如何從哀鴻遍野的秋招中脫穎而出？
這是一位演算法部門面試官秋招後的思考，小編覺得是目前的真實現狀，值得分享給大家一讀。讓大家知道如何「卷贏」？一起來看看吧！
秋招馬上結束，部門的秋招將近尾聲了，這段時間每天相當一部分的工作就是看簡歷、面試，以及整理朋友推薦過來的簡歷。昨天跟HR交流，感知部門一共收到了230多份校招簡歷，但部門校招hc一共才 3個，最終發了6個意向書（1 : 2）。被篩掉的簡歷中，有將近20份是清北碩博， 985 高校院校的簡歷粗略估計能佔到50％一 60%，這個佔比只是我看過的簡曆數據作為樣本。可能有一些簡歷在HR那一關被pass掉了，我沒有看到。整個秋招有一些思考，分享給大家。
如何脫穎而出？
如果僅從數量看，目前整個行業的供需狀況是供大於求，但如果從品質看，恰好翻過來，是供小於求。也就是說，目前自動駕駛人才基數已經上來了，但品質還有待提高。以感知部門面試的情況來看：
大多數求職者熟悉深度學習，在開源數據集上跑過主流的視覺或者點雲演算法，這些都已經是求職門檻的標配了，如果止於此，那就是芸芸眾生的一份子了，不太可能拿到 offer 。
想要拿到 offer ，求職者還需要具備什麼技能呢？
1、發現問題以及思考問題的能力
舉個例子來說，CenterNet 模型在 KITTI 上跑檢測，我們發現了哪些問題？通過重點關注檢測結果中的漏檢和誤檢的case，發現漏檢的原因有物體中心被遮擋、物體距離相機較遠（導致影像中物體尺寸較小）、多個目標聚集、訓練數據集中少見的目標類別；發現誤檢的原因是物體位於影像邊緣，只有部分可見。
發現了這些問題之後，接著思考為什麼演算法對這些case無法正確識別，是演算法設計的缺陷，還是樣本有偏。
2、解決問題的能力
通過第一步發現問題並深度思考問題之後，接下來就要想辦法改進演算法了，或者調整演算法如何適用於自動駕駛感知的場景。達到這一步，專利或者論文都是隨之而來的附加成果，也可以作為是否具備解決問題能力的量化指標。
3、工程化的能力
演算法最終是要落地的，只要演算法落地就會受制於硬體平台的存儲、算力等因素制約。平時在學校發論文時，可以不用考慮演算法的部署，但企業是必須要考慮的，並且其重要性要高過演算法的精度。
因此，希望大家不要對演算法的原理以及精度過於執著，可以抽出時間想一想模型的壓縮、加速，比如學習一下 TensorRT 等。
舉個例子來說， pointPiIIar 作為較為知名的 30 點雲檢測演算法，其速度62Hz ，處理一幀點雲約16.13ms ，自動駕駛場景中可能需要我們在某款晶片上優化到 3-5ms ，這塊工作目前大量缺人，但真正懂的候選人寥容無幾，只能靠獵頭挖。
學校背景重要嗎？
當然重要，但並非絕對。今年發出的6份意向書中，有1位同學是普本211碩士。
建議學歷背景不好的同學一定要找熟人內推，內推也分為很多種，有些人內推就是將簡歷提交到系統，有些內推是直接讓內部員工找到那個部門的leader ，詳細說一下這位同學的優點，並極力爭取一個面試的機會。那麼問題來了，如果你學歷背景不突出，並且不認識圈子內的工程師的話，怎麼辦？只能說「涼拌」。
每個行業都是一個圈子，除了打鐵需要自身硬之外，還需要社交，多結識一些同行。機遇總是留給有準備的人，之前每一步的努力都為此刻的綻放貢獻了一縷絢麗的煙花。
最後，建議每位在校同學多了解企業用人需求，未來的人才畫像會越來越向多元化發展，演算法與工程能力，兩者缺一不可。沒有演算法工程師，也沒有開發工程師，都是 engineer 。
致力於打造中國一流前沿科技學習交流平台，目前已有數萬名夥伴在深藍學院平台學習，其中不乏北大、清華等海內外知名院校夥伴。
