Tôi nên chuẩn bị những câu hỏi phỏng vấn machine learning nào?

Quy trình phỏng vấn machine learning thường có nhiều vòng hơn quy trình phỏng vấn phần mềm nói chung, và mỗi vòng kiểm tra một tầng kiến thức khác nhau. Biết tầng đó sẽ giúp bạn hiểu người phỏng vấn muốn nghe kiểu câu trả lời nào.

• Nền tảng. Các câu hỏi lý thuyết về học, khả năng khái quát hóa và tối ưu hóa. Người phỏng vấn muốn biết bạn hiểu tại sao một kỹ thuật có hiệu quả, chứ không phải nghe một định nghĩa học thuộc lòng.
• Đánh giá và thử nghiệm. Lựa chọn chỉ số, chiến lược xác thực, kết quả ngoại tuyến so với trực tuyến và cách bạn thiết kế một thử nghiệm để chứng minh mô hình đã tạo ra cải thiện.
• Mô hình hóa ứng dụng. Kỹ thuật đặc trưng, rò rỉ dữ liệu, mất cân bằng lớp và những phần phức tạp của một bộ dữ liệu thực tế. Các câu hỏi này thường được đặt trong bối cảnh một dự án của chính bạn.
• Thiết kế hệ thống ML. Cách mô hình nhận dữ liệu, được huấn luyện và tái huấn luyện, cách cung cấp dự đoán và cách bạn phát hiện hiệu suất của nó suy giảm trong môi trường production.
• Lập trình. Một bài tập dùng pandas hoặc Python thuần, đôi khi yêu cầu tự triển khai một thuật toán nhỏ như k-means hoặc hồi quy logistic.

Các câu hỏi hành vi cũng xuất hiện và tuân theo những nguyên tắc giống mọi vị trí khác; chủ đề ngân hàng câu hỏi trình bày riêng về chúng.

Cách diễn đạt thay đổi tùy công ty, nhưng các câu hỏi cốt lõi thường lặp lại. Hãy luyện tập cho đến khi bạn có thể giải thích chúng bằng ngôn ngữ đơn giản.

• Độ chệch và phương sai: Bạn sẽ chẩn đoán thế nào để biết một mô hình đang quá khớp hay chưa khớp, và bạn sẽ thay đổi điều gì trước tiên? Chính quy hóa tác động thế nào đến mô hình, và khi nào bạn ưu tiên L1 hơn L2?
• Xác thực: Tại sao việc chia ngẫu nhiên tập huấn luyện-kiểm thử có thể cho điểm số sai lệch với dữ liệu chuỗi thời gian? Khi nào bạn cần xác thực chéo phân tầng hoặc theo nhóm?
• Chỉ số: Khi nào độ chính xác là chỉ số không phù hợp? Hãy giải thích precision, recall và đường cong ROC cho một quản lý sản phẩm. Bạn sẽ tối ưu chỉ số nào để phát hiện gian lận, và sẽ giám sát thêm điều gì bên cạnh nó?
• Vấn đề dữ liệu: Rò rỉ biến mục tiêu là gì và bạn từng phát hiện nó như thế nào? Bạn xử lý tình trạng mất cân bằng lớp nghiêm trọng ra sao mà không tạo ra dữ liệu giả? Bạn xử lý giá trị thiếu thế nào để mô hình không vô tình học từ chính tình trạng thiếu dữ liệu?
• Mô hình: Khi nào cây tăng cường gradient vượt trội hơn mạng nơ-ron trên dữ liệu dạng bảng? Cơ chế attention trong transformer thực sự tính toán điều gì? Tại sao embedding hữu ích với các đặc trưng phân loại có số lượng giá trị riêng biệt lớn?
• Tối ưu hóa: Điều gì xảy ra khi tốc độ học quá cao hoặc quá thấp? Tại sao chuẩn hóa theo batch giúp việc huấn luyện dễ dàng hơn?
• Thiết kế hệ thống: Hãy thiết kế một hệ thống đề xuất cho sàn giao dịch. Bạn sẽ phát hiện sự trôi dạt dữ liệu sau khi triển khai như thế nào? Bạn sẽ tái huấn luyện mô hình ra sao mà không cung cấp các dự đoán lỗi thời?
• Thử nghiệm: Chỉ số ngoại tuyến đã cải thiện nhưng thử nghiệm A/B không thay đổi; bạn sẽ kiểm tra điều gì?

