋找與公司自己相適應的方式。因此，若是你真的想加入一個公司，你確定會有不少關於這家公司工做文化方面的問題，或者關於應聘崗位的問題。你要確保給面試官留下一個印象，讓他們感受到你真的有興趣成爲他們團隊的一員。在面試結束時，我會問面試官一個問題，即他們但願我在哪些方面作出改進。這對個人幫助很是大，我把他們給個人每個反饋都融入到了個人平常生活中。

就是這些。根據個人經驗，若是你對本身誠實、能幹、真正關心你正在面試的公司，而且有正確的心態，那麼你正走在成功的路上，而且很快就會收到錄用通知書。

4. 咱們應該朝哪些方向努力

咱們生活在一個充滿機遇的時代，你只須要努力成爲最好的，就會找到變現的方法。正如 Gary Vaynerchuk 所說的那樣：

這是在 AI 領域工做的好時機，若是你真的對此充滿激情，就能夠用 AI 來作不少事情。咱們老是在抱怨發生在周遭的問題，而像咱們這樣的普通人也可以作些什麼真正去解決這些問題，而不是抱怨，這樣的事情是史無前例的。Jeffrey Hammerbacher（Cloudera 創始人）曾經說過：

咱們這一代人都在想着怎麼讓人們點擊廣告，這實在太糟糕了。

咱們能夠用 AI 來實現不少超乎想象的事情。有不少很是具備挑戰性的問題，須要像大家這樣聰明的人才能解決。你可讓人們的生活變得更好。

5. 你至少須要準備這些東西

任何一個與數據科學相關職位的面試都是由如下四個類別的問題組成：計算機科學、數學、統計學和機器學習。

計算機科學

算法和數據結構：

• InterviewBit（https://www.interviewbit.com）

• NPTEL IIT Delhi 在 YouTube 上的講座（https://www.youtube.com/playlist?list=PLBF3763AF2E1C572F）

操做系統：

• 軟件開發者須要知道的 10 個操做系統概念（https://medium.com/the-aspiring-programmer-journal/the-10-operating-system-concepts-software-developers-need-to-remember-480d0734d710）

• 「操做系統概念」第 3,4,5 和 7 章。

• GeeksForGeeks（https://www.geeksforgeeks.org/operating-systems）上的操做系統

面向對象程序設計：你可能被問到如何設計一個系統，例如鐵路售票系統。因此，你須要搞清楚面試官的需求是什麼，須要建立哪些類，每一個類應該要有哪些變量和方法，如何使用繼承等。

數學和統計

若是你對深度學習背後的數學不熟悉，那麼應該看看我以前寫的這篇文章（https://medium.com/@amandalmia18/guide-for-deep-learning-aspirants-with-focus-on-non-computer-science-students-87b1f7b3f4b9），裏面有一些相關資源。

不然的話，我感受看完「深度學習」（http://www.deeplearningbook.org）這本書的第 2,3 和 4 章就足以應對面試中的理論問題。我準備了幾個章節的摘要，試着解釋一些我最初難以理解的概念，若是你不肯意閱讀章節的所有內容，能夠參考這些概要。

若是你已經完成了機率論課程，應該也能回答一些數學問題。至於統計先關的問題，涵蓋這些主題（http://qr.ae/TUTV9f）應該就足夠了。

機器學習

機器學習相關的問題可能取決於你所申請的職位類型。若是是一個傳統的基於機器學習的面試，他們會考察機器學習基礎知識。爲了應對面試，你能夠完成如下任何一門課程：

• 吳恩達的機器學習 -CS 229（http://cs229.stanford.edu）

• 加州理工學院教授 Yaser Abu-Mostafa 的機器學習課程（https://work.caltech.edu/telecourse.html）

重要的主題有：監督學習（分類、迴歸、支持向量機、決策樹、隨機森林、邏輯迴歸、多層感知器、參數估計、貝葉斯決策規則）、無監督學習（K 均值聚類、高斯混合模型）和降維（PCA）。

若是你申請的是更高級的職位，頗有可能會被問及深度學習相關的問題。在這種狀況下，你應該對卷積神經網絡（CNN）或遞歸神經網絡（RNN）及其變體很是熟悉。並且你必須知道深度學習背後的基本理念是什麼、CNN/RNN 如的運行原理、如今已經有哪些架構以及這些架構變動背後的動機是什麼。

這裏沒有捷徑可走，要麼你已經瞭解它們，要麼你花足夠的時間去了解它們。對於 CNN，推薦的資源是斯坦福的 CS 231N 和 CS 224N。我發現 Hugo Larochelle 的神經網絡課程（https://www.youtube.com/watch?v=SGZ6BttHMPw&list=PL6Xpj9I5qXYEcOhn7TqghAJ6NAPrNmUBH）也頗有啓發性。

英文原文：

https://blog.usejournal.com/what-i-learned-from-interviewing-at-multiple-ai-companies-and-start-ups-a9620415e4cc