王喆

王喆在《算法工程师必须要知道的面试技能雷达图》中提到如何面试算法候选人，从下面4个方面去考察：

• 知识：主要是指你对machine learning相关知识和理论的储备
• 工具：将你的machine learning知识应用于实际业务的工具
• 逻辑：你的举一反三的能力，你解决问题的条理性，你发散思维的能力，你的聪明程度
• 业务：深入理解所在行业的商业模式，从业务中发现motivation并进而改进模型算法的能力

明白了这四个方面之后，再从深度去考察候选人这4个方面的的能力；如果深度够的话，再去考察广度，如果广度也满足需求，这轮面试就算通过了。

在NLP相关的面试里面，这四项又该如何定义？

• 知识：对machine learning和NLP相关理论储备
• 工具：深度学习框架，numpy，pandas，java和python，shell
• 逻辑：编程题，一些有深度的知识点
• 业务：候选人的项目，为什么如何设计模型；或者自己设计一些题

总结

在58这段时间，面试过一些候选人，有实习生，也有社招，有职位高水平差，也有非常牛的。自己在面试的过程中，也尝试总结一些东西，如何去面试一个候选人。
最开始的时候，我面试只面试一些知识点，考察候选人对这些知识点的掌握程度，然后能回答出超过2/3的内容就算通过。因为他们知识体系中，有很多知识点我并不熟悉，这样只是部分考察了他们知识，工具和逻辑的深度。这种面试是非常浅的，对于他们业务的考察较弱。
后续我增加了对业务的考察，这一块主要是通过对候选人做过的项目进行提问，项目的提问主要是围绕下属几点：

1. 数据集。如果是新项目，问下冷启动问题。
2. 模型结构，损失函数。（中间穿插问下，项目中用到的技术点）
3. 效果如何，如何进行评测的。
4. 数据如何迭代的。
5. 训练中可能遇到的问题。（需要做过类似的项目，对这类项目能比较熟悉）
6. 有没有尝试过其他方案。

上述的考察不仅考察了业务，同时也考察到了知识，工具和逻辑，是一种比较合理的考察方式。

同时我也给自己留下一些思考的问题。

1. 对不同层次的候选人，要求的区别是什么？
2. 自己也要有足够的深度才能去面试候选人。也要建立相应的广度，然后把广度拓深。
3. 面对自己生疏的领域，怎么处理？