Около двух месяцев назад мне позвонил рекрутер Google на роль стратегического облачного инженера (в основном евангелическая роль, продвигающая облачные сервисы Google) со следующими обязанностями.
● Предлагать эффективные решения для больших данных и машинного обучения, а также решать сложные технические задачи клиентов.
● Выступать в качестве надежного технического консультанта для наиболее стратегических клиентов Google.
● Выявление новых функций продукта и пробелов в функциях, предоставление рекомендаций по существующим проблемам продукта и сотрудничество с менеджерами по продуктам и инженерами, чтобы влиять на дорожную карту Google Cloud Platform.
● Предоставлять рекомендации по передовому опыту, учебные пособия, статьи в блогах и технические презентации, адаптированные к различным уровням ключевых деловых и технических заинтересованных сторон.
Мучительное ожидание завершилось третьим телефонным собеседованием, в котором стало ясно, что Google понятия не имеет, что такое машинное обучение, статистическое обучение и нейронные сети. Обледенение торта означало, что команда Google Cloud пытается заманить таланты, просто задавая вопросы (которые, по их мнению, имеют), связанные с искусственным интеллектом.
Первое интервью
Перед собеседованием. Я спросил о специальных навыках, необходимых для работы. Чтобы не возникло недопонимания, я специально спросил о глубоком обучении и нейронных сетях, и мне сказали, что они исключены из обсуждения.
Что такое функция активации?
Это был первый вопрос (явно связанный с искусственной нейронной сетью). Даже когда я пытаюсь сдержать раздражение, я подробно ответил на вопрос, приведя примеры Sigmoid и ReLU. Ни один из интервьюеров не возражал против этого вопроса! Мне пришлось подробнее рассказать о биологических и искусственных нейронных сетях.
Последний вопрос требовал написания кода - Напишите функцию для вычисления суммы всех узлов (или листьев) на заданном уровне. Довольно наивный вопрос, требующий менее 10 строк кода - мне потребовалось 20 минут, чтобы объяснить!
Мне нужно не только пробовать код, но и вводить значения переменных на каждой итерации. В коде не было ошибок, но время, необходимое для объяснения, заставило меня подумать, что я проводил собеседование в типичной сервисной компании.
Второе интервью было кратким и предметным - единственное приемлемое интервью. Интервьюер также работал инженером по стратегическому облаку и сказал мне, что для работы необходимо разбираться в решениях Google Cloud, которых было много, и он все еще открывает для себя новые.
Третье интервью
Интервью было ужасным, все 45 минут я продолжал открывать новые минимумы в стандартах вычислений в Google.
Учитывая выходные данные датчика (в массиве) за один день с регулярными интервалами в дни X и Y, как вы узнаете близость по отношению к сегодняшнему выходному сигналу Z?
Я начинаю со среднеквадратичной разницы и объясняю, что меньшее значение будет указывать на близость.
Есть ли проблемы с RMS?
RMS (среднеквадратическое значение) будет штрафовать за большие различия
Это не накажет, а только увеличит разницу
Первая лицевая ладонь - Да, и поскольку мы стремимся к меньшим различиям, увеличение разницы на самом деле будет означать штраф!
Есть ли другой способ?
Вы можете иметь среднюю абсолютную разницу, среднеквадратичную разницу, но без какой-либо другой информации о значениях массива я бы придерживался RMS.
Есть ли другой способ?
Я могу вычислить среднее значение, стандартное отклонение и дисперсию, чтобы найти близость
Это не нормальное распределение, это гауссовское распределение, вы не можете их найти!
Вторая лицевая ладонь - Нормальное распределение - это распределение по Гауссу, это разные названия одной и той же сущности.
Третья сторона-ладонь. И неважно, какой тип распределения массива, всегда можно найти среднее значение, стандартное отклонение и дисперсию.
Интервью продолжается, и интервьюер неоднократно лгает о фактах.
В конце собеседования, когда меня спросили, есть ли у меня какие-либо вопросы, я просто спросил: «Предполагалось, что это будет специализированное обсуждение машинного обучения, почему не было ни одного вопроса о том же? ”
И меня полностью потряс ответ интервьюера.
Первым вопросом о близости массива был вопрос машинного обучения!
Я попытался объяснить интервьюеру о статистике, статистическом обучении, машинном обучении и их различиях. Я даже пытался объяснить, что Евклидово расстояние происходит от геометрии и не имеет ничего общего со статистикой или машинным обучением.
HR должен был сказать вам, что…
То есть вы хотите сказать, что проводите оригинальное статистическое исследование как специалист по стратегическим вопросам?
Да, с Airbus мы делаем такие вещи каждый день
На этом этапе стало ясно, что Google позволил своим интервьюерам лгать! Интервьюер даже не понимает разницы между наукой и техникой.
Да поможет Бог Google…