无人车MLE跳槽经验分享

个人背景
这次跳槽投了大约10家公司的MLE职位，主要集中在无人车领域和一些楼主自认为有趣的职位。 每天上班刷题看paper复习ML知识，度过了一个紧张的夏天。最终收获了两个offer。楼主比较懒，在收到心仪的offer以后就withdraw了剩下的面试。楼主有3年MLE工作经验，inspired by地里其他大佬的经验分享：instant.1point3acres.cn，instant.1point3acres.cn，想分享一些mid-level的无人车和MLE职位的面试经验。

Timeline
今年4月开始3天打渔4天晒网式的刷题，7月初开始找朋友内推，自己投简历，一边刷题一边电面。8月把onsite集中放在两周以内。最近签了offer。

面试流程和结果
楼主投了无人车不同的和ML相关的职位。Perception, Prediction, Planning, Simulation都有。主要也想通过和不同的组接触来了解一些行业动态。

楼主面完Apple, Cruise, Waymo,和小鹏的onsite以后收到了Cruise和小鹏的offer。楼主比较懒，拿到offer以后就把Snap，Nuro和Nvidia的onsite给取消了。最后去了Cruise，主要和HM聊得比较开心，做的东西挺有趣。其实还有其他很好的无人车公司还没有机会投，比如Zoox, Argo AI, Pony AI等。

Aurora: phone reject
TikTok: 简历挂
Cruise: phone -> onsite -> offer
Apple: phone -> onsite -> reject
Xpeng: phone -> onsite -> offer
Nvidia: phone -> withdrawal
Waymo: phone -> onsite -> reject
Nuro: phone -> withdrawal
Snap: phone -> withdrawal
Facebook/Google: withdrawal application, 投了1月才联系来不及了

换工作的想法从年初就有了，断断续续刷了几个月一直到7月份投出简历有了电面才开始紧锣密鼓地准备面试。面试机会来自于朋友内推，自己海投，和联系Linkedin上面之前connect过的猎头。无人车公司基本很快就回复了，Snap回复也很快。Facebook和Google过了一个月HR才联系我，所以就没继续了。Google投的是Project Starline，Facebook是AR/VR，Snap是general hiring，面过了可以选不同的做ML的组

MLE 面试，phone一般是ML + coding。60 min的面试前面15-20 min是问简历上的ML 项目，这部分比较简单如实回答就好了，涉及confidential的部分可以给面试官讲，然后跳过，不会问很深。不过楼主也遇到了第一轮电面聊着聊着就聊到最新的paper了，然后就开始畅谈扯淡了，1个小时扯完了居然又安排了一轮coding电面。。。楼主建议聊简历不需要花太多时间，除非面试官很感兴趣一直提问，否则会挤占后面写题的时间。Coding部分主要是LC medium类似的题，也被考过手写linear regression。Onsite一般如下：
Coding 2 轮
ML depth (ML design) 1 - 2轮
ML breadth (Fundamentals, model, techniques) 0 - 1轮
Behavior 0 - 1轮
System Design 0 - 1轮 (只有Snap遇到了，而且除了ML Design还有System design，不过楼主没面onsite)
楼主下面会分别详细讲一下每轮的准备

Coding面试

1. 这部分是最直接的了，就是刷题，按照section刷，重点刷DFS/BFS和Graph，个人经验无人车公司喜欢考察这部分知识。搜索算法还要掌握Dijkstra和A*。楼主参考了huahua的视频和他的分类。这里推荐下huahua的视频，确实做的很好。
2. 关于语言的选择，楼主遇到过公司点名要求使用C++，大部分都没有要求。但是个人认为做无人车行业的ML，Python 和 C++是必须的，工作内容也逃不开。
   

