原標《請給我黃金 — 關於面試》

文/陳先灝 (Hsien Hao Chen)

寫在前面

我在去年九月去了新加坡工作，在 SMU 的 LARC 研究中心當研究工程師，主要是做 Singlish （新加坡式英文）相關的研究跟開發。

去那邊的本來目的，是為了為自己的 PhD 申請做準備，累積研究經驗，發點論文啥的，就像去中研院工作一樣，還可以順便練個英文，習慣國外生活等等。

後來卻發現自己對於要再花五年念個學位，並忍受某種相對不穩定的物質生活這件事，不是那麼確定了，也感謝喻能跟其他已經在念 PhD 的好夥伴的說明跟鼓勵，讓我稍微對於唸 PhD 的生活與 trade-off 有了更明確的想像。

總之，我就，跑去面了業界的工作，主要在台灣、新加坡跟香港，都是和 Machine Learning 有關的職缺，主要是做 NLP or/and 推薦系統。這篇主要想分享一些我對於面試的觀點，還有一些準備的過程。

是說我們 LARC 最近絕讚招人中，老闆是新加坡 AI 研究的超級大佬，六十多歲了還在第一線，工作比我們還認真，而且樂於指導跟溝通，是很好的學習對象。而新加坡雖然比不上台灣舒服，但是個大部分時候講中文都會通的英語系國家，也蠻適合大家來做個出國工作的體驗，加上最近疫情，他們缺乏外籍勞工（XD），應該是相對有機會面上。

TL; DR:
1. 整個面試其實就是溝通與說服的過程，你要說服面試者「我有能力」、「我有值得培養的潛力」、「我是個有理想有抱負的好同事」。因此，不管是實際解題、履歷，跟一些觀念性的問題，都是在為這個目的服務。
2. Every interview is a guided interview.

挑選職位

雖然稍嫌拖沓，但我還是覺得職位挑選挺重要的，畢竟好的面試體驗不但讓你更想進那間公司，也能夠對你後續的工作有幫助。

我的作法一開始和大部分的文章一樣，總之，就是，幹你娘投爆。設定好 filter 之後，把 Linkedin 上的職缺、塞滿廣告的奇怪求職網站的推薦全部都投一次，而且每投一間就把它開的相關職缺也全部丟一丟。

這樣的好處是，對於面試經驗不多，或有一陣子沒有面試的人，可以快速的 pick up 面試的手感，也會知道自己面什麼樣的職缺很有幫助，還可以摸清楚你在求職市場到底值多少錢（！）。缺點是非常累，準備會很趕，被拒絕率也比較高，畢竟跟你的經驗並不完全相關。這時候調適心情就會變得蠻重要的。

所以當我發現自己在推薦跟 IR 相關的職缺裏，比較有優勢的時候，後來就以申請這類職缺為主了。畢竟有相應的實績，而且這兩個領域相關的人還沒那麼多（大概還在學校XD），兩個領域又還算蠻有關係。

前期提高 Recall，想辦法快速累積面試經驗蠻重要的。而後面慢慢收斂到固定類型的職缺時，你則會開始感覺面試能夠互補，上一家問的問題跟解釋，往往下面一家還會再問一次，這時候，把前一個面試官的回答稍微轉換一下，就會變成很理想的答案XD

刷題

現在這個年代，是個人都得刷題的吧。

要很老實的說，我一開始會想做研究，就是因為前幾年刷題遇到一堆挫折，覺得大概是不能成為一個太好的工程師了，所以為了逃避刷題，決定好好做研究這樣。但現在既然要去業界了，只好摸摸鼻子，拿出我的魔法小卡買了 LeetCode Premium 開始刷。

但其實刷題對理解資料結構和演算法非常重要，也能夠幫助你練習對各種問題有更明確的想像，並擬定實踐的計畫。此外，現在本來就有一派的研究非常重視實用性，或是從演算法的角度出發去做研究 idea 的發想跟創新：

比如我們 GNN 領域的神 Jure Leskovec，他的 PinSAGE, 合作撰寫的 GIN 等等，就有從演算法出發去理解、改善並有效實踐模型的章節。Reformer, MONGOOSE 也都是從 Locality Sensitive Hashing 出發，分別對 Transformer 的架構和神經網路訓練去做效率和效果的改善。

總之，刷題對 Computer Science 的人來說，大概就像是微積分和線代對唸數學的人一樣，是非常重要的基本功，也會對你理解更深入的題目有幫助。

雖然有買 Premium，但我的用法好像跟沒繳錢的時候差不多（？）。首先建議那些和我一樣，跟刷題不太熟的人去看看這個 Blind Curated 75，非常基本非常紮實，而且出鏡率非常、非常、非常的高，總之越快刷完一次越好。

而刷的方法就像很多教學一樣，先用力想 20 分鐘，還是想不出來就馬上翻去看 discussion，而且要看到完全懂，重寫一次會過的程度。另外建議要好好寫註解、命名跟讓程式乾淨，畢竟這也是面試重點考核的一環。而且還要能想出每個解法的 time/space complexity，前面會花很多時間看懂一題也是很正常的。