Nếu có thể trả lời từng câu trên bằng một ví dụ cụ thể từ công việc của mình, bạn đã chuẩn bị được phần lớn nội dung có thể xuất hiện trong vòng kiến thức nền tảng.

Việc nắm rõ kiến thức nhưng vẫn lúng túng khi được yêu cầu giải thích trong một cuộc gọi video là điều bình thường. Phần này đưa ra cách cấu trúc câu trả lời nói, với bản tóm tắt ngắn gọn: định nghĩa, quyết định, ví dụ, giới hạn.

• Định nghĩa trong một câu, bằng từ ngữ đơn giản, trước khi đưa ra bất kỳ công thức nào.
• Quyết định: khi nào bạn sẽ sử dụng kỹ thuật đó và sẽ chọn gì để thay thế, vì người phỏng vấn đánh giá khả năng phán đoán chứ không phải vốn thuật ngữ.
• Ví dụ từ một dự án thực tế: bộ dữ liệu, vấn đề đã xảy ra, điều bạn thay đổi và kết quả đã chuyển biến ra sao.
• Giới hạn: kỹ thuật thất bại trong trường hợp nào; điều này cho thấy bạn đã sử dụng nó đủ nhiều để thấy nó không hiệu quả.

Một nhà khoa học dữ liệu phỏng vấn cho vị trí ML tại công ty vận hành sàn giao dịch được hỏi tại sao mô hình xếp hạng của cô ấy có kết quả ngoại tuyến rất tốt nhưng không tạo ra thay đổi trong thử nghiệm A/B. Cô ấy trả lời theo 4 bước: khoảng cách giữa kết quả ngoại tuyến và trực tuyến là gì, tại sao thiên lệch vị trí trong dữ liệu nhật ký gây ra vấn đề của cô ấy, phương pháp đánh giá phản thực mà cô ấy đã bổ sung và hạn chế rằng phương pháp đó chỉ đúng khi việc ghi nhật ký đủ ngẫu nhiên. Câu trả lời đó có giá trị hơn một phép chứng minh hoàn hảo. Luyện trả lời thành lời chính là mục đích của công cụ phỏng vấn thử; công cụ này đặt câu hỏi tiếp nối giống như một người phỏng vấn thực sự.

Trong các vòng trò chuyện thì có, nhưng trong giới hạn nhất định. Ứng dụng máy tính gốc dành cho macOS và Windows của SubcueAI thu âm thanh hệ thống của cuộc gọi cùng micrô của bạn, nghe câu hỏi của người phỏng vấn trên Zoom, Google Meet hoặc Microsoft Teams và hiển thị một cấu trúc trả lời ngắn được đề xuất trong lớp phủ nổi chỉ xuất hiện trên màn hình của bạn. Với các cuộc gọi diễn ra trong tab trình duyệt Chrome hoặc Edge, Side Panel của tiện ích trình duyệt chỉ thu âm thanh từ tab cuộc họp, vì vậy nó nghe người phỏng vấn nhưng không bao giờ phiên âm lời bạn nói. Cả hai giao diện đều không tham gia cuộc gọi dưới dạng bot hay chèn bất kỳ nội dung nào vào trang cuộc họp. Nếu bạn đã tải lên hồ sơ, các gợi ý có thể tham chiếu đến dự án của chính bạn, và đó là nơi câu trả lời ML ghi điểm.

Các giới hạn cũng giống như trong mọi cuộc phỏng vấn kỹ thuật. Bài kiểm tra lập trình có giám sát, bài tập về nhà hoặc phiên làm việc trên thiết bị do công ty quản lý đều nằm ngoài mục đích sử dụng của SubcueAI; phần chứng minh trên bảng trắng qua màn hình dùng chung phải do chính bạn thực hiện, vì chia sẻ toàn bộ màn hình sẽ khiến mọi người nhìn thấy lớp phủ. Aaron Cao, nhà sáng lập SubcueAI, đã xây dựng lớp phủ để gợi ý cấu trúc và từ vựng thay vì đọc câu trả lời cho bạn, bởi người phỏng vấn ML sẽ hỏi tiếp về mọi nhận định và một câu trả lời vay mượn sẽ sụp đổ ngay ở câu hỏi thứ 2. Hướng dẫn thiết lập cho cả hai giao diện nằm trên trang hướng dẫn; những khác biệt thực tế giữa ứng dụng máy tính và tiện ích được mô tả trên trang so sánh.