本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

做機器學習工程師，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律。

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

一個叫做AdditionalWay的網友，在Reddit提出了這個直擊靈魂的問題，引發了大量討論，兩天熱度已經超過500。

討論版上，有許多人提出了中肯的建議：

工業界需要的技能

有位叫做po-handz的網友，他發表的意見收獲了80分的高贊同，占據了評論區的頂樓：

把自己的項目投入生產環節 (launch into production) ，就能超越99%的應屆生，也能超越大部分在位的ML工程師了。

對此，有人 (moravak) 表達了墻裂贊同：

這個“大部分”，其實就是≥99.9%。

頂樓又補充說，很多人就算讀到博士畢業，可能也沒有自己把一個項目做到生產環節的經驗。

那么，怎樣才算有這樣的經歷呢？

網友 (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可以調用之類的。

當然，做起來并不是一句話的事，頂樓詳細描述了，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，加載在服務器的RAM上。還要接受新輸入的數據。這些數據，要和測試數據的格式保持一致，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，預算能支持么？時序數據怎么辦呢？你需要一個連續更新的模型，還要一直跟蹤調參。除此之外，你需要一個實時的、可維護的數據管道 (data pipeline) 。搞這個，比處理一個清晰干凈的數據集要難多了。最后的最后，你還需要一整套UI，網站，nginx堆棧，要做成用戶友好的樣子。

別說是剛畢業的博士，許多有經驗的數據科學家也對這些東西一竅不通，因為他們可能只在自己專業的領域里工作，都是別人把干凈的數據集交到他們手上。

你如果在這點上打贏他們，對企業來說就有更高的價值了。

簡歷不要踩雷

訓練實用技能，只是一方面。

如果不想在簡歷篩選環節見光死，網友 (rudiXOR) 在一家“正在招聘ML工程師的中型企業”，總結了十大雷區，供大家參考：

第一，拿著一大堆MOOC證書。沒用，我試過，quiz一路點下去誰都做得到。第二，對Kaggle成績過于自豪。許多大學生都參加過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。第三，去了3個月訓練營，從PCA到LSTM，幾乎所有ML技術都修煉到了。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，沒有再嚴肅點的項目了。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，沒有證明自己的數學/統計學知識水平。第十，沒有軟件開發的經歷。

就算前九條你都忘了，也可以嚴肅地參考第十條。網友在細數了雷區之后強調：

如果你是自學的，不要一上來就投數據科學家，或者ML工程師。可以先申請數據分析師，或者軟件工程師。如果是自學ML，又沒有軟件開發的經歷，我是不會請你的。

參考前文，如果沒有讀過博士，就要比博士多點工業界的經驗才更有利。

One More Thing

不過，自學什么時候都不晚。

比如，谷歌大腦的研究員David Ha，在投入機器學習的懷抱之前，已經做到高盛的董事總經理 (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/