之後就是固定每天刷幾題，比如 daily problem 之類的，而且一定要去比週賽跟雙週賽。

LeetCode 競賽的規則是四題一個半小時，而大部分（？）公司的面試是四十五分鐘兩題，這不但可以讓你具備時間壓力下做題的經驗，還可以讓你掌握一題二十分鐘左右的手感，更因為題目變多，變相提高你連續解題的 capacity。

現在每天都還是固定寫個一兩題跟比賽，畢竟誰知道人生什麼時候會需要面試呢XD 而且刷題的確讓我的程式能力進步蠻多的。

還有，如果沒有特別偏好的話，Python 實在是太強了，語法糖滿地都是，光是 queue 跟 stack 不用自己做，加上什麼都吃的 list 跟 dict，完全可以把實作時花的腦筋減到最小，只要專心想解題就好。

設定每次面試的標的：

對一個專案而言，最重要的事應該是，基於自身或客戶的需求，設定專案的願景以及想要達成的目標，面試也是一樣的。我覺得面試基本應該達成的目標包括：

1. 我有能力有效完成日常工作
2. 我是個值得培養的人才
3. 我是個有理想有抱負的好同事

你在「整個面試」中的時候表現出來的東西，應該要能完全地為你的基本目標服務，並達成一些額外的目標。

比如說，能在時間內解完題目，就是你能有效完成日常工作的的信號之一，所以刷題才那麼重要，畢竟你要是連基本的演算法都不熟，那面對情況更複雜，功能更多的專案肯定會出事。

而像是我們 Machine Learning Engineer 來說，這可能還代表你有一些不錯的專案經驗，並且在 case study 上能夠給出一個相對完整的規劃，比如清楚地定義問題， 要用哪些 baseline/metrics，你的初步解決方案是什麼，要怎麼逐步地改善最終的 performance 等等。

而每些公司除了這些基本的東西，可能會希望你有額外的能力和特質，這個也最好要找到並表現出來。

比如我面某家推薦系統關的時候，就在回家作業裏明確感受到他們對 candidate 的期待：你實作要超強、理論也不能落掉，最好還有點 business 思考。所以我在情境題基本跟寫論文一樣，完整的 state 了所有數學式，並詳細說明了為什麼我的模型要這樣設計，trade off 是什麼，我有什麼方法可以讓它 scalable，還順便附了個 GitHub Repo 的實作連結。
（感恩志明，讚嘆志明，SMORe 千秋萬載，一統江湖。）

在這個過程中，觀察每家公司的需求，並找出/培養需要的能力是很重要的，這也是為什麼我建議後段要集中特定類型職缺，因為這些都可以互補，上一家重視的東西，用到的面試材料，全部都可以回收再利用XD

不管是人資關、面試、白板題、behavioral interview 到談 offer，其實都是一個說服的過程，我們要從有限的資訊裏找出公司/面試官的需求，並試圖去滿足這些需求，才會提高我們的面試成功率。此外，在我的面試過程中，我也隱隱感覺，具備「找出這些需求的能力」也是公司的考核重點之一。

履歷與簡報

作為憨慢講話但實在的理工肥宅，大部分的時候我們都不太重視履歷/簡報的規劃與美觀，總覺得內容塞滿就好，有一種桃李不言，下自成蹊的驕傲。但自從在研究所遇見了簡報的神之後，我才發現簡報不只是裝飾用的工具，而是能夠幫助聽眾更理解你想表達的事情，並在面試過程中幫助你的說明和人設建立。

沒錯，除了履歷，簡報肯定得做，自介或是講過去經驗時肯定得拿來用，而且很好用。

當然內容是最重要的，但也不是無腦的塞進去，而是要像上一段那樣，找出每家公司的需求，並在履歷和簡報裏做客製化。比如我在面不同的職缺時，就會在履歷跟簡報上調整我的專案順序，也會依照公司業務性質做不同的舉例，這樣才能讓公司覺得我是真的想加入他們，而不是幹你娘投爆，還能順便說明我有「找出需求的能力」，摸蛤仔兼洗褲。

另外，「捏人設」也是很重要的一件事情。你必須摸出公司想在這個職缺找什麼樣的人，並且想辦法讓自己的履歷、自介和面試過程看起來是具有這些特質的。

舉個簡單的例子，對於研究性質的職缺，面試官通常是教授 i.e. 你未來老闆，那通常他們期待你是個有研究熱忱、熟悉領域 SoTA 跟有一定實作能力，那你當然不能只說「我愛研究」，這樣聽起來特別空洞。

你肯定得拿出一些研究經歷，說明它的優勢、跟 SoTA 的比較，在過程中展現你對這個領域的熟悉跟熱情，順便做個 Demo 來展現你的實作成果，再跟他好好討論這個題目有什麼延伸的地方，展現自己的研究品味等等。

這個人設肯定也得跟你的日常形象、過往經歷有一定的契合度，比如你就是個比起跟人類，更喜歡和自己電腦社交的人，要說自己熱愛與人相處或特別能溝通也是沒什麼說服力，但比如喜歡新技術、特別 Geek 或是做了很多 side project 等等，就會是很合理的 feature，對面試本身也有幫助。

