<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Ethen Tsao on Medium]]></title>
        <description><![CDATA[Stories by Ethen Tsao on Medium]]></description>
        <link>https://medium.com/@tsaolin?source=rss-823a4d744fcf------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*psd6FgdEcHdGv4tq9PwTyA.png</url>
            <title>Stories by Ethen Tsao on Medium</title>
            <link>https://medium.com/@tsaolin?source=rss-823a4d744fcf------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 15:43:11 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@tsaolin/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[【乾貨滿滿】2024 New Grad in Machine Learning | Computer Vision | Robotics 北美正職面試經驗分享]]></title>
            <link>https://medium.com/@tsaolin/%E4%B9%BE%E8%B2%A8%E6%BB%BF%E6%BB%BF-2024-new-grad-in-machine-learning-computer-vision-robotics-%E5%8C%97%E7%BE%8E%E6%AD%A3%E8%81%B7%E9%9D%A2%E8%A9%A6%E7%B6%93%E9%A9%97%E5%88%86%E4%BA%AB-e11c8882dbc7?source=rss-823a4d744fcf------2</link>
            <guid isPermaLink="false">https://medium.com/p/e11c8882dbc7</guid>
            <category><![CDATA[usa]]></category>
            <category><![CDATA[full-time-jobs]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[interview]]></category>
            <dc:creator><![CDATA[Ethen Tsao]]></dc:creator>
            <pubDate>Wed, 09 Oct 2024 18:54:13 GMT</pubDate>
            <atom:updated>2024-10-09T20:24:31.649Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fep61Z8U3hx7-GtFRtCEhw.jpeg" /><figcaption>My next chapter in Seattle 🤖</figcaption></figure><blockquote><strong>前言：為何寫這篇文</strong></blockquote><p>Hi 大家好，我是 Ethen，六月剛從 <a href="https://ece.ucsd.edu/faculty-research/ece-research-areas/intelligent-systems-robotics-control-impacted">UCSD 的 MS ECE — Robotics</a> 畢業，現在準備在西雅圖的 <a href="https://carbonrobotics.com/">Carbon Robotics</a> 擔任 Deep learning Engineer 做關於 Computer Vision 的工作。身為 2024 的北美 New Grad，相信大家在這陣子都遇到了找工作的挫折期，而我也不例外。從 2022 年底開始，科技業面臨寒冬，很多面試的標準也提高了不少，因此北美找工市場的資訊也需要更新。曾經我也是在許多學長姐的經驗分享中受益 + 網路上並沒有很多有關於 Machine Learning (ML)/Computer Vision (CV)/Robotics 近兩年來的求職經驗分享，因此這篇文章涵括了我這兩年在美國求職的心得 (成功 + 失敗案例)，<strong><em>會詳盡帶大家順過 一小時的面試內容 </em></strong>並且提及<strong><em> 一些面試技巧</em></strong>，希望能幫助到 <strong><em>未來想要申請國外 ML/CV/Robotics 專業的學弟妹</em></strong>，或是還在<strong><em>水深火熱的求職者們</em></strong>，能夠對市場上的境況有更多的了解。也希望<strong><em>藉由這個文章多結交人脈</em></strong>，分享資訊，因此歡迎交流討論！</p><blockquote><strong>大綱</strong></blockquote><pre>1. 求職背景<br><br>2. 