Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

校招 | 图森未来首席科学家王乃岩教你写简历

眼下正值校招季,相信各位 AI 准毕业生们正在全力为自己寻找一份理想的工作。但是,你是否准备好一份很有说服力、能够分分钟打动 HR 及部门主管的简历呢?或者,你的简历被浏览数次却终未等来后续笔试、面试?明明很优秀,但是为什么投递简历之后就没下文了……

很有可能,你并没有掌握好简历写作的要领。以下全文为图森未来首席科学家王乃岩博士新作,首谈 AI 毕业生如何写作一篇好的简历。作为 AI 毕业生的你,不可错过。

什么才是一份好的AI求职简历?

写在前面

从15年加入公司以来,我本人深度参与了北京公司算法向的招聘工作,至少每一份进到面试的简历都有亲自看过。这短短三年间我也见证了AI行业和自动驾驶行业的爆发,从刚刚回国时一份相关简历难觅,到现在就算应届毕业生也都能有一两个相关的项目经验,收到简历的质量显著地变好。这三年间也算看过了上千份简历和面试总结,并亲自参与了上百场面试。在这个AI求职季,我希望能够站在用人需求方的角度,来和大家分享下在我们的眼中什么是一份好的简历。

基本背景

简历可能是候选人和公司第一次沟通的桥梁。对于用人方而言,自然需要了解候选人的一些基本情况,包括教育经历、主要研究方向和导师。然而我们发现,很多简历连这些最基本的情况都懒得着笔墨,而是把大量的篇幅留给一些客套的自我评价和毫无意义的特长爱好。公司要招的是工程师、研究员,而不是文艺委员、体育委员。爱好唱歌跳舞,乒羽全能并不能给简历增色一分,反而会让HR和面试官觉得十分空洞。

项目与比赛经历

第一点,切忌罗列关键字!HR和面试官希望能够在项目描述中看到的是候选人在整个项目中的工作,以及推进的流程和思考。因为掌握具体的技术是一方面,掌握对AI这种存在不确定性的项目的思考方式和把握更重要。候选人需要展示出对项目问题的深入理解和insight。举例感受一下:

一个不好的例子

本人项目中使用了YOLO,YOLO V3,SSD,DSSD,Faster RCNN,Deformable ConvNets等目标检测方法。

首先,这里一口气列出了这么多关键词,面试官可以在面试过程中深入考察任何一个方法,至少以我面试经验而言,极少能有人做到如此融会贯通。其次,这些关键词并不是同一个逻辑概念,例如Deformable ConvNets是针对前面这些目标检测的方法改进,而不是一个独立的方法。这样并列很容易让面试官怀疑候选人究竟有多了解这些名词。

一个好的例子】(请注意逻辑而不是具体内容)

本人首先尝试了YOLO等one stage检测器,但是因误检较多,后尝试了Faster RCNN,并加入了Deformable Conv增强尺度不变性,OHEM处理难样本。后续针对问题中XXX的特点,提出了YYY的解决办法。

这样一段描述就很有层次地描述出了项目的推进过程、遇到的问题和改进方案,以及自己提出的改进。

第二点,不需要事事巨细,把太多基础的、练手的项目写上。见过太多人把一些很简单的课程作业,或者MNIST分类作为实践项目写上。这种toy project不会对简历有任何加分,反而会让HR和面试官怀疑候选人没什么货还要硬凑。还有一部分同学试图把每一个细节写清,细致到参数怎么调试的。简历不是技术报告,而是对自身经历和能力的快速传达。

科研经历

不用说,科研是最直接可以展现实力的点了。除了像项目介绍说清基本内容之外,我们还希望准确无误地看到产出,也就是publication。当然,如果有顶会顶刊自然是最好,但是很多硕士由于时间的限制,很多paper没中或者投了一些稍差的会议。这本身无妨,但是不要刻意隐瞒自己的publication的名称和会议/期刊名称,例如在简历中写“发表SCI论文一篇”,这是一句毫无信息量的话,一方面已经默认这是一篇很水的paper,另一方面不利于后续面试沟通。没有peer review的paper,加入arxiv链接也是一个很好的选择。因为面试官对于真正有兴趣的paper会去提前查阅,并在面试中提出针对性的问题。

另外,很多候选人会在面试中以文章在投保密为由拒绝介绍工作详细内容,这在我看来是一个非常不好的态度。如果真的需要保密,可以根本不出现在简历上。一方面希望这成为简历的加分项,一方面又不信任面试官,以至于没法评估这样一个工作的价值是一个非常糟糕的事情。

