
【導(dǎo)讀】本文作者根據(jù)自己博士畢業(yè)后求職、面試的經(jīng)歷,從重要資源、公司、面試過程、薪資談判等方面詳細的介紹并分享了自我體會與經(jīng)驗。看完本文,你會對求職有一個深入的體會!
本文作者剛剛完成博士學(xué)位,并在所有大型深度學(xué)習(xí)會議(NIPS、ICML、ICLR)以及專門研究ML應(yīng)用領(lǐng)域的期刊上發(fā)表過文章。其h指數(shù)在5-15之間,引文數(shù)量在500-1500之間。之前在FAANG AI研究實驗室實習(xí)過,在過去幾個月中,也面試過一些歐洲的人工智能公司。
本文就是作者根據(jù)自己求學(xué)和求職心路歷程,對博士生求職AI崗位的經(jīng)驗分享。
本文將以作者的角度,從以下四個方面進行介紹:
重要資源
公司
面試流程
薪資談判
根據(jù)我的經(jīng)驗,幾乎所有關(guān)于面試軟件工程職位的建議都很好地轉(zhuǎn)移到了ML research的職位上,因為這些職位都在同一家公司。
以下博客是我認為最值得推薦的,并建議大家在開始申請公司之前讀一遍,在實際薪資談判開始之前再讀一遍,最后一次是在薪資談判進行到一半時:
Salary Negotiation: Make More Money, Be More Valued
https://medium.freecodecamp.org/ten-rules-for-negotiating-a-job-offer-ee17cccbdab6
https://medium.freecodecamp.org/how-not-to-bomb-your-offer-negotiation-c46bb9bc7dea
我只在跨國公司的工業(yè)研究實驗室面試過,并沒有面試過初創(chuàng)企業(yè)或者較小規(guī)模的公司。此外,地域范圍也僅限在歐洲,其他地方的薪資標準和福利都不一樣。
有許多大公司在該地區(qū)雇用AI科學(xué)家:
亞馬遜在柏林有一個ML研究實驗室;
Apple在巴黎有ML相關(guān)的工作;
Google Brain在阿姆斯特丹、柏林、巴黎和蘇黎世有實驗室;
Facebook AI Research和DeepMind目前在倫敦和巴黎設(shè)有實驗室;
微軟研究院和IBM研究院均設(shè)在劍橋和蘇黎世;
Nvidia在柏林、赫爾辛基和慕尼黑設(shè)有實驗室;
Twitter在倫敦設(shè)有辦事處;
優(yōu)步則在巴黎招聘研究科學(xué)家。
除此之外,在其它應(yīng)用領(lǐng)域也有很多有趣的職位,如汽車(大眾/奧迪在慕尼黑設(shè)有研究實驗室),藥物設(shè)計(Benevolent AI在倫敦,Merck,Bayer,J&J和Astra Zenica都是招聘ML相關(guān)人才)或財務(wù)(Citadel和Jane Street都在倫敦設(shè)有辦事處)。
你還會在一些很酷的公司里遇到一些非常有趣的研究職位。例如Criteo(巴黎,格勒諾布爾),Bloomberg(倫敦),Bosch(斯圖加特)或Disney Research(蘇黎世)。而我錯過的可能還有很多。
雖然我心里確實有一些比較喜歡的公司,但我還是盡可能多地申請了其它很多家:如果沒有競爭的offer,你在薪資談判中就會處于嚴重的劣勢。并且較多的面試也會培養(yǎng)你的自信心。我第一次面試和最后一次面試心里狀態(tài)的差異十分懸殊。
此外,你肯定會毀了你的一些面試——要么你在面試官面前表現(xiàn)得很糟糕,要么你會被問到一些關(guān)于你的盲點的問題,或者這個職位與你的興趣不相符,或者其他一些非常糟糕的事情。例如,我不知道什么原因,英偉達在他們的面試過程中突然決定不見我:他們的面試官只是沒有出現(xiàn)在事先安排好的視頻電話會議上,從那以后他們一直忽視我所有的電子郵件。我不知道為什么。所以不要把所有的雞蛋放在一個籃子里。
然而,我發(fā)現(xiàn)面試很多公司最主要的好處在于:我可以了解更多的公司。有很多我甚至沒有想到過的非??犰诺墓ぷ鳌R恍┳钣幸馑嫉穆毼皇怯晌覐奈纯紤]過的公司提供的。事實證明,我的一些“安全選擇”非常適合我。即使對你來說不是這樣,與許多團隊討論他們當(dāng)前的項目和他們對未來的愿景是非常鼓舞人心和有啟發(fā)性的。