履歷的話建議用 LaTeX 最好，那就像是會用 Vim 一樣，是某種身份地位（？）的象徵，會讓人感覺你是自己人。可以去一些名校的職涯中心找模板來改，還可以順便看看人家都怎麼寫履歷，像普林斯頓的 instructions 就很優秀，Linkedin 上一些厲害的人的 Resume 也很值得參考。但重點就是，它要能為你的面試目標服務，並且和你要捏的人設是一致、能提供佐證的。

所有的面試，都是 Guided Interview

這是我在面試某公司第二輪，被瘋狂洗臉洗爆，卻收到下一輪通知，萬念俱灰覺得被憐憫的時候，我們趴總跟我說的。也不知道是不是這句話的魔力，那之後幾週的面試，居然都通過了（害羞）。

Guided Interview 是指在面試過程中，面試官會問一個相對困難的問題，並在回答過程中給面試者提示，面試者則需要從這些提示中進行發想，修改並完善自己的答案。比如白板題環節必定會有的追問和情境修改，讓你跟隨面試官的建議去改寫程式碼就算是一種 Guided Interview。

這類考核除了能檢驗你的工作能力本身，更重要的是檢視，你能夠接受別人意見並改善自我的能力。如果你能迅速地聽懂他人的建議、做出反應，並試圖說服面試官一些你自己的想法，那不但代表你對這個領域的掌握度很高、感覺敏銳之外，也說明了你是個善於溝通、願意溝通的人，是值得培養，能夠成為好同事的人。

我在後面那幾週的面試中，其實並不是 full mark 的通過，過程也常常卡住，但我都會一邊做白板題跟情境題，一邊和他們說明我的解題規劃、為什麼會這樣想、詢問他們的意見，並在我卡住的時候說明我卡在哪、為什麼卡，並在得到他們的提示後給予回饋並努力解題。得到的面試回饋也多半是，雖然現在程式能力/業界情境不夠熟練，但積極願意學習、也有好的潛力，而且樂於溝通，值得合作，算是低空飛過XD

由於經驗有限和職涯選擇，我們終究不可能百分之百 match 職缺的要求，但展現出努力的態度和改進自己的能力，那在你技術有所不足的情況下，公司也才有可能願意投資你和收下你。

此外，在這樣的過程中，也是你觀察面試官的好時機。通常這些關卡的面試官，會有一部份是你未來的同事/老闆，如果在這樣的面試過程中，他們能很好的給反饋，給予你正確的指點，你就能期待他們能給予你職涯的成長，並有相對好的工作體驗；反之，如果他們只會一味地抨擊你的論點，沒辦法好好地討論事情的時候，你就知道有哪裡怪怪的了，特別是這個職缺卡在官網很久的時候XD

當我們有其他 offer，手上握有選擇的時候，就不只是公司在面試我們了，我們同時也在面試這間公司和面試官，能不能成為一間願意久待，好好相處的公司和同事。比如當一般公司喜歡積極、對未來有規劃、對工作有熱情跟容易溝通的 candidate 的時候，我們又何嘗不是追求態度積極、有助職涯發展的公司，和對工作有熱情又好溝通的同事呢？

畢竟現在大家都這麼卷了，已經從程式能力要求到理論能力，再到業界經驗跟溝通技巧了，那要求公司也跟著卷起來，不太過份吧？

結論：

其實關於準備面試和刷題的文章已經很多了，這篇主要是想和大家分享我在面試中得到的一點不一樣的體悟，並鼓勵一些跟我一樣，之前沒怎麼刷過題的人（汗）。覺得趴總那句 “ Every interview is a guided interview.” 實在是一語中的，讓我可以用另一個角度去看待每一場面試，並在過程中努力保持積極的態度與持續溝通，的確讓我拿到了想要的 offer。希望以後還能一直得到趴總的指點，也希望大家都能找到理想的工作。

※本文由 陳先灝 (Hsien Hao Chen) 授權勿任意轉載，原文《請給我黃金 — 關於面試》

___________

你也有經驗想分享嗎？快來投稿賺稿費吧！

這篇文章 【學長姊帶路】機器學習工程師的面試準備：取捨、說服與溝通 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

原標《面試趣 Microsoft — ML, Taipei (2/3)》

文／ I-Chiao Lin (林依巧)

正巧在今年五月疫情爆發時離職，這段期間也體驗了一些線上面試，想說趁這段空檔沈澱心情寫寫過程，分享這三、四個月面試人生中，遇見了三家印象深刻的公司。

註：面試題目、細節不會分享，只分享過程囉

大約奧運閉幕後，收到 Microsoft Recruiter 的 LinkedIn 面試邀請訊息，回覆後 Recruiter 約了當天下午電話聊聊

Recruiter Prescreen

通話大約 20 分鐘，簡單自我介紹以及說明目前工作狀態，開始討論相關職缺，台北職缺裡當時與 ML 相關是偏廣告應用，跟我熟悉的 Computer Vision 比較沒有關係，不過 Recruiter 建議還是投投看，給主管決定是否面試，於是「上傳履歷」後開始了另一段 Microsoft 面試旅程。