找工時程<br><br>3. 面試經驗分享<br>  3.1 Introduction<br>  3.2 Coding Interview<br>  3.3 Resume Deep Dive<br>  3.4 Domain Knowledge<br>  3.5 Machine Learning System Design<br>  3.6 Behavioral Questions<br>  3.7 Q&amp;A<br><br>4. 心態<br>  4.1 面試前心態<br>  4.2 面試中心態<br>  4.3 面試後心態</pre><blockquote><strong>1. 求職背景</strong></blockquote><pre>Education<br>- UCSD MS ECE in Robotics (EC80) (Sep. 2022 - June 2024)<br>- NTU EE B06                     (Sep. 2017 - June 2021)<br><br>Intern Experience<br>- 北美華為研究院 Futurewei Technologies, Computer Vision Research Engineer Intern @Austin, TX      (Aug. 2024 - Oct. 2024)<br>- 灣區機器人新創 Anyware Robotics, Perception Engineer Intern @Fremont, CA                         (Jan. 2024 – May 2024 )<br>- 北美華為研究院 Futurewei Technologies, Computer Vision Research Engineer Intern @Santa Clara, CA (June 2023 - Sep. 2023)<br><br>Publications<br>- Face Anti-Spoofing project, co-first @ICME, 2022<br>- Masked Face Recognition project, co-first @ICCE, 2022<br><br>最終上岸<br>- 西雅圖機器人新創 Carbon Robotics, Deep Learning Engineer @Seattle, WA</pre><p>在進入面試分享時，想先簡短提一下履歷的部分，因為需要先過履歷關，才有後續的面試。因此履歷關無法通過的話，那必須先從履歷去調整，確保能拿到面試再說，有機會的話會我再分享如何增加拿到面試的機率。在這段找工作期間，我覺得北美 ML/CV/Robotics 市場主要會看四點 (也是履歷通常會展現的格式)：</p><ul><li><strong><em>學歷</em></strong></li><li><strong><em>工作經驗</em></strong></li><li><strong><em>研究發表經驗</em></strong></li><li><strong><em>Side Project</em></strong></li></ul><p>若以重要性程度來說，我認為 <strong><em>面試職位內容相關的工作經驗/Publications 是最重要的</em></strong>。第一是因為<strong><em>有相關的工作代表這個專案 scope 夠大，展現了你的專業能力</em></strong>，並不是很淺的 course projects；第二是<strong><em>突顯了你是有相關的合作經驗</em></strong>。基本上面試官都會與我討論工作或是研究經驗內容，甚至會從這些內容提問一些 future work，比如說把原來的 Object Detection Model 換成另一個模型的優劣分析，或是若有更多時間會怎麼打算提升系統的性能等等。</p><blockquote><strong>2. 找工時程</strong></blockquote><p>由於在 2023 求職 Intern 時受到教訓，這次我<strong><em>只專注於投遞 ML/CV/Robotics 相關的工作</em></strong>，同時也是我有興趣/擅長的職缺，反而大幅增加拿到面試機率。以下是統計數據，其中我在 Jan. 2024 — April 2024 比較專注在 Anyware Robotics 的實習，因此就先暫停找工 (雖然最後 Anyware Robotics 並沒有給我 return offer，但這段新創經歷也讓我提高拿到新創公司面試的機率)。</p><pre>統計期間：2023 Fall - 2024 Fall<br><br>投遞職缺數量：1400+<br><br>Recruiter reach out 數量：30+<br><br>進入技術面試數量：18<br><br>進入 final rounds 數量：3<br>- TikTok, Machine Learning Engineer<br>- Anyware Robotics, Perception Engineer Intern<br>- Carbon Robotics, Deep Learning Engineer<br><br>拿到 offer 數量：2 (TikTok 拿到 verbal offer 後就被 ghost 了)<br>- Anyware Robotics<br>- Carbon Robotics</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*OGIe-B-I1rRbm9mi.png" /><figcaption>My first US Robotics Startup experience: Anyware Robotics</figcaption></figure><blockquote><strong>3. 