【學長姊帶路】Amazon/PicCollage AI 工程師 求職分享
原標《AI 算法工程師面試分享 – Amazon piccollage》
文/DCARD 網友
兩間AI算法工程師面試心得分享,應該也可以避免大家踩雷。
時間有些比較久,所以可能會比較模糊。
![【學長姊帶路】Amazon/PicCollage AI 工程師 求職分享](https://www.technice.com.tw/wp-content/uploads/2024/05/scientist-future-technology-medical-research-overlay-with-hologram-virus-information-innovation-science-thinking-asian-man-with-holographic-data-study-results-problem-solving_590464-214020-1-1024x683.jpg)
amazon
第一關:面試官是senior scientist。ML的基本概念,像是指標、conv、transformer等原理。一題behavior question。最後是一題leetcode medium。很久沒面試leetcode有點卡關,和面試官討論後很順利完成。主要是Recursion的概念。
第二關:要求準備投影片報告給所有面試官聽。報告完面試官會對內容做發問。不過報告完從他們的發問才知道他們專門做detection的,所以對我的內容基本上不太懂…。問的問題也比較基本和詭異XD
接下來是對第二關中所有面試官做1-1面試。
第三關:面試官是senior scientist。一樣是ML觀念,都是detection相關,像是指標。一題leetcode medium。寫的途中有想跟面試官討論,但他只持續說不用寫的那麼複雜(真的只重複這句XD),感覺的出他想回答我的問題和討論但不知道如何做。一題behavior question。
第四關:唯一一位不在第二關的面試官。在北京的面試官,也是唯一一位可以用中文的。全部問behavior question,真的問的很仔細。連回答到後面題目還會問跟前面題目的關聯性。所有題目要求依據自己的經驗回答問題。
第五關:面試官是staff scientist。非常詳細詢問以前如何解決ML問題的經驗,怎樣的問題和如何解決。ML觀念問得很仔細,但也都是和detection相關,不過比較基礎。一題leetcode easy。一題behavior question。
第六關:兩個主管。感覺沒有很懂ml,主要問一些模型驗證相關的觀念。2題behavior question。
第七關:面試官是scientist。印度人,不是很聽得懂他在說什麼。detection相關的loss等方面問題。一題leetcode medium。寫完後發現面試官也不確定我寫的是不是正確。花了些時間討論和驗證,還好結論說是對的。
第八關(?):recruiter。閒聊,3題behavior question等等。
piccollage
作業:ML觀念
第一關:director(?)和一位工程師。以前的工作經驗和一些履歷上的問題。
另外一個作業:np等應用
第二關:主管(?)和一位工程師和人資。據說是專業面試(?)
同樣也有個作業必須先做。基本上專注在問SD和lora等問題,但問題本質很淺,像是默背sel-attention公式或是用sdwebui還是什麼。只有一題比較有深入點,但有點微妙,等等會說。
在面試中理解到這是一個非常特殊AI團隊運作方式。
資料:沒對訓練資料做任何處理或增加,從以前到現在只有一個人做過一次數據清理。
不用跟其他競爭對手比較:做出來的模型不用跟其他競爭對手比較。這對員工應該蠻爽的。但競爭力不知如何。問面試官為什麼不用比,他很緊張的不知道在回答什麼。
GPU:不會有GPU不夠問題,不是因為有很多GPU。因為他們只需要fine-tune模型,不會重頭訓練。基本上主管認為fine-tune模型就可以解決一切。 不確定是因為他們做的東西很窄的原因,還是因為對其他diffusion應用沒概念(雖然聊完的感覺應該是這個)。雖然也有其他ml應用,像是分割,但感覺得出好像一下就能訓練完,可能因為沒數據也沒大模型概念。
溝通能力和專業能力:其中一題面試題目在我回答後,面試官很自信的說出他的答案。但很明顯他說的答案有問題,因很確定不想加入這團隊所以直接跟他說以物理的角度他的答案是有問題的。接著他用自己的方式寫出公式,但沒時間讓我看。他說會後可以再看並可以讓他知道,如果他的答案是錯的話。
會後我查了下論文和詢問別人確認自己沒錯,寄了email講出我的答案為啥是正確的,但很明顯他的回信在鬼扯也沒在看內容和打算溝通。我後來也不想再回信,畢竟對方也不願意溝通,我到大學演講還有演講費,幫這公司教會他也沒錢拿。
這其實是很簡單的題目,他竟然能無法看出自己錯在哪,這實在蠻令人訝異的。另外一位面試官不知是在放空還是贊成他主管的答案。
錯誤是難免,但不願意溝通的主管感覺超級雷。
人資最後說何時會回覆時,其實當下就想跟他說不管結果如何都不可能去,但覺得好像有點誇張就沒說了。
結論:
想躺平的話這家公司應該很可以,畢竟不用比較ml結果也不用處理數據,這超級爽,但前提是你要能回答到跟他一樣錯誤的答案。
如果是剛畢業或有想做出點東西的人是不太建議。這樣的團隊運作方式要做出有競爭力的ml模型可能性非常低,也學不到東西。 以資方角度,這些算法功能還不如外包還比較省成本和有競爭力。
非常意外到2024還有這樣被帶領的ai團隊,主管很明顯不是這圈子也沒看過如何帶ai團隊,但卻非常有自信,也沒在溝通,這點超級差。
收穫應該是我永遠會記得這個錯誤答案的概念細節,算是浪費這麼多時間後得到的唯一好處。自己帶團隊面試別人都很小心翼翼的不要說出錯誤答案或引導。這麼自信的說出錯誤答案且無法溝通,真的讓人印象深刻到不行。
講的這麼明顯應該一下就能被找出是誰,但還想做出有競爭力的東西和不想降低薪資,所以也沒啥差。
這兩家公司面試的感覺、團隊帶領方式、溝通能力和員工程度真的有非常明顯不同。既使在15年、16年AI剛在台灣流行時,台灣業界也很少看到這麼特別的算法團隊
文由 DCARD 網友 授權轉載, 原文:《AI 算法工程師面試分享 – Amazon piccollage》
___________
你也有經驗想分享嗎?快來投稿賺稿費吧!
![](https://www.technice.com.tw/wp-content/uploads/2024/05/EDM廣告BN-6.png)
瀏覽 750 次