我申請了上面列出的大約一半的公司,無論是研究科學(xué)家還是研究工程師,大多數(shù)最終都獲得了工作機會。我整個找工作的過程花了很長時間(從第一次申請到接受工作邀請,花了半年的時間),而且非常累人:那幾個月到處都是機場、酒店和面試房間,然后是幾個月的電話,以及與人力資源部門的薪資談判。
別指望這段時間能完成多少工作。正如一位同事所言:“當(dāng)你聽到這個或那個招聘人員的反饋時,你的大腦一直在全神貫注,沒有剩余的思維能力去思考ICML?!比欢?,這一切都帶來了巨大的回報:我學(xué)到了很多東西,收集了很多新的觀點,而且能夠爭取到比第一份“理想工作”高得多的薪水。
所有公司的面試過程非常相似。在收到我的簡歷后,公司會邀請我做一個簡短的篩選,看看我是不是合適的候選人,這種篩選一般通過一兩次電話面試進行,每次一小時。然后,我經(jīng)常受邀進行現(xiàn)場面試:在公司辦公室里一面就是一整天。一般開始時是自我介紹,介紹博士階段的研究。然后是約每輪1小時的個人面試,面試人可能是我應(yīng)聘團隊的人員,或者是其他團隊的類似研究人員/工程師。通常情況下,我在每次面試中會遇到不同的人,所以當(dāng)一天的面試結(jié)束后,我經(jīng)常會和團隊中的大多數(shù)人見了面。
幾乎所有的面試官都抽出時間向我詢問有關(guān)職位、團隊或公司的問題。我喜歡問關(guān)于工作與生活的平衡問題,目前團隊有哪些困難的環(huán)節(jié),或他們目前工作中對那些方面不大喜歡。大多數(shù)人會誠實坦率地回答這些問題,從他們的回答中,我可能會對未來這段可能到來的職業(yè)生涯產(chǎn)生一些或尖銳、或荒謬、或可憐、或?qū)氋F的見解。
這些回答中有些是很有意思的辦公室八卦,也會遇到團隊負責(zé)人向我保證說“只要努力工作,就有希望在入職第2年或第3年將每周工作時間減少至60小時以下”?;蛘邔ξ艺f“我非常緊張,正在考慮戒煙,然后還在向我保證“辦公室真的很棒,你會愛上這里的!”
一些自己的研究非常興奮的人,會忘了問任何技術(shù)問題,而只是簡單地說他目前的研究突破對我來說如何如何......
這些都是了解公司和面試職位的好機會。在這一環(huán)節(jié)花上點時間是絕對不虧的!
面試類型
我多次經(jīng)歷過各種不同類型的面試。其中一些面試很容易準備(比如寫代碼或行為測試),但還有一些面試很難準備。一般來說不同公司的面試類型是不一樣的:有幾家公司在沒有確認我具備寫代碼的能力的情況下就向我發(fā)了offer,即不問編程環(huán)節(jié),還有的公司從未向我確認證實的預(yù)期薪水是多少。有些公司更多是在問理論問題,有些則更注重實踐。大多數(shù)公司兩者均有。
總的來說,我發(fā)現(xiàn)如果我在回答問題時卡住了,面試者總是愿意給我提示。面試者經(jīng)常故意把一些問題模糊化表述,只是為了看看我作何反應(yīng),而且一般愿意與我討論問題的細節(jié)。這個過程不像是一個對抗過程,更像是同事之間的討論。
“來談?wù)勀愕难芯俊?/strong>
很多面試只是讓我談過去的研究成果。面試官會從我的簡歷中挑一篇論文并讓我談?wù)?,或者有時他們會讓我自己選擇談哪個項目。有些面試者只會問淺問題,有的會問得很深(比如“你這篇論文假定定理3中存在異方差性,但在整篇論文中沒有證明。你為什么認為這是一個有效的假設(shè),它的含義是什么?”),但從來沒有在數(shù)學(xué)問題上問得太深。
編程面試
一般來講,在谷歌或Facebook這樣的企業(yè)的軟件工程師面試中:你需要提出并實現(xiàn)解決方案的一些算法性質(zhì)的難題。通常允許自選語言,如C ++或Python。每個問題都有不斷加深的幾個小問題:首先需要想出一個簡單的解決方案并且實現(xiàn),然后面試官會加一些額外的限制,或者要求實現(xiàn)更高效的解決方案。之后面試官一般會期望討論時間或內(nèi)存的復(fù)雜度問題,或討論我給出的實現(xiàn)方案的可能的測試用例。