实习经历

在当前AI的大环境下,一家一流公司的实习经历对于简历绝对是个加分项。除了上面写到的项目的注意事项外,我还希望能看到直接supervise的mentor是谁。你的mentor其实也是一个对你实习经历的背书,圈子确实不大,大家很可能都是熟人 :-)

格式与排版

这一点虽然不是核心,但是确实会影响面试官对于候选人的印象分。一份很干净的latex简历会比一份花里胡哨配色浮夸的简历更打动面试官的心;一份疏密有致的简历会比一页满满是字的简历读起来更轻松;一份条理分明的简历可以让HR在有限的时间里更好地抓住候选人的亮点。

另外很多候选人为了把简历压缩在一页内,极度压缩了空间。个人认为这是完全没有必要的,如果经历真是丰富到需要两页来写,也完全无妨。如果不是,请参考上面三点是不是在简历上写了太多没用的废话。

切忌简历造假以及打擦边球

这一点道理虽然谁都懂,但是仍然有很多同学抱有打擦边球的侥幸心理。例如,遇到过号称在某个Kaggle比赛中获得第一,但多次询问后承认是比赛结束后再提交的结果超过public leaderboard第一的;还遇到过宣称发表过某个CVPR paper,但是查证并不在author list中,询问后承认是准备在后续journal版本中加入的。

这些同学也许以为这些小聪明可以蒙混过关,但是大多数时候收效甚微。因为对于真正懂的人来说,这些造假的查证成本极低,只需要去Google下对应的网站就能验证。至少对于我们而言,发现这样不端的行为(严格意义上来说可能不算造假),会导致面试流程立即结束,无条件的reject,同时永远加入黑名单。所以奉劝各位动了这些小心思的同学,不要因小失大,简历上少一个项目经历并不会成为是被拒的根本原因,但是打这些擦边球却会是。

另外的一些 tips

关于 typo

虽然这个听起来挺不可思议的,但是我还是经常在简历中见到各种typo。有关于技术名词拼写错误的,还有,更有甚者在客套话里把公司名字写成别的公司的。虽然这些都不会成为被拒的直接原因,但是印象分在面试官那里就会大打折扣。毕竟简历是候选人和公司沟通的第一道关,一到两页纸的东西写完都懒得读一遍,之后工作上又能有多负责呢。

投递之前一定要看详细的JD描述!

这一点有不少同学都忽略了,很多候选人对着岗位名称猜测,而没有认真去看看这个岗位具体的任职资格和工作内容。举一例,我司有一个职位叫做“深度学习框架研发工程师”,本意是针对mxnet、pytorch这样的DL框架做定制化开发的,但是收到了很多完全没有相关经验的简历(也许看到深度学习就默认是做算法研发了)。我司的HR一般会比较负责转到相应合适的岗位,如“感知算法工程师”下,但是据我了解,也有很多大公司会直接拒掉这样不合JD的简历。如果是因为这样的原因被拒就十分不值得了。

最后,祝愿大家能在这个求职季找到称心如意的工作,尤其是考虑一下我们图森哈。

如需转载请联系作者,并且保留全文内容!

岩归正传
岩归正传

TuSimple · Chief Scientist 王乃岩博士关于机器学习与计算机视觉的技术实践与分享

理论图森未来王乃岩
相关数据
图森未来机构

图森未来(NASDAQ:TSP)于2015年9月成立,在中国、美国设有研发中心,员工超过1000人。2021年2月,图森未来完成超过4.15亿美元的E轮融资。4月,图森未来正式登陆纳斯达克挂牌上市,成为全球无人驾驶第一股。

http://www.tusimple.com
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

SSD技术

一种计算机视觉模型。论文发表于 2015 年(Wei Liu et al.)

YOLO技术

YOLO 模型最早是由 Joseph Redmon 等人在 2015 年发布的,并在随后的两篇论文中进行了修订。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

目标检测技术

一般目标检测(generic object detection)的目标是根据大量预定义的类别在自然图像中确定目标实例的位置,这是计算机视觉领域最基本和最有挑战性的问题之一。近些年兴起的深度学习技术是一种可从数据中直接学习特征表示的强大方法,并已经为一般目标检测领域带来了显著的突破性进展。

暂无评论
暂无评论~