大約一、二天收到 Phone Interview 通知

Phone Interview

正式面試時間大約 1 小時左右，面試前先問了 Recruiter 準備方向，內容含蓋 Project Presentation、Behavior Questions 、Algorithm & Data Structure 和 System Design，建議用英文準備。但內容這麼多 3、4 天準備一定來不及，所以決定把重心放在 Project Presentation 和 Algorithm 兩部份，Behavior Questions 趁空檔休息時想一想。

很快來到星期五 11:00 AM，用 Microsoft Teams 視訊面試，首先先是 Project Presentation 和討論，討論過程中穿插不少的 Behavior Questions，接著面試官詳細的介紹部門、工作內容和細節、以及未來廣告與 Computer Vision 有關應用。

接著考演算法，形式是用自己電腦寫 code 再分享整個桌面給面試官。第一題應該屬於 Medium 難度，解題過程中，面試官很在乎 corner cases，希望我盡量想多一點 corner cases 執行看看。面試官解釋，因為實際上資料又多又雜，要處理 corner cases 確保系統穩定運行對微軟很重要。

第二題演算法是第一題的延伸，不過寫第二題時感覺到難度，需要考慮滿多情況，這感覺是面試官自己出的。解題過程中我想用 O(N) 時間複雜度處理，所以程式多了點 if else 處理一些 case，討論時著重在 corner cases，以及問如果可以用多一點時間、空間複雜度，程式會怎麼寫。整個答題過程其實是汗流夾背，面試官會一直追問答到滿意為止。不過可能是視訊我看得到對方表情，以及面試官合善說話方式，過程中沒有一直很緊張。

心得：

正式面試過程大約中午 12 點結束，而後面試官說，如果對工作、微軟、職涯有疑問的話，他願意分享他的經驗。

這大好的機會，我當然馬上答應。而我對面試官的職涯很有興趣，問了滿多職涯、處事、微軟文化和 soft skills 等等問題，面試官也分享了他轉職、工作經驗和一些甘苦談，聊著聊著時間過得飛快，希望沒有耽誤到面試官時間。

也許吃飯時間分享經驗不算是面試一部份，感覺面試官也比較不緊蹦了，反而像個前輩分享經驗。聊天過程中，覺得面試官私底下應該是個紳士暖男，但我很不好意思跟他要聯絡方式，只知道名字而已，總之還是很謝謝他的時間和經驗。

大約一、二天收到 Virtual Onsite Interview 通知

Virtual Onsite Interview

總共 3 個 sessions，每個 session 各 1 小時，3 位面試官，也就是連續 3 個小時。面試內容含蓋 Project Presentation、Behavior Questions、Algorithm & Data Structure、ML 和 System Design。

前兩個面試官也都是在 Project Presentation 時穿插不少的 Behavior Questions 和 ML 問題，而後剩下20~30分鐘各考一題演算法，兩題都是 Binary Tree 的問題。而第三位面試官著重在 Behavior Questions 和 System Design 方面，也有問如果什麼模型效果不好，該如何處理等等開放式問題。

過程中我一直以為之後可能還會有下一關，問了往後的面試流程，沒想到最後一位面試官跟我說：「這關真的是最後一關，我真的就是決定要不要錄取的那個 Hire Manager」。那我真的是誤會 Coordinator 意思而有眼不識泰山，抱歉抱歉。結束前問了 Hire Manager 大約多久會回覆，他面有難色說真的有滿多面試者，所以 2~3 星期內一定會回覆。

心得：

(1) 一個小時內要問這麼多不同面向問題，說話語速都很快

(2) 連續 3個小時面試需要體力。時間掌握真的很重要，時間一到面試官就迅速切換，一秒都不等

Virtual Onsite Interview 結束後，大約一個多星期收到感謝函。時間掌握真的很重要。全部面試應該就差在其中一題演算法還有點不完整時間就到了，可惜了。

心路歷程：

這次微軟面試前後大約花 1個月左右，Behavior Questions 的比例滿重，幾乎3成時間會穿插著問。

相比起來 Leetcode刷 Microsoft 題目比刷 Google 題目開心一點，Google 題目有些真的很刁鑽。但是我還是很不喜歡面試考 Leetcode，好想知道這遊戲到底是誰發明的。

最後感謝 Microsoft 尤其是跟 Phone interviewer 最後的談話 :)

本文由 I-Chiao Lin (林依巧) 授權轉載, 原文: 《面試趣 Microsoft — ML, Taipei (2/3)》

___________

你也有經驗想分享嗎？快來投稿賺稿費吧！

這篇文章 【學長姊帶路】2021 Microsoft 機器學習工程師 求職分享 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

原標《面試趣 Google — ML, Taipei (1/3)》

文／ I-Chiao Lin (林依巧)