ML coding/modeling面试

1. 这一部分有可能出现在一轮coding里，也有可能出现在ML fundamental里
2. 考察内容主要是implement一个基础的ML models，可能会套一个problem solving的马甲，但是和面试官交流结束后基本都是手写model。这里楼主准备的时候用numpy手写（别调包，面试的时候应该不会允许）了kmeans, knn, linear regression, logistic regression, softmax regressions，用pytorch手写了一个简单的MLP和ResNet，这里有几个需要注意的地方：
3. Coding style可以学习sklearn的model，写一个class，implement fit, predict, loss etc. 这样写有助于break down the problem, 而且也给面试官展示出严谨的coding style。
4. 写的时候尽量不要用for loop，input 自己assume都是batch input，model里面用numpy实现matrix multiplication。用了for loop面试的时候也会被问到能不能优化。
5. 写MLP和ResNet主要是熟悉pytorch/numpy的API，楼主有一轮面试的时候面试官直接发来一篇paper的link，要求读其中一个section然后实现这个section里面的一个module。如果平常工作里不会每天写模型的话建议熟悉一下API。
   

ML depth (ML Design) 面试

无人车的ML主要集中在 Perception和Prediction，Planning有一小部分。最近Simulation也会有所涉及 （具体可以参考GeoSim）。

1. 这一轮可能会deep dive你的简历，一直问到你回答不出来，也有可能会让你设计一个ML模块。举个例子：要设计一个Prediction system。
2. 要明确设计的objectives和requirements，比如prediction可以是预测一个pedestrian未来5秒会不会停下，也可能是预测范围内所有agent的轨迹。需不需要预测agent的heading都是可以先提前和面试官沟通的。
3. 分开讨论每个步骤，这里我喜欢先讨论model input，output，data type，ground truth data collection，metrics，最后再讨论model selection。（几轮面试下来这部分反馈都很好，大家可以酌情参考）
   

这部分会被问得很细，举个例子楼主说可以用ResNet当feature extractor，面试官会顺便问ResNet有什么优点。
这里放一个楼主参考过的资料：github.com

这部分如果有经验的话其实不用怎么准备，如果没有的话推荐读一些高引用的paper，比如Lidar Perception的point cloud encoder: VoxelNet, PointPillar。Prediction的VectorNet等这里就不展开了，各个领域都有明星paper，具体要准备什么看自己感兴趣的岗位

ML breadth
剩下的就是八股文比武了，比如什么是Batch Norm，什么是regularization， overfit/underfit怎么区分，怎么避免，label imbalance怎么办（可以考虑focal loss），模型如果inference太慢了怎么办。这部分就是要看知识的广度了，如果实在不知道就只能说不知道了（楼主自己也遇到过，有些东西确实见过学过，太久不用也就忘了，诚实的说忘记了就好了）。这里放一个楼主自己看过的链接：
d2l.ai

其他也有很多网课可以学习，这里就不展开了。大家要是有啥具体的问题可以评论，我看看能不能比划比划。

Behavior面试
楼主认为这一轮自己准备的比较水，由于大部分面试onsite前都见过HM，走个流程。HM就选几个很常见的问题问一问，楼主就如实回答了，没怎么准备。可以参考地里准备香蕉厂BQ的帖子。

总结：

1. 个人认为Coding要求和SDE没有区别，会有medium/hard难度的题，也会有刚上来一头雾水很抽象的题。但是经过clarification和阐述自己的思路，一般都能得到Hint然后解决问题。
2. 自己用numpy手写常见的model很重要！楼主遇到过手写linear regression，k-means，读paper写module。
3. 针对不同职位可以适当做一些literature review，有助于ML Design。不需要SOTA，重点放在高引用的paper，理解初衷。（当然实际工作紧跟潮流还是很重要的，无人车行业日新月异，但是针对楼主这个级别的偏重engineering的职位的面试，个人认为这个不是必需的）
4. ML breadth可以找小伙伴一起mock一下，重点在于清楚流利的表达。
   

这是楼主第一次在地里发帖。这次面试在地里看了不少经验分享的帖子和面经，收获很大。这次面试完了以后也想着回馈地里。大家有什么问题可以评论，希望大家都能面试多多，offer多多。求加米。