面試經驗分享</strong></blockquote><blockquote><strong>3.1 Introduction</strong></blockquote><p>所有面試的暖場，大概可以準備 <strong><em>一分鐘 </em></strong>的自我介紹，我認為這邊可以突出的地方是思考<strong><em>如何讓自己與公司還有這個職缺做連結</em></strong>。因此通常我進行自我介紹的脈絡會是如下：</p><ul><li>說明自己的學歷/最近一次的職位，以及自己擅長的領域（e.g. Computer Vision/Robotics)</li><li>簡單講述每一個經歷做的內容，大概一兩句就好</li><li><strong><em>為何想來這間公司，強調自己是個最合適的候選人</em></strong></li><li>感謝這次的面試機會，表達積極友好態度</li></ul><p>我覺得第三點主動講出來蠻重要的，老實說自己的經歷在履歷上面，面試官多多少少都會知道了，因此才來找你面試。而第三點反而表達出<strong><em>自己是對這個公司很有熱忱，並且展現了自身的好奇心</em></strong> (代表有做功課研究公司），也可以讓自己<strong><em>增強面試的掌握感 </em></strong>(心裡上會覺得自己是公司的一份子)。當初我有面試一間做無人機的公司，在講到第三點之前時面試官都沒有太多的情緒起伏，而我提到為何我是他們公司的最佳人選時，面試官突然坐正並且很認真的聽我說話❗因此我認為這是一個很可以展現個人魅力的環節。</p><blockquote><strong>3.2 Coding Interview</strong></blockquote><p>隨著 AI 的興起，許多人在討論 Coding Interview 是否愈來愈沒有它的價值性，然而現實是在面試 Software/Machine Learning/Robotics 等職缺時，這仍是一個必須面對的環節，展現自己的軟體扎實底子。網路上不乏許多教學文，在這邊我想要<strong><em>側重在如何系統性地回答一次 Coding Interview，分為LeetCode Coding 以及 Machine Learning Coding，</em></strong>大家可以參考參考。</p><blockquote><strong>LeetCode Coding</strong></blockquote><p>當初在練習 LeetCode Coding 時，我有與朋友一起組個讀書會練習。由於現在解題的大標準是 <strong><em>25 ~ 30 分鐘解答出一題 medium ~ hard 問題</em></strong>，為了保持面試的流暢性，我們有一起思考一個 LeetCode Coding 模板並內化在腦中。格式如下：</p><ul><li><strong><em>題意確認 (~5 min)</em></strong>：包含題目理解，input/output 的資料型態與constraints，還有能想到的 corner cases 處理。</li><li><strong><em>思考 (~1 min)</em></strong>：確定了解題目後，我個人習慣會與面試官說需要 <strong><em>一分鐘 </em></strong>安靜思考，覺得可以讓自己保持冷靜更容易想到解法外，也可以梳理思緒，更有系統地與面試官交流自己的解法。</li><li><strong><em>演算法講解 (~5 min)</em></strong>：以 high level 概念為主，配合 pseudo code 或是視覺化表格/圖 (在遇到 Tree, Graph, Dynamic Programming 等問題很好用)，讓面試官清楚知道自己的思路。</li><li><strong><em>複雜度分析 (~1 min)</em></strong>：主動詢問是否要先分析時間與空間複雜度，在真正coding 之前確認這個算法是否需要優化。如果面試官希望有更優的解法時，會在這邊讓你分析現有的解法複雜度，確認沒問題後，再提出要優化的需求。</li><li><strong><em>Coding (~10 min)</em></strong>：個人心得是其實真正會花在 coding 的時間並不是很多，原因是在 <strong><em>演算法講解 </em></strong>時就要將自己的思路梳理非常清楚了，在熟透資料結構與演算法的情況下，這個 part 只是把它實現出來而已。如果突然忘記語法時，我認為可以大膽詢問面試官是否可以讓你上網查一下如何使用，只要不要忘的太誇張就好。</li><li><strong><em>Testing (~5 min)</em></strong>：有些公司會使用 Hacker Rank 讓你直接寫 test cases 跑代碼，或是與 Google 面試時會用 plain text 的方式讓你手動去跑 test cases，看你逐條分析自己的代碼正不正確。若是遇到 bug 時會緊張是一定的，不過冷靜一下說不定會讓危機成為轉機，展現自己的 debug 能力。因此我們可以在寫 test cases 時先用 <strong><em>簡單的測資 </em></strong>作為輸入，遇到錯誤時 <strong><em>使用 print 將定義的 variables 打印出來</em></strong>，看看是否是自己預期的數值。總之就是能夠一次通過很好，但是遇到一些小 bug 也不用太緊張，這是非常正常的現象。