正巧在今年五月疫情爆發時離職，這段期間也體驗了一些線上面試，想說趁這段空檔沈澱心情寫寫過程。當然各位看官不要放太多期待，小女不是版上的 Googler，只是想寫寫這三、四個月面試人生中，遇見了三家印象深刻的公司。

註：面試題目、細節不會分享，只分享過程囉

當今年五月疫情爆發後，工作生活開始兵荒馬亂調整時，很意外地再次收到 Google Recruiter 的 LinkedIn 邀請訊息，於是我們約了隔天 Google Meet — Recruiter Prescreen。

Recruiter Prescreen

在 30 分鐘過程中，前 10 分鐘「自我介紹」以及說明目前工作狀態，接著「討論合適職缺」，選擇軟體開發還是 ML 開發，依據 Recruiter 說法，台北職缺裡 ML 職缺大約一年一個，面試者大約幾百人，面試內容大部份與軟體開發面試關卡一樣，不同的會是 Onsite Interview 的 Domain Session。因為近年都做 ML 工作，所以仍選擇 ML 職缺。

最後 10 到 15 分鐘，Recruiter 問我要不要「玩一個遊戲」，一方面也可以讓我回想一下演算法。於是 Recruiter 隨機問了十多題有關資料結構、Sorting、Graph Traversals、Python、數學等問題，內容滿像學校資結小考，過程中 Recruiter 也都笑笑的，所以我也很開心跟她玩。

30分鐘會議準時結束後，收到 Recruiter 寄來面試邀請函，「上傳履歷」後開始了 Google 面試旅程。

=> Prescreen 後大約一、二天收到 Phone Interview 通知

Phone Interview

在45分鐘面試過程中，經由手機語音通話(中文)，並與 Interviewer 共用類似 Google Doc 頁面寫code。因為 Interviewer 知道我是生平第一次面試Google，所以提議前10分鐘先進行不算分暖身題，來熟悉平台和答題過程。整個過程中 Interviewer 會先解釋問題，提供1、2 個 test case 與 output，大約思考 3 分鐘後，我說明一下想法，Interviewer 似乎也滿有興趣，而後花 5分鐘簡單實作跟說明，因為是暖身題，所以有些小 function 是空下來用說的。

接著剩下 30分鐘進行正式題，題目看起來是暖身題延伸變形題，這應該是面試官自己出的?，整個作答過程也與剛剛一樣，理解題目後先討論再實作，最後再估時間、空間複雜度。

心得：

Google 面試不考 Leetcode原題。面試後查一下暖身題是 Hard!，感謝面試官口氣合善聽我的想法，所以在不緊張狀態下面試完。

整體答題過程覺得時間不多，要理解實作討論，30分鐘剛好用完。結束前Interviewr 問我對 Google 有什麼想知道的，也說明一下工作內容文化等。

Phone Interview 後大約一、二天，

收到 Recruiter 電話關心以及 Virtual Onsite Interview 通知

Virtual Onsite Interview

收到 Onsite 通知後，我也遇到必須適應新環境的情況，所以把 Onsite 面試約到一個月後，邊適應環境晚上邊準備面試，整個月處於焦頭爛額的狀態。

Virtual Onsite Interview 分成 4 個 session，2 個 Algorithm sessions、1 個 Domain、1 個 Behavior session。Recruiter 和 Coordinator 會用面試時間去找可以面試的面試官，但從會議邀請中發現面試官名字似乎被隱藏了，總之至少一關英文面試。

Onsite Interview 進行前一週，接到 Recruiter 關心電話，Recruiter 那頭依舊強調 ML 職缺只有一個有幾百人應徵，但這次說了有競爭力的面試者出現囉。這麼玩味的話，為什麼要告訴我呢

• Behavior session (45分鐘)

內容像做過哪些困難的案子，為什麼困難最後如何解決，另外若立場意見與同事不同，如何解決等等情境題。然後會從回答過程中，再不斷延伸問問題。

心得：

(1) 沒有標準答案的面試，分享以前的經驗跟自己的看法。

(2) 語言方面，面試前 Recruiter 說是中文面試。不過面試官直接英文面試，所以只好用英文跟面試官說明 Recruiter 跟我說講中文捏，等面試官確認中文沒問題後才正式開始。

• Domain session (45分鐘)

ML Domain 面試，45分鐘考了機率、最後問了微積分，有點像研究所寫論文時設計數學公式的氛圍。

心得：

(1) 面試前 Recruiter 說針對履歷問問題，不過現場考一連串機率微積分。沒錯，也沒有問 ML。

(2)因為工作關係，希望盡量用午餐時間面試。這次經驗告訴我，早餐要吃多一點，不然要餓到暈頭轉向時聊機率微分。

• Two Algorithm sessions (各45分鐘)

這次 Recruiter 有說是英文面試了，兩個 session 兩個面試官，各 45分 鐘考演算法，一題 Binary Tree 一題偏數學，也是共用文件寫 code (不能 run code)，作答型式跟 Phone Interview 一樣。

過程中 Binary Tree 實作有一個 bug，面試官希望希我想一下其它 test case 來debug，經過幾分鐘後沒有進展，問我需不需要提示我說好，再把 bug 解掉。

心得：提示是會被扣分的! 時間要掌握好，超時也是要扣分!

