本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

做機(jī)器學(xué)習(xí)工程師，通常都要讀過博。

即便沒有寫成崗位的必要條件，也慢慢變成了自然規(guī)律。

那自學(xué)成才的人類，要寫怎樣的項目經(jīng)歷，才能讓面試官相信，自己也是有同等能力的呢？

一個叫做AdditionalWay的網(wǎng)友，在Reddit提出了這個直擊靈魂的問題，引發(fā)了大量討論，兩天熱度已經(jīng)超過500。

討論版上，有許多人提出了中肯的建議：

工業(yè)界需要的技能

有位叫做po-handz的網(wǎng)友，他發(fā)表的意見收獲了80分的高贊同，占據(jù)了評論區(qū)的頂樓：

把自己的項目投入生產(chǎn)環(huán)節(jié) (launch into production) ，就能超越99%的應(yīng)屆生，也能超越大部分在位的ML工程師了。

對此，有人 (moravak) 表達(dá)了墻裂贊同：

這個“大部分”，其實(shí)就是≥99.9%。

頂樓又補(bǔ)充說，很多人就算讀到博士畢業(yè)，可能也沒有自己把一個項目做到生產(chǎn)環(huán)節(jié)的經(jīng)驗(yàn)。

那么，怎樣才算有這樣的經(jīng)歷呢？

網(wǎng)友 (BernieFeynman) 簡約地解釋了一下：

搭些模型，不用非常非常厲害。但要讓人能看到，模型在哪跑起來的樣子，比如有個API可以調(diào)用之類的。

當(dāng)然，做起來并不是一句話的事，頂樓詳細(xì)描述了，一整個過程究竟能有多難：

比如，一般你不會只有一個模型，是有一組。所以，需要讓這些大模型，加載在服務(wù)器的RAM上。還要接受新輸入的數(shù)據(jù)。這些數(shù)據(jù)，要和測試數(shù)據(jù)的格式保持一致，還要scale，該怎么scale呢？推理要用GPU么？那樣的話在AWS上每月可能要花1000刀，預(yù)算能支持么？時序數(shù)據(jù)怎么辦呢？你需要一個連續(xù)更新的模型，還要一直跟蹤調(diào)參。除此之外，你需要一個實(shí)時的、可維護(hù)的數(shù)據(jù)管道 (data pipeline) 。搞這個，比處理一個清晰干凈的數(shù)據(jù)集要難多了。最后的最后，你還需要一整套UI，網(wǎng)站，nginx堆棧，要做成用戶友好的樣子。

別說是剛畢業(yè)的博士，許多有經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家也對這些東西一竅不通，因?yàn)樗麄兛赡苤辉谧约簩I(yè)的領(lǐng)域里工作，都是別人把干凈的數(shù)據(jù)集交到他們手上。

你如果在這點(diǎn)上打贏他們，對企業(yè)來說就有更高的價值了。

簡歷不要踩雷

訓(xùn)練實(shí)用技能，只是一方面。

如果不想在簡歷篩選環(huán)節(jié)見光死，網(wǎng)友 (rudiXOR) 在一家“正在招聘ML工程師的中型企業(yè)”，總結(jié)了十大雷區(qū)，供大家參考：

第一，拿著一大堆MOOC證書。沒用，我試過，quiz一路點(diǎn)下去誰都做得到。第二，對Kaggle成績過于自豪。許多大學(xué)生都參加過Kaggle比賽，他們也知道這種比賽和ML工程師的工作，基本沒什么共同點(diǎn)。第三，去了3個月訓(xùn)練營，從PCA到LSTM，幾乎所有ML技術(shù)都修煉到了。真的沒人相信。第四，GitHub項目都是只提交過一次代碼的那種。根本看不出是不是自己做的。第五，GitHub主頁是新的，一個項目都沒有。第六，模型只在toy datasets上測試過，沒有再嚴(yán)肅點(diǎn)的項目了。第七，每種語言都說“精通”。比如C++、Python、Java、C#……第八，對照職位要求精心匹配了簡歷 (“Buzzword optimization for HR algorithms”) 。第九，沒有證明自己的數(shù)學(xué)/統(tǒng)計學(xué)知識水平。第十，沒有軟件開發(fā)的經(jīng)歷。

就算前九條你都忘了，也可以嚴(yán)肅地參考第十條。網(wǎng)友在細(xì)數(shù)了雷區(qū)之后強(qiáng)調(diào)：

如果你是自學(xué)的，不要一上來就投數(shù)據(jù)科學(xué)家，或者M(jìn)L工程師?？梢韵壬暾垟?shù)據(jù)分析師，或者軟件工程師。如果是自學(xué)ML，又沒有軟件開發(fā)的經(jīng)歷，我是不會請你的。

參考前文，如果沒有讀過博士，就要比博士多點(diǎn)工業(yè)界的經(jīng)驗(yàn)才更有利。

One More Thing

不過，自學(xué)什么時候都不晚。

比如，谷歌大腦的研究員David Ha，在投入機(jī)器學(xué)習(xí)的懷抱之前，已經(jīng)做到高盛的董事總經(jīng)理 (MD) 了。

那么，各位也要加油啊。

Reddit討論版還有更多建議：

https://www.reddit.com/r/MachineLearning/comments/c3e9qu/d_those_who_hireinterview_for_machine_learning/