</li><li>補充一點，我偶爾也是會遇到那種面試官出的題目很難，而我怎麼也無法知道解法的情況。這種時候我目前的想法就是<strong><em>不斷地與面試官保持溝通</em></strong>，告知他我目前遇到的問題，還有我觀察到的題目性質 (e.g. 與面試官說，因為這題是在解類似怎樣的問題，因此我覺得是不是要用 Dynamic Programming/Graph 等等演算法），看能否套出一些線索。<strong><em>如果網上有人知道怎麼破這種僵局的，再多多向你們請教了！</em></strong></li></ul><blockquote><strong>Machine Learning Coding</strong></blockquote><p>我認為面試 MLE/ML Research Scientist 這是會比 LeetCode Coding 更容易出現的面試考題，考察的是你是否對 <strong><em>ML 的基本 component 原理很熟悉並且擁有實作能力</em></strong>。常見的考題像是手寫 Convolution, Multi-Layer Perception (MLP), Gradient Descent 等等 (這都是我遇過的)，面試官通常會要求你使用 NumPy 作答。這邊分享兩個 GitHub 網站給大家做練習：</p><ul><li><a href="https://github.com/alirezadir/Machine-Learning-Interviews">Machine-Learning-Interviews</a></li><li><a href="https://github.com/ghimiresunil/Implementation-of-Machine-Learning-Algorithm-from-Scratch">Implementation-of-Machine-Learning-Algorithm-from-Scratch</a></li></ul><p>此外，有時候面試官還會 <strong><em>把 ML Coding 包裝成 Class 設計</em></strong>，最常見的就是要求你寫一個 Dataset 的 Class 要能夠處理 Imbalanced Data Sampling，光是這題我就在兩個不同的公司面試遇過。至於如何回答的部分，我認為就像是剛剛我提到的 LeetCode Coding 很像，步驟為 <strong><em>1. 確認問題 2. 講解演算法 3. 實作演算法 4. 測試</em></strong>。</p><blockquote><strong>3.3 Resume Deep Dive</strong></blockquote><p>通常這會是大家最熟悉的環節，也是面試官對大家最感興趣的地方。由於大部分面試者都會對自己的專案很熟悉，因此我認為要展現自己的優勢可以掌握下面三點：</p><ul><li>清晰的表達</li><li>履歷專案與現在職位的關聯程度</li><li>履歷專案的 scope 大小</li></ul><p>我個人會 <strong><em>準備一份 ppt 講述自己的專案內容</em></strong>，每個內容會 <strong><em>花五頁左右storytelling 所做的事情</em></strong>，可以想像自己是新創公司老闆，如何 pitch 自己的產品 (專案）。介紹的脈絡，我會 <strong><em>先提及 Why (為何要做這個項目)</em></strong>，表明了專案的動機以及 scope 大小，讓面試官覺得這並不是一個簡單的 toy project 而是真的有商業價值；<strong><em>再來講述 What (要開發什麼東西)</em></strong>，才能解決剛剛描述的問題。<strong><em>最後再提及 How (怎麼做到)</em></strong>，用 high level 的概念描述自己的做法，如果面試官對任何環節有興趣的話，就會自己插話了解細節，因此在敘事的時候儘量以大方向為主。</p><p>舉例來說，以下用 ppt 講解我大學期間發表的口罩人臉辨識論文：</p><ul><li><strong><em>Why</em></strong>：在這邊提及了為什麼要做這個專案，勾起面試官的好奇心。而在這邊的例子是因為 Covid-19 的盛行，導致原先的人臉辨識系統表現很差。</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CM4uG2zwdmFxzaWXClyOEA.png" /></figure><ul><li><strong><em>What</em></strong>：說明我要開發什麼東西解決所提出的問題。在這邊的例子是要開發一個能夠在人臉上有口罩的情況下，還能夠正確地執行人臉辨識系統。</li><li><strong><em>How</em></strong>：說明自己要怎麼解決這個問題 。我在這裡講述了我的模型架構，在講解過程中要解釋為什麼這個模型可以 work，面試官可能會問很多細節，因此需要非常熟悉內容。</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EvChyqhzHg3TqyBSXzhOnA.png" /></figure><blockquote><strong>3.4 Domain Knowledge</strong></blockquote><p>顧名思義，就是考察看看你對於技術了解的深度與廣度，這邊可以分為 <strong><em>ML/CV/Robotics 的 Domain Knowledg</em></strong>e。