Virtual Onsite Interview 一星期後，收到 Recruiter 電話，針對演算法部份說明，因為有提示、超時被扣分了，所以就是謝謝再聯絡。

再隔一個月收到面試滿意度詢問表，不得不讚嘆 Google 整體面試流程真的做的很有心

心路歷程：

其實我很不擅長也很不喜歡面試考 Leetcode，只有有短短幾分鐘就要下定論的感覺，覺得解 Leetcode跟實際工作解決的問題實在差很多，但身為小小面試者無法改變什麼。

感謝 Googler 給我這次機會有更多的體驗，聽起來 Google 真的是一家非常自由的公司。面試竟然一晃兩個月過去了，時間過得真快，面試完真的需要休息一下。

文由 I-Chiao Lin (林依巧) 授權轉載, 原文:《面試趣 Google — ML, Taipei (1/3)》 

___________

你也有經驗想分享嗎？快來投稿賺稿費吧！

這篇文章 【學長姊帶路】2021 Google 機器學習工程師求職分享 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

原標《工作 & 面試分享 — Machine Learning Engineer》

文／Gi-Luen Huang

背景

• 碩士：國立臺灣大學 電信工程所丙組 (主修資料科學)
• 學士：國立臺灣科技大學 電機工程系
• 研究領域：機器學習/深度學習、電腦視覺、影像/訊號處理
• 其他：可自行參考我的個人網站

 求職方向

• 地點：雙北 >> 新竹
• 公司產業：IC廠、軟體業基本上都有投 (國內)
• 期望公司福利：基本上希望有彈性的WFH即可，其他像是健身房、游泳池…等等不是我主要的考量。 

面試準備

• 刷LeetCode

因為預計2023/01會畢業，也趁著暑假刷了LeetCode題目 (我刷了大概20多題，主要用的語言是C++)。建議在刷題的時候要記錄自己刷了哪些題目，並且隨時記錄自己的刷題進度，之後要複習才知道自己當初做了哪些題目以及當時是如何解題的，若要看我刷過的題目可以參考我的Github，以及我用來記錄的Excel。
基本上刷題建議可以先從每個資料結構或是演算法的easy開始練手感，可能寫個3 ~ 4題再開始挑戰medium，寫完也一定要分析自己的time & space complexity，然後可以找看看解這題的人的最快以及最省空間的解法大概到多少，如果自己的解法跟其他人的最佳解一樣，那基本上你這題就算理解了 (當然也可以多方參考網路上大神的答案來幫助自己更理解這個題目的解法) ; 若自己的解法還未達到最佳解，也可以先記錄下來，看日後有沒有想到更好的解法，或是可以直接參考網路上寫出最佳解的思路大概是如何，再看自己能不能寫出來。

• 專業知識

準備方向基本上就是把修過相關課程的內容以及一些經典論文複習一遍。

• 個人簡介的ppt

建議會在面試前製作一份有關個人簡歷的slide (面試官會比較有方向做詢問)，因為有時候面試官手裡沒有你的履歷可以參考，裡面可以放你的一些相關專案及競賽的經歷，不過在介紹時要high-level介紹就好，若面試官有興趣哪個經歷可以再講的更細節。

以上大概就是我在面試前做的一些準備，關於CV的部分可以在我的個人網站上找到，不過我通常在交履歷給公司的時候都是給一頁版本的，然後會附上我的完整版CV。

 面試

1. 訊連 (Cyberlink)

職務：AI Engineer

面試前：程式題3題 (要用C或C++作答)

面試過程：跟一位部門主管以及同事做技術上的交流，首先會請你自我介紹，然後從你的經歷跟專案中來做相關的詢問，接著會問一些機器學習相關的問題：

• 給你看一些Learning Curve，從這些Curve中判斷哪些是收斂得不錯，哪些可能會有underfitting或overfitting的發生。並且出一個情境題，若要當中的某個loss降得更低，可以怎麼做修改等等
• Resnet當中的skip connection是做什麼用的
• 從Feed-forward network到CNN的演化有什麼好處

心得：對於自己做過的專案及競賽內容要很清楚了解，因為面試官會問技術細節，看你是不是真的了解自己做過的東西，並且可能要想一下這些專案的future work，面試官也會詢問如果是現在的你，會如何做這個work。

2. 瑞昱 (Realtek)

職務：PC camera Algorithm (RDSS)

面試前：無

面試過程：

一面：會跟一位公司的同事做面談，首先會請你先自我介紹，並從你的專案中去做一些詢問，接著跟我介紹公司內部目前在做什麼，以及有什麼手邊正在進行的專案等等。最後20分鐘的時間有考了一題程式題 (跟bit shift相關的題目)，要用C++作答。

二面：跟主管進行面談，因為技術問題基本上一面都問完了，所以我簡單介紹完自己之後，主管就開始介紹部門在做什麼以及之後的發展會是什麼，基本上這關就是跟主管聊天，最後也很順利有拿到offer!

