机器学习工程师面试问点啥？先看看这10题！

点击上方关注，All in AI中国

作者：Alison DeNisco Rayome

如今，各行业对于人工智能专家的需求量很大。以下是一些关于机器学习工程师如何回答常见的面试问题以及如何找到合适工作的面试技巧。

根据行业知名的招聘网站Indeed公司的调查报告，随着人工智能在各行业的不断发展和应用，各行业对机器学习工程师的需求在过去两年中呈爆炸式增长。根据另一份调查报告，机器学习专业人士是最受欢迎的技术人才之一，也是收入最高的专业人士之一，其在美国的平均年薪为134,449美元。

Salesforce Einstein公司数据科学和软件工程副总裁Vitaly Gordon说："软件正在吞噬世界，机器学习正在吞噬软件。机器学习工程是一门需要生产级编码、博士级机器学习，以及产品经理级商业头脑的学科。找到这样的稀有人才可以将企业从市场追随者提升到行业领域的领导者，而每个厂商都在寻找这样的人才。"

RevUnit公司机器学习部门主管Colin Shaw表示，那些应聘机器学习工作的行业人员在面试时可能会遇到许多不同类型的问题。"而优秀的机器学习工程师融合了各种技能，并且知道如何将这些知识融入可用于生产的代码中。"Shaw说，"在我们寻找的机器学习人才中，其兴趣领域通常包括数学、统计学、机器学习、数据科学、深度学习、基础知识、解决问题，以及计算机科学和编程。"

Capital One公司机器学习副总裁Dave Castillo表示，对于求职者来说，在面试中从容回答招聘经理自己的问题也很重要。

"面试是一种双向对话，"Castillo说，"与我们提出的问题同样重要的是，求职者问我们的问题。我们希望确保求职者不仅是企业的正确选择，而且企业也是求职者的正确选择。"

以下是在求职面试中可能会询问机器学习工程师的10个问题：

1.过去几年来你一直从事什么工作？

Capital One公司主管兼首席机器学习工程师Zachary Hanif表示，这个问题可以作为面试的切入点。招聘经理可以跟进更加详细的问题，例如，"你在此项目中遇到的最令人惊讶的业务和技术难题是什么？"或者"在项目中，你的日常工作具体来说是什么？"

"在询问了这些问题之后，我们很清楚求职者的工作和技术背景，以及他们兴趣的本质。"Hanif说，"在这里，我们往往会询问更深层次的技术问题和他们的工作经验。"

2.解释线性回归

Ople公司工程部主管Petr Tsatsin说，像这样的简单问题可以让招聘经理能够测试主要的统计概念。"线性回归包含许多统计概念，这些概念是机器学习的基础。"Tsatsin说，"面试通过让求职者解释线性回归，可以了解求职者对于不同类型的分布、过度拟合等知识的掌握。"

3.你熟悉哪些人工智能和机器学习工具？以及对它们的熟练程度如何？

"这个问题允许求职者进一步展示他们的技能，并让我们有机会评估他们对人工智能/机器学习工具的信心水平。"Genesys公司人工智能工程副总裁Conor McGann说。"尽管求职者介绍自己的能力有多么出色，但我们保留测试他们的机会，并更清楚地了解他们在日常工作中在使用这些工具方面表现是否出色。"

4.你如何掌握不断变化的技术？

SetSchedule公司首席人力资源官Shayna Goldburg表示，这个问题可以让企业了解求职者是否积极加入技术社区，以及是否在不断发展的领域学习新技能。

5.如何处理数据集中丢失或损坏的数据？

机器学习模型与他们训练的数据一样好。OpsRamp公司工程副总裁Bhanu Singh说，这个问题可以决定求职者处理数据问题的能力。

6.你解决了哪些机器学习问题？你是如何解决这些问题的？

"这种开放性的问题让求职者有机会传达他们一些更有趣的经历，以及他们如何运用解决问题的能力。"McGann说，"我们发现，这一系列的提问通常会使面试发展成为一种更广泛地的技术讨论。"

7.使用机器学习有什么伦理含义？

SAP创新传播者兼副总裁Timo Elliott表示，探索求职者对机器学习技术的伦理影响知识和观点非常重要。"求职者应该能够讨论与数据隐私相关的困难，基于有偏见的数据输入的模型，基于敏感变量的分割，例如种族、性别、年龄，以及验证和纠正导致实际偏见的模型的方法。"Elliott说。

Elliot表示，有许多例子表明组织机构将机器学习仅仅是作为一个技术项目，没有充分考虑其对员工、客户或整个社会的影响，导致对企业产生负面影响。

8.你如何清理和准备数据以确保质量和相关性？

Singh提出这个问题将会获知求职者的数据科学能力，这对于机器学习的成功至关重要。

9.你曾经做过的最有趣的项目是什么？

PureStrategy.ai公司创始人兼首席执行官Briana Brownell说："我喜欢这个问题，因为它让求职者有机会谈论他们所热衷的事情，并展示他们非常了解技术和项目的知识和经验。此外，它可以帮助紧张的求职者感到更放松，并展示他们最好的一面。"

Brownell补充说，如果求职者努力想出一个答案，那可能是一个危险信号。

10.案例研究问题

Gordon说，案例研究问题往往比编程或机器学习敏锐问题更重要。一个例子可能是，"你如何为维基百科的文章实施推荐系统？"

"在这种情况下，求职者人需要描述他将如何实施端到端系统，从用户界面开始，通过数据采集、数据存储设计、ETL、特征工程、模型选择、评估算法、计算结构来运行模型，最后监控模型的稳定性。"Gordon说，"因此，机器学习工程师必须十分了解端到端系统，才能在工作中富有成效。"