在 ML 領域內的 Domain Knowledge 就是熟悉 ML 基礎知識，網路上也有很多教學資源了，可以打上關鍵字 “ML 面試高頻題” 會有人整理面經在 GitHub or 知乎等等，常見的考題可以參考我朋友 <a href="https://medium.com/@Chinlun_15809/2024-summer-mle-as-internships-6464fc937165"><strong><em>Allen 的文章</em></strong></a><strong><em> </em></strong>與<strong><em> </em></strong><a href="https://medium.com/@willson310116/%E5%8C%97%E7%BE%8E-2024-software-engineer-%E6%89%BE%E5%B7%A5%E5%BF%83%E5%BE%97-811c325a24aa"><strong><em>Wilson 的文章</em></strong></a> 。在這邊我想要特別跟大家聊 CV/Robotics 的 domain knowledge，我認為如果自己本身對 CV/Robotics 領域很有熱忱的話，這是一個讓你展現平時刻苦努力學習的環節，因此據我觀察在北美大部分與 CV/Robotics 相關的公司業務如下 (歡迎大家補充！)：</p><pre>- Image Segmentation<br><br>- Object Detection<br><br>- Object Tracking<br><br>- 3D Reconstruction<br><br>- Multi-View Geometry<br><br>- Camera Calibration<br><br>- Pose Estimation<br><br>- Multi-Modal Model<br><br>- Generative AI</pre><p>這些是 job description (JD) 會提及的技術關鍵詞，<strong><em>因此可以針對 JD 所提及的內容多去研究，確保自己的技術細節都大致瞭解了</em></strong>。而需要了解到什麼程度，我能掌握的就是基本的知識要能夠理解 (可以去問 GPT 了解一下或是看文章等等)，至於那些考太細的東西就只能隨機應變了。這邊我想要特別提及Perception Engineer 這個職缺內容，也就是在機器人領域的 CV。由於 Perception Engineer 很多時候會親自操作相機做校正或是資料擷取，因此針對 Traditional CV 的熟悉度還是非常重要的，甚至在有一些 task 時使用深度學習並非最適合的方法。這邊我推薦 <a href="https://fpcv.cs.columbia.edu/"><strong><em>First Principle of Computer Vision</em></strong></a><strong><em> </em></strong>這堂課，裡面講了常用的 Traditional CV 方法，這個網站也是 <a href="https://mujin-corp.com/">Mujin (一間 AI 機器人公司)</a> 的 HR 在技術面試前推薦給我的學習內容。</p><blockquote><strong>3.5 Machine Learning System Design</strong></blockquote><p>這個環節就是測驗你能否給出一個完整的 Machine Learning Pipeline，舉例來說 “請告訴我如何建構一個物件偵測系統預測農作物”。我練習時是參考兩個網站 <a href="https://huyenchip.com/machine-learning-systems-design/toc.html"><strong><em>Machine Learning Systems Design</em></strong></a> 以及 <a href="https://www.youtube.com/watch?v=TkpWUf-mp08"><strong><em>Huahua ML System Design</em></strong></a>，再加上以往的研究經驗，基本上腦海裡就會有個模板來回答問題，其實蠻像是在寫一篇 ML 論文會出現的格式，回答順序如下：</p><ul><li>Problem Clarification</li><li>Data Collection</li><li>Feature Engineering</li><li>Model Design</li><li>Model Evaluation</li><li>Deployment &amp; Monitoring (我偏向算法職缺，因此較少回答到這裡)</li></ul><p>接下來開始一一講解每個 bullet points 會要注意的地方，詳細的可以看我剛剛分享的兩個網站：</p><blockquote><strong>Problem Clarification</strong></blockquote><p>要很清楚知道面試官的要求，這時候我會主要確認 <strong><em>Goals (希望達到什麼目標)</em></strong>，有沒有 <strong><em>Performance Constraints (模型要多好多快)</em></strong>，確認 <strong><em>Evaluation Metrics (訓練跟測試的衡量指標)</em></strong> 等等。