心得：同Cyberlink

3. 富智捷 (MobileDrive)

職務：Machine Learning Engineer

面試前：無

面試過程：跟部門主管做1對1的技術面談，首先會請你做自我介紹，並且問做過的一些專案細節、碩論內容等等，這場面試基本上花了1小時半討論我的專案跟碩論，剩下的時間就是主管在跟我介紹部門的一些願景以及手邊的一些專案。

心得：這場面試大概是我面到現在技術細節問最多的 (我還直接把我碩論口試的投影片拿出來報，也算當作口試Rehearsal XD)，主管也給我一些碩論方法的建議，我覺得是個技術能力很厲害的主管。其他的同Cyberlink

4. 聯發科 (MTK)

職務：影像演算法 RDSS

面試前：無

面試過程：我面的是CAI2 SPT3 AI 演算法開發處，整個部門在做的事其實跟實驗室差不多，都是給你一個題目，然後要自己去發想做研究。在面試階段，聽完我自我介紹後，主管就要我介紹一下自己的碩論，我介紹完之後他就開始介紹部門，之後就是純聊天了，整體面試下來是算蠻容易的。

心得: 面試過程算簡單，基本上整體都在跟主管聊天，所以如果有去面試的話不用太緊張。

5. 華碩 (ASUS)

職務：RD20414 影像辨識與數據分析工程師(智慧製造)

面試前：無

面試過程：面試總共分兩個階段：

第一階段：會先進行口試及coding測驗 (可自行選擇用C或是Python)，coding測驗的部份蠻容易的，就考一些基本的計算題 (一些基本的演算法題目跟統計計算)。口試的部份會考一些Machine Learning相關知識，整體考試還算容易，這部份我答的都蠻順的
第二階段：會有部門主管跟你做1 on 1的面談，這部份基本上就是從你的經歷下去問，主管對我的競賽經歷很有興趣，所以我參加的每個競賽他都問我是怎麼做的，還有困難點在哪裡。競賽經歷問完之後就開始問我的碩論相關的問題，基本上到這邊我都答的算蠻順的。之後主管就開始介紹部門在做什麼，以及在這裡可以學習到什麼，整理來說這個主管的技術能力也很厲害！

心得: 整體面試下來考的題目不會太難，而且在跟面試官做技術交流的時候其實也可以學到蠻多的，主管會介紹一些產業的發展以及未來的趨勢，所以我覺得整體面試感覺很好!

6. Dcard

職務：Junior Machine Learning Engineer

面試前：無

面試過程：會有一位裡面的同事與你做1 on 1的對談，首先會請你自我介紹，接著會從經歷中詢問問題。問完之後就問ML相關的問題，我被問的是如果有一家電商想要做推薦系統，那他們可以取得的是一些使用者有關的資料，如果要做一個推薦類似類別的推薦系統，我會怎麼做，但是我覺得我這部份沒有答的很好，因為我對推薦系統的ML沒有很熟QQ 結束之後他就做公司的簡介，接著考一題程式題，程式題我被考的是手刻一個Set (包含add, remove, search)，最後就是問問題的時間。

心得: 面試我的工程師看起來臉有點厭世XD 可能想說為什麼做CV相關的人會跑來面這個，不過我覺得面試過程還算完整，從基礎的ML題目到情境題其實都有cover到，還算學習到蠻多的

7. 國泰數數發

職務：資料科學家

面試前：無

面試過程：

一面：會有一位主管跟兩位同事一起做面談，首先會由兩位同事先從經歷中詢問技術問題，基本上就是競賽跟碩論的部份會詢問一些相關細節，再從這些延伸一些相關問題，例如如果你現在做的話你會如何精進模型等等。接著基本上就是問ML相關的問題：

• 什麼時候可能會使用BatchNorm，什麼時候可能會使用LayerNorm等等
• 你最近有看什麼SOTA的論文嘛，並且是否有實作過？
• ViT模型相比於CNN-based模型的特色是什麼
• ViT 之後有一些論文對它有做改善，舉出一些例子，並說明他們如何進行改善的
• 在選擇使用Transformer-based及CNN-based模型的時候有什麼評斷基準嘛？
• Swin transformer中間的module是設計出來做什麼的？

這些問題基本上我都答的蠻順的。最後就是部門主管會介紹部門在做什麼，基本上這部份就是與他們聊天！總結來說，這個職缺在做的基本上就是實驗室在做的事，主要會有幾件事：

• 做研究
• 打競賽
• 接專案、計畫

二面：一面過了之後，因為我有兵役問題，所以他們要我退役前兩個月再與他們聯繫。

心得: 同華碩

8. 雲象科技 (Aether)

職務：Machine Learning Engineer

面試前：無

面試過程：

一面：會有兩位裡面的同事來與你做技術交流，首先會請你做自我介紹，接著從經歷裡面去做詢問，因為這家主要是做醫療的AI技術，所以他們對我在醫療產業的實習經歷以及競賽做了較多的詢問。接著他們會介紹公司的產品，以及未來的發展…等等。最後，考了一題程式題: 給定你要輸出的類別數量，要你把模型預測的probability distribution在有超過threshold的情況下找出dominant class。

