Phỏng vấn kỹ sư machine learning: câu hỏi, mẹo và cụm từ

Chọn một mô hình thật có người dùng thật. Nói nó giải quyết vấn đề gì, ai dùng và dùng thường xuyên đến đâu. Nói ngắn thôi. Ví dụ: bạn xây một mô hình phát hiện đơn giao trễ, và đội hỗ trợ dùng nó mỗi ngày.

Dùng “I” cho phần của bạn và “we” cho cả nhóm. Nêu một hai việc rõ ràng, như đặc trưng dữ liệu, huấn luyện hoặc triển khai. Đừng chỉ liệt kê công cụ. Hãy nói bạn đã làm gì với chúng.

Nêu một chỉ số, như precision hoặc recall. Cho con số hoặc mức thay đổi. Rồi thêm một kết quả cho người dùng hoặc công việc kinh doanh. Ví dụ: số cuộc gọi về đơn trễ giảm khoảng một phần năm.

Gắn chỉ số với cái giá của việc dự đoán chưa đúng. Ví dụ: báo động giả làm mất thời gian của đội hỗ trợ, nên precision quan trọng nhất. Nói trong hai ba câu.

Nói hai lựa chọn, bạn chọn cái nào và vì sao. Tốc độ và độ chính xác là một ví dụ hay. Ví dụ: mô hình lớn hơn chính xác hơn một chút nhưng quá chậm, nên nhóm giữ mô hình nhỏ hơn.

Bỏ bớt từ kỹ thuật. Nói về người dùng, thời gian và tiền bạc. Dùng một ví dụ so sánh đơn giản nếu thấy hữu ích. Nói ý chính trước, chỉ thêm chi tiết khi họ hỏi.

Cho một ví dụ trung thực, như dữ liệu thay đổi theo thời gian hoặc phản hồi chậm. Nói bạn phát hiện ra sao, đã làm gì và học được gì. Giữ giọng bình tĩnh, theo sự thật. Đừng đổ lỗi cho người khác.

Mô tả bạn kiểm tra gì và bao lâu một lần, ví dụ độ chính xác, tốc độ hoặc dữ liệu đầu vào. Nói chuyện gì xảy ra khi một con số có vẻ lạ. Một quy trình rõ ràng là đủ.

Nêu một cải tiến thật và vì sao nó quan trọng với người dùng. Hãy trung thực nhưng tích cực. Ví dụ: bạn sẽ thêm cảnh báo tốt hơn để phát hiện vấn đề dữ liệu nhanh hơn.

Chuẩn bị hai câu hỏi. Hỏi nhóm đo thành công thế nào, các mô hình được xem xét ra sao, hoặc ai là người dùng chính. Lắng nghe câu trả lời và nói lời cảm ơn.