</p><blockquote><strong>Data Collection</strong></blockquote><p>在不同的 case study 下會有不同的資料採集方式，<strong><em>除了使用網路上的 Open Source Dataset 外，業界通常都需要自己去採集資料</em></strong>。以機器人公司來說，常見的資料採集方式會使用 Stereo Cameras or LiDAR 等設備，採集 RGB images, depth images, 3D point cloud 等等，這時候就可以跟面試官討論使用哪種設備去採集比較好。大部分時候都會有 imbalanced data 的情況，因此也要另外想辦法處理，如果是以算法端的話可以使用 data augmentation 或是相關的 loss function 彌補這部分，當然業界有 <strong><em>其他 customized 的處理方式 </em></strong>就可以跟面試官討論看看。</p><blockquote><strong>Feature Engineering &amp; Model Design</strong></blockquote><p>通常我會將這兩個部分濃縮在一起講，我覺得也是整個 ML System Design 最核心的地方，主要就是提出一個方法去解決剛剛所描述的問題，可以是單一個模型直接解決，或者是包含好幾個模型的大系統。我個人傾向會回答<strong><em>自己比較熟悉的模型，這樣子被挖深細節時才比較不會被考倒</em></strong>，因此平時對於技術的深度與廣度在這裡非常重要。常見的幾個 keypoints：<strong><em>選擇合適的模型 (e.g. 使用 YOLO or DETR)、訓練的 loss function (e.g. Cross Entropy Loss)、訓練時的 optimizer (e.g. Adam)、測試時的 metrics (PR-Curve) 等等</em></strong>。當然每一個 keypoints 都不只一個方法可以用，因此可以跟面試官<strong><em>分析每個方法的優劣</em></strong>，不但展現了自己的知識水平，也展現了自己的細膩，如果能講出讓面試官不會的新知識也真的超加分。</p><blockquote><strong>Model Evaluation</strong></blockquote><p>這時候面試官會去 <strong><em>假設如果你的模型表現不好會該如何解決</em></strong>，常見的例子像是若遇到 Over-Fitting 該怎麼處理。此時可以先自己稍微講一下 Over-Fitting 的定義，接著講一些解決的方法 (e.g. Regularization, Data Augmentation, Dropout, etc)。除此之外，也是會有一些比較 customized 的問題，像是如果要提升某個種類的 Recall 可以怎麼做、面試官絞盡腦汁想各種 corner cases 該如何處理等等。</p><blockquote><strong>Deployment &amp; Monitoring</strong></blockquote><p>就如我前面說的，我對於這部分的準備不夠，可能在開發崗位的 MLE 會比較有多相關經驗，就留著讓大家自己去探索～</p><blockquote><strong>3.6 Behavioral Questions</strong></blockquote><p>老實說我大部分的面試少有單獨一輪考我 Behavioral Questions，基本上都是穿插在其他面試中，而我認為 <strong><em>對於新創來說，他們十分看中 Behavioral Questions</em></strong>，因為辦公室人數少，該找一個氣場很合的同事吧！我比較被常考的考題如下：</p><pre>- How much do you know about our company?<br><br>- Why should we hire you?<br><br>- What are your strengths and weaknesses?<br><br>- What is your ideal career path?<br><br>- What are the important factors for you when seeking a job?<br><br>- Explain the project you are most proud of.<br><br>- Do you prefer working at a startup or a big tech company and why?</pre><p>我的 Behavioral Questions 有時候也是講得蠻卡的，不過我覺得能夠 <strong><em>系統性、條例性 </em></strong>地表達自己的觀點在這個環節很加分。舉例來說，當我被問到 “What are the important factors for you when seeking a job?”