除技术能力外其他影响面试结果的要素有哪些_工作流管理_工作流软件_深圳市和丰软件技术有限公司【知名】

13544009511
我们做过什么

除技术能力外其他影响面试结果的要素有哪些

发布日期:2021-01-11 浏览次数:

一、与面试官的互动

 

站在面试官的角度,我经常把面试官给候选人“strong yes“的根本原因归结为一句话“找到了一个技术合格愿意一起工作的人”。

 

所以面试通过要满足两个基本要求,一是“技术合格”,二是“愿意一起工作”,二者缺一不可。所以在你技能合格的前提下,面试官愿不愿意与你一起工作就成了一个关键且略主观的问题。

 

但这看似"草菅人命"的标准其实是有背后的逻辑的。往俗了说叫做看看candidate投不投缘,往大了说叫做符不符合公司文化,往实在了说,是要check你是不是能够顺利的与同事交流协作,得出合理的技术解决方案。

 

为了验证你未来会不会是一个合适的同事,面试官通常会用抛出一些开放性的问题与你讨论,这个问题可能来自一些业界通用的问题,比如请你设计一个电商主页商品类别排序模型;也许会来自一些生活中的算法,比如请你设计一个微信随机抢红包时生成红包金额的算法或机制;还有可能就来自面试官的工作实践,比如在构建CTR模型的时候,如何解决样本数据被模型影响产生bias的问题。

 

这类题的特点很明显,非常开放和发散,开放到题目本身并不清楚。正是因为不清楚,所以面试官希望面试者主动提问题,一起协同设计一个模型或系统来解决问题。在这样的前提下,有下面两类candidate可能会被无情的拒掉:

 

1.面试过于被动,被面试官生硬的推着走。 比如针对“微信抢红包”这个问题,有的面试者就一句话,“每次用一个随机数生成器生成一个红包金额不就行了”。 如果是这样的话,面试官根本无法了解你作为一名工程师的严谨性。 面试官为了让你继续下去,还要向你提问,比如是否考虑过没有红包金额的总体分布问题? 等等。 而面试官期待的是这个问题被你推动着走下去。 比如在问题不太清楚的前提下你应该反问面试官,每个红包的金额有没有上限和下限? 需不需要考虑计算效率问题? 我能否在红包产生时就预算好所有红包的金额等等。
 
2.思路受限,没有严谨性、开放性和创新性。 在实际的工程问题中,解决一个问题不可能只有一个solution,解决一个问题的solution也不可能是一句话能说清楚的。 比如我想跟你讨论一下如何设计一个电商主页商品类别排序模型。 看到这个问题,很多人会直接说我想用DNN建一个CTR prediction模型来排序。 这当然可以,但最好请你抛出这个解决方案的时候严谨地系统地想一想这个问题,顺着工程实现的思路去跟面试官讨论下去。
 
比如:1、都能得到哪些数据和feature; 2、数据量有多大,数据延迟有多大; 3、objective如何制定; 4、结合具体业务,我能不能把商品类别当作一个item来对待,或者把类别内部的商品当作一个item来对待; 5、我能否使用learning to rank /ctr prediction/多分类模型来解决这个问题; 6、采用什么模型架构更适合这个问题 等等。 在实际面试中,你可能无法想的这么细,体会意思即可,作为算法工程师,你应该足够严谨、开放、活跃、创新。

 

二、不是你不够优秀,而是你的技能树无法精确满足当前position的要求

 

这个问题在社招的情况下尤为突出。很多资深的工程师说感觉面试表现不错,算法题最优解,设计题聊半天,面试官全程微笑,就是不发offer。这样的情况很大可能就是你的经验不能精确符合职位要求。

 

有些情况下公司对面试者的工作经验的要求是精确到系统模块级别的。同样是计算广告算法工程师,我们团队可能就想招一个做yield optimization或者“预算控制”算法的,你说你搞CTR搞得风生水起,但你没搞过这个方向,不能即插即用,那只能对不起。再比如我是一个推荐系统team的主管,团队最近在上TensorFlow Serving,想找一个有相关经验的同学,你说你只做过TensorFlow离线训练,那也可能不符合我的要求。

 

在进行这种目的性很强的招聘时,面试官往往更加注重业务经验的沟通,如果面试官不检查基础知识,不检查算法题,甚至不管你过往的工作经验,而是一直从自己的角度出发着重问某一方面的业务知识,那么大概率他们有比较窄的招聘需求。

 

这类问题有没有解决的办法?其实是有几点大家可以注意的,在找工作之前还是要尽可能的多读几遍JD,找到那些跟一般JD有区别的,或者JD上明确写的“最好有XXX经验”,看与自己的经验是否匹配;有条件的candidate可以多跟猎头或者对方hr沟通一下,能够找到内推渠道的同学可以找团队的成员了解一下内幕消息,都是很有必要的。

 

三、不可抵抗力

 

不可抵抗力发生的情况虽然概率比较低,但也不是没有,特别是在目前市场较为“寒冬”的背景下。曾经BAT中的某一家就因为某些事件停止过一段时间的社会招聘,导致一些正在沟通中的offer全部作废的情况。另外在offer沟通的周期中,也有可能发生同样职位遇到更合适人选的情况,你无法掌握所有竞争者的情况,在书面offer发出前,一切变化都有可能发生。

 

准备算法工程师面试的十大忠告

 

以上的内容总结了所有机器学习岗面试的目的、方法,以及影响最终offer的一些要素。我们这里用一个框图来总结一下这些内容:

640?wx_fmt=jpeg

 

也许到这里我终于可以正面回答文章题目中的问题了——如何准备算法工程师面试,斩获一线互联网公司机器学习岗offer?在之前列出的所有面试知识的基础上,这里再给大家列出十个注意点:

 

1.打牢基础知识。推荐几本书《机器学习》周志华/《统计学习方法》李航+《百面机器学习》,一本系统学习知识点,一本针对面试查漏补缺,完全够了;

2.注意总结自己的实习项目和实验室项目,做到清楚所有技术细节,简历上列出的经历、模型、熟悉的工具语言也要有备而来,面对面试官的追问从容应对;

3.平时注重一些机器学习流行工具使用经验的积累,最少要熟悉下面两项 spark/flink, tensorflow/pytorch,一个做大数据处理,一个做模型的训练;

4.刷算法题,不用多解释;

5.尽早确定细分求职方向,广告/推荐/搜索/图像/NLP/语音,读业界的blog,分享,论文,积累对业务场景和解决方案的理解;

6.面试时积极提问,积极互动;

7.针对开放问题,提供多种解决方案,即使不成熟也不要紧,关键在于讨论和形成可行方案的过程;

8.投简历之前,熟悉JD,想办法找到对这个团队有所了解的人,获得一些岗位相关信息,做到经验和职位匹配;

9.轮到自己提问时,问一些公司相关的话题,不节外生枝,不提奇怪的问题;

10.不抱侥幸心理,强者运强。

 

事实上,以上所有注意点在找工作实习之前就应该开始准备,所以如果是明年参加秋招的同学,也应该提前有的放矢,增强相关的积累。

 

最后,祝大家拿到满意的offer。

粤公网安备 44030502004911号