很多時候,接下來會進入更困難問題的討論環(huán)節(jié)。有幾次,面試者后來承認他們自己也不知道如何解決所提出的最后問題,他們只是想知道我是否能想出一些東西出來,或者我對一個一個無法解決的問題作何反應(yīng)。這類面試比較容易準備:比如讀一讀Princton的《算法》的第1部分和第2部分,或者在leetcode上刷刷題應(yīng)該就沒問題了。
這類面試有些只會測試一般的機器學(xué)習(xí)知識。比如大學(xué)普通機器學(xué)習(xí)課程所涵蓋的內(nèi)容。這類面試一般分為兩部分。第一部分是一些常識性問題(你如何規(guī)范深層網(wǎng)絡(luò)?隨機森林訓(xùn)練中的提升在哪里?當(dāng)預(yù)測速度比準確性更重要時,舉出兩種合適的分類算法。你會如何根據(jù)內(nèi)容將文檔按照語義進行分組?你能談?wù)劯咚够旌夏P秃蚹均值之間的聯(lián)系嗎?)。
第二部分一般問的是“機器學(xué)習(xí)編程”,比如實現(xiàn)一些標準的機器學(xué)習(xí)算法。例如實現(xiàn)決策樹的推導(dǎo)/剪枝,k-means和kNN等。一般需要大約30-45分鐘(并再次討論實現(xiàn)效率和可能的測試用例)。
“現(xiàn)在我們遇到了個問題......”
在一些面試中,面試者對我講到正在進行的一個項目中遇到的問題,然后講到要如何解決這個問題(比如“我們試圖在視頻數(shù)據(jù)庫中找到重復(fù)的視頻”,“我們需要根據(jù)一些模糊的標準對數(shù)百萬個實體進行排序,并達到低延遲水平“,”我們只有非常少的標記數(shù)據(jù),并希望使用GAN來增強數(shù)據(jù)集,最好的方法是什么?“) 。對這種問題沒有什么好的準備方法,但我覺得面試官主要目的是了解我的思維過程。因此,這些問題的目的不是讓你給出完美的算法,更多是在“頭腦風(fēng)暴“或討論權(quán)衡問題。
行為面試
每當(dāng)我被告知我將接受HR部門面試時,接下來進行的幾乎都是行為面試。幸運的是,這個環(huán)節(jié)問題幾乎總是相同的,所以可以提前做好準備。有一家公司甚至給我發(fā)了一本關(guān)于他們“公司價值觀”的小冊子,并告訴我,我將要接受面試,了解我如何在日常生活中反映這些價值觀。只需上網(wǎng)搜一下“行為面試”,就會發(fā)現(xiàn)很多資源??偠灾?,這個環(huán)節(jié)問題不大。
其他
還有些公司的面試和上面提到的都不一樣。比如出一道數(shù)學(xué)難題,或者提前讓我看一篇論文(一般是我不熟悉的領(lǐng)域),然后對論文進行討論?;蛘呤莵硪粓鲫P(guān)于統(tǒng)計學(xué)、概率和優(yōu)化理論基礎(chǔ)的筆試,時間長達幾個小時。
面試結(jié)束后,公司的招聘人員會與我聯(lián)系,通知我“好消息”。我總是直截了當(dāng)?shù)卦趲讉€地方面試,每一位招聘人員都非常通融,理解我只有在收到所有公司的回復(fù)后,才會準備討論進一步的步驟。
然后工資談判開始了。
當(dāng)然,工資因地區(qū)而異。ML跟蹤軟件工程的工資相當(dāng)不錯,所以levels.fyi或GlassDoor可以很好地了解期望的工資。Blind也有很多關(guān)于薪資和一般面試過程的信息。但是,你會在這些網(wǎng)站上找到的數(shù)字嚴重偏向硅谷和整個美國。
即使在歐洲內(nèi)部,各國之間也存在著巨大的差異:值得注意的是,英國和瑞士的工資水平遠遠高于其他國家。當(dāng)公司問我對工資的看法時,我總是告訴他們10萬歐元/年,這是一個很好的開始談判的薪資數(shù)字。甚至在我開始面試之前,我就知道這是一個較低的標準,英國或瑞士肯定有公司愿意支付這么高的價格,不過對于歐洲其他地區(qū)來說,這個數(shù)字相當(dāng)可觀。盡管如此,我還是認為高起點總比尷尬地回避“我不想給你一個數(shù)字”的問題要好。