二面：會跟部門的主管進行面試，這是我久違的實體面試了，所以比較緊張XD 基本上主管會先介紹部門在做什麼，然後請我自我介紹，接著再從經歷裡面去詢問問題，最後是一些情境題的問答：

• PM跟醫生開完需求後，要回來跟你討論實作過程，你會怎麼處理整個流程？
• 如果搜集到的資料是noisy的 (e.g. 標註標準不一)，你會怎麼處理？
• 如果你跟同事合作開發一個web app，但是你跟這位同事所熟悉使用的套件不一樣，你會怎麼做協調？
• 如果PM在週五的時候跟你說醫生要你在下週二有一個model的demo，你會怎麼做協調
• 在專案中跟同事或是隊友cowork的形式
• 如果醫生質疑你模型的performance的話你會怎麼處理

心得: 在情境題的對答裡面，我覺得我有些題目都沒有回答的很好，這次的面試也讓我了解到軟實力的部份真的需要好好加強，所以多多面試是很有幫助的，可以知道自己的弱點在哪裡！

9. 台達研究院 (台北)

職務：AI電腦視覺與機器學習工程師 RDSS

面試前：無

面試過程：

一面：會有兩位部門同事與你做技術交流，首先會請你做自我介紹，從經歷中去做相關問題的詢問 (基本上每間公司都會這樣)，接著就是介紹公司在做什麼，最後就是給我問問題的時間。到這邊我大概已經面了8、9家公司了，很多問題其實都會重複，所以基本上整體面試下來我都答的蠻順的。 (鼓勵大家多多面試！？)

二面：會與一位team leader以及部門主管做面談，首先會請你自我介紹，之後就照著你的經歷來做詢問，並會有一些額外的發想題，這部分基本上就照自己所認知的來回答即可。接著部門主管對於我在Jubo的MLops經歷很有興趣，就往這部分詢問細節，最後就是Q&A時間

心得: 同華碩

10. 遊戲橘子 (Gamania)

職務：Machine Learning Engineer

面試前：無

面試過程：

一面：與台達研究院的一面差不多，不過會focus在推薦系統上，資料主要是從Beanfun app (童年回憶XD)中取得，取得資料後就可以做一些新聞、遊戲推薦等等。基本上技術問題都答的蠻順的，不過遊戲橘子主要還是做推薦系統或是NLP居多，所以在面試時也有被問到若做NLP或推薦系統會不會排斥，最後基本上就是跟同事以及部門主管閒聊

心得: 同Dcard

11. DeepRad.AI

職務：Machine Learning Engineer

面試前：無

面試過程：

一面：會跟一位醫生以及教授做技術交流，跟其他公司差不多，就不多贅述。接著醫生會介紹公司未來的發展以及目前已經有的產品，目前已經有的產品是low-dose lung CT的肺結節預測以及骨骼鈣化預測。

二面：與創辦人做面談，基本上創辦人會在介紹公司未來的展望以及走向，這部份大概就是與創辦人聊天，創辦人對我的經歷很感興趣，也希望我能進去當RD部門的leader帶領RD部門。運算資源的部份聽說他們有10幾張的A6000，資料面的部份有自己的標註團隊。

心得: 面試過程大概就是了解公司未來的展望，畢竟這間公司還沒成立，所以都在跟創辦人了解公司未來的產品走向以及規劃，但一進去就當RD team的leader說實在壓力其實蠻大的，不過算是一個不錯的工作內容

12. 多方科技股份有限公司

職務：AI 演算法工程師_Intelligent Audio-Video Analysis and AI Algorithm Engineer

面試前：需寫一份20題的筆試題，其中包含機率、統計、DSP、影像/音訊處理或ML相關的題目，整體來說我覺得篇難…XD 我大概只寫了12題

總結

這次找工作面了許多間公司，其實也有抓到一些面試的訣竅跟準備要領，主要就列了以下幾點:

• 溝通技巧: 如何把自己的經歷以及技能完整的描述給面試官聽，並且有邏輯的應答是一件在面試中非常重要的事。
• 經歷: 對自己的所有經歷都要有一定的理解程度，履歷上寫的東西在面試前都要有所準備，不要想說面試官不會問到。
• 自介: 每間公司基本上開頭都會請你先自我介紹，所以這個事前可以先做準備，並且把自我介紹練得順一點，時間大概抓2~3分鐘即可，也蠻建議可以做簡單的slide，並把所有專案的內容都可以放進去，不過可以先隱藏起來，面試官看了你的履歷對哪個專案有興趣再打開說明即可。

本文由 Gi-Luen Huang 授權轉載, 原文: 《 工作 & 面試分享 — Machine Learning Engineer 》

___________

你也有經驗想分享嗎？快來投稿賺稿費吧！

這篇文章 【學長姊帶路】訊連/瑞昱/富智捷/聯發科/華碩/Dcard 等多間 機器學習工程師 面試分享 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。