，我會回答 “There are three main factors I value. First, <strong><em>the role itself</em></strong> — I’m specifically looking for a position related to ML/CV, which aligns with my skills and interests. Second, <strong><em>I value the company’s growth potential</em></strong>. Your company’s work on [specific product or area] resonates with my vision, and I see great potential in it. <strong><em>Third, I care about company culture</em></strong>. The dynamic and adventurous spirit of your company excites me, and with my prior experience in startups, I believe I would be a strong fit as a candidate.</p><blockquote><strong>3.7 Q&amp;A</strong></blockquote><p>面試結束前都會有時間讓面試者向面試官提出問題，我認為好的問題可以加分，因為可以看出面試者 <strong><em>對求職的積極程度，以及對於這個公司的好奇心</em></strong>。因此我統計了一些基本的問題以及有機會跟面試官更深度交流的問題：</p><pre>基本問題，通常請 HR 回答<br>- What is the hiring process like?<br>- Do you offer sponsorship (H-1B/Green Card)?<br>- What is the expected onboard date?<br>- Can you tell me about the team structure?<br>- What kind of person would be a good fit for your team?<br><br>牽涉到技術/公司發展有關的問題，可以請 技術面試官/Hiring Manager 回答<br>- What will my responsibilities be at the company, and what skills are most needed for this role?<br>- What is the biggest challenge the team is currently facing?<br>- Do you have any advice for me to prepare for the next interview?<br>- What are the company’s current technical strengths and weaknesses?<br>- What are the current goals of the team in the short, medium, and long term?</pre><p>當然，沒有規定說哪些問題只能問哪些人，就看大家怎麼彈性使用。而面試當下也會有其他比較有興趣的問題想要問面試官，比如貴公司在做自動駕駛是用什麼模型、在處理什麼 cases 的情況下遇到的這個問題如何解決等等，就看當下的狀態臨場發揮。</p><blockquote><strong>4. 心態</strong></blockquote><p>感謝大家看到這邊，真是辛苦大家了。上面講了很多技術的內容，在這邊我想要分享一些面試的三個心態，分別是 <strong><em>面試的 前/中/後 心態。</em></strong></p><blockquote><strong>4.1 面試前心態</strong></blockquote><p>由於在 ML/CV/Robotics 的領域需要較多的研究背景，因此各位的競爭者多數會是 PhD 或是 senior-level engineer，再加上未來 AI 也會慢慢取代初階工程師 ，因此 <strong><em>在面試準備時我覺得需要讓自己擁有 mid-level 到 senior-level 的心態</em></strong>，要思考能為公司帶來什麼貢獻，展現積極的領導力以及好奇心。</p><p>增強領導力的方式，可以藉由自己的經驗輔導學弟妹，或是在各大平台分享自己的學習心得等等，都是不錯的練習。至於培養好奇心的部分，我認為在 AI 產業可以了解有興趣的研究，儘管沒有時間讀論文，網路上也有很多知識類媒體 (e.g. Medium, 知乎, CSDN, YouTube, Bilibili, etc)，分享最新的研究趨勢或是公司產品等等，有在投資的多去了解趨勢甚至可以趁機價值投資一筆 😛 有空的話可以多多參加一些 networking 活動，比如我在 San Diego 或是 Bay Area 時會參加新創的活動，在過程中也認識很多來自各國有趣的人，年齡層從剛升大一或是到六十幾歲的人都有，在與這些人交流的時候我可以同時結交未來的人脈、掌握科技趨勢、練習表達技巧，收穫我認為遠比學校的 career fair 高很多。以下附上我當時參加的校外活動專頁，並且順便推廣我覺得在 UCSD 也十分值得參加的社團 RoboGrad，這些活動都能夠潛移默化地讓自己更有自信。總之我很鼓勵大家可以多參加這種活動了解異國文化，培養自信心。</p><ul><li><a href="https://lu.ma/genai-sf"><strong><em>Generative AI San Francisco and Bay Area</em></strong></a></li><li><a href="https://startupsd.org/"><strong><em>Startup San Diego</em></strong></a></li><li><a href="https://contextualrobotics.ucsd.edu/robograds"><strong><em>RoboGrads at UCSD</em></strong></a></li></ul><blockquote><strong>4.2 面試中心態</strong></blockquote><p>面試的當下焦慮是肯定的，儘管我面試的輪數也有 100+ 以上了，面試的當下也很難說完全放鬆。