最初的報價大多在每年8萬到12萬歐元之間。請注意,這通常是每年的總薪酬,因此它包括基本工資、預(yù)期獎金數(shù)額以及任何股票期權(quán)或額外的養(yǎng)老金繳款。我向所有招聘人員提出了其中最高的報價。大多數(shù)美國公司非常有意愿提供我所想要的薪酬,但是很多歐洲的公司卻告知我,他們無法提供相應(yīng)的薪水。
下一步,我決定了我認為真正值得跟進的提議。一些公司在面試階段給人留下了不好的印象,而其他公司則更像是“不得已”的選擇,我就不再考慮這些公司了。我感謝他們所付出的時間,并告訴他們我對他們公司不再感興趣了。 我只留下了幾個令我非常興奮的工作機會:我愿意當(dāng)場接受其中任何一個工作機會!
這讓我處于一個很強的談判立場:我可以要求每家公司給我提供比當(dāng)前最高出價者更好的報價。即使有人會收回他們的報價(或者不愿意滿足我的要求),我仍然有其他我愿意接受的公司。 事情發(fā)展得很順利:每個人的出價都超過了其他人,把我每年的總薪酬推到了我做夢也想不到的地方。這是一種非常超現(xiàn)實的感覺。
我在所有的公司之間來回了大概兩輪。我感覺招聘人員在那時候已經(jīng)處于一種絕望的狀態(tài)了:邀請我和我的SO去他們的城市參加周末的免費旅行,給我郵寄驚喜的禮品籃,給我提供爆炸性的工作機會,等等。
值得說明的一點是,雖然這些公司確實提供了更好的安置方案和簽約獎金,但它們在提供額外的非金錢福利方面卻缺乏靈活性。例如,沒有一家公司能夠在最初的提議基礎(chǔ)上增加更多的假期(主要是根據(jù)地區(qū)標準,每年的假期從25天到45天不等)。最后,通過這種方式利用競爭性報價,我能夠?qū)⒆罱K簽約公司的初始報價提高一倍左右。我每年的總薪酬在160-240k歐元之間(不包括簽約或搬遷獎金)。
我從未見過一群人像招聘人員那樣,如此堅持胡蘿卜加大棒的做法。
他們會告訴你,“這是我們所能提供的最好的條件”,強調(diào)“他們將為你破例,因為你是一個非常優(yōu)秀的候選人”。他們還會憑空捏造出嚴格的 deadline,他們還會告訴你,他們不會重新談判,還會說他們在過去兩個月內(nèi)在面試其他候選人。
感覺招聘人員總是想確定我是不是真的想選擇另一份offer,而不是他們的,還是只是利用他們與另一家公司重新談判。我想這一切都在意料之中,而我最好的建議是始終保持禮貌、耐心和執(zhí)著。
在我有限的經(jīng)驗中,只要你收到了多份 offer(并且愿意放棄其中任何一個),你就掌握了主動權(quán)。所以,請努力的去談判吧!
加油!
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計學(xué)領(lǐng)域,假設(shè)檢驗是驗證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數(shù)量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網(wǎng)絡(luò)請求開發(fā)時(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數(shù)據(jù)的科學(xué)計數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點數(shù)據(jù)時的科學(xué)計數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅(qū)動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務(wù)數(shù)據(jù)分析:概念辨析與協(xié)同價值 在數(shù)據(jù)驅(qū)動決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務(wù)數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實踐到業(yè)務(wù)價值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價值導(dǎo)向 統(tǒng)計模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10