這邊我想要感謝我 <a href="https://fattylulu.medium.com/2019-2020%E5%8C%97%E7%BE%8E%E6%A9%9F%E5%99%A8%E4%BA%BA-%E7%84%A1%E4%BA%BA%E8%BB%8A%E8%BB%9F%E9%AB%94%E5%B7%A5%E7%A8%8B%E5%B8%AB%E6%AD%A3%E8%81%B7%E6%B1%82%E8%81%B7%E7%B6%93%E6%AD%B7%E5%88%86%E4%BA%AB-fe38100e59af"><strong><em>UCSD 的學長 Joseph Lu 的文章</em></strong></a> 給我的啟發。他傳授一個觀念，<strong><em>在面試時可以想像是技術交流討論</em></strong>，與其說是在考試，不如說是在找尋一個可以開心合作的同事。有這樣的心態後，就比較不會鑽牛角尖在答錯的題目上，而是看重整個過程如何讓對方感到舒服。</p><blockquote><strong>4.3 面試後心態</strong></blockquote><p>最後，面試結束時千萬不要吝嗇表達感謝，可以<strong><em>寫一封感謝信表達你對這場面試的感激</em></strong>，請幫你安排面試的 HR 轉交給面試官。儘管有時候 HR 不見得會理你，但是這也是充分表達自己認真用心的態度。內容的部分，我認為有機會的話可以將面試答不好的地方梳理後，加以修正寫在裡面，表明積極態度；也可以提到你對面試哪部分感到特別有印象有趣。舉例來說：</p><pre>Hi [name of the HR],<br><br>Thank you again for arranging today&#39;s interview. I also want to express <br>my deep appreciation for my interviewer, [name of the interviewer]. During <br>the interview, we worked together to complete [a task]. [name of the <br>interviewer] was patient and kind in explaining my questions, and when there <br>were concerns about the approach I suggested, he guided me step by step <br>to complete the interview task. Overall, I could feel that [name of the <br>company] is a company with a strong team spirit and vision. I appreciate <br>this opportunity and look forward to hearing the next steps from you.<br><br>Best regards,<br>[your name]</pre><p>中間其實我還有穿插一些面試細節，就看大家怎麼發揮了，現在用 ChatGPT 幫忙潤稿非常迅速容易，因此千萬不要放過任何可以增加印象分數的機會！傳好感謝信後，就好好讓自己放鬆休息，迎接下一個任務。</p><h4>結語</h4><p>最後想跟大家說，大家在找工求職時會遇到許多挫折是無可避免的，因此擁抱自己的烏雲情緒很重要，接納自己才能夠逆轉人生。剛來美國時我也是個菜雞，第一學期時因為騎滑板車把自己摔車造成左手粉碎性骨折，結果回台灣開刀治療 😅 導致我第一學期找實習時幾乎都是在台灣度過的，甚至在台灣有時差的狀況下用沒打石膏的手單手面試（雖然都沒上就是了 LOL）。然而也是這段挫折讓我加強獨立思考的能力，自我認知也更清楚，知道自己的優缺點等等，跟心理諮商師談心時也幫助我很多，現在回想起來算是一場生命歷練。很謝謝在身邊的家人、朋友以及生命中其他貴人，還有自己那顆永不放棄的心，<strong><em>因為真正的失敗是相信自己一定做不到，而不是暫時做不到 ！</em></strong>未來仍會有許多未知挑戰等著我，我也有很多事情需要不斷學習，給自己的期許就是認真過好每一天，平安喜樂便是福 🫡</p><p>附上<a href="https://www.linkedin.com/in/ethen-tsao/"><strong><em>我的 LinkedIn ID: Ethen Tsao</em></strong></a>，歡迎世界各地的同好互相交流學習🤞未來有機會的話會分享<strong><em>如何增加拿到面試的機率，以及在北美機器人新創公司上班的心得！</em></strong></p><figure><img alt="Graduation" src="https://cdn-images-1.medium.com/max/1024/1*kpfu70l6jx4I8RUKRb1UtQ.png" /><figcaption>Graduation!</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e11c8882dbc7" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>