如何从哀鸿遍野的秋招中脱颖而出？

这是一位算法部门面试官秋招后的思考，小编觉得是目前的真实现状，值得分享给大家一读。让大家知道如何“卷赢”？一起来看看吧！

秋招马上结束，部门的秋招将近尾声了，这段时间每天相当一部分的工作就是看简历、面试，以及整理朋友推荐过来的简历。

昨天跟HR交流，感知部门一共收到了230多份校招简历，但部门校招hc一共才 3个，最终发了6个意向书（1 : 2）。被筛掉的简历中，有将近20份是清北硕博， 985 高校院校的简历粗略估计能占到50％一 60%，这个占比只是我看过的简历数据作为样本。可能有一些简历在HR那一关被pass掉了，我没有看到。

整个秋招有一些思考，分享给大家。

如何脱颖而出？

如果仅从数量看，目前整个行业的供需状况是供大于求，但如果从质量看，恰好翻过来，是供小于求。也就是说，目前自动驾驶人才基数已经上来了，但质量还有待提高。以感知部门面试的情况来看：

大多数求职者熟悉深度学习，在开源数据集上跑过主流的视觉或者点云算法，这些都已经是求职门槛的标配了，如果止于此，那就是芸芸众生的一份子了，不太可能拿到 offer 。

想要拿到 offer ，求职者还需要具备什么技能呢？

1、发现问题以及思考问题的能力

举个例子来说，CenterNet 模型在 KITTI 上跑检测，我们发现了哪些问题？通过重点关注检测结果中的漏检和误检的case，发现漏检的原因有物体中心被遮挡、物体距离相机较远（导致图像中物体尺寸较小）、多个目标聚集、训练数据集中少见的目标类别；发现误检的原因是物体位于图像边缘，只有部分可见。

发现了这些问题之后，接着思考为什么算法对这些case无法正确识别，是算法设计的缺陷，还是样本有偏。

2、解决问题的能力

通过第一步发现问题并深度思考问题之后，接下来就要想办法改进算法了，或者调整算法如何适用于自动驾驶感知的场景。达到这一步，专利或者论文都是随之而来的附加成果，也可以作为是否具备解决问题能力的量化指标。

3、工程化的能力

算法最终是要落地的，只要算法落地就会受制于硬件平台的存储、算力等因素制约。平时在学校发论文时，可以不用考虑算法的部署，但企业是必须要考虑的，并且其重要性要高过算法的精度。

因此，希望大家不要对算法的原理以及精度过于执着，可以抽出时间想一想模型的压缩、加速，比如学习一下 TensorRT 等。

举个例子来说， pointPiIIar 作为较为知名的 30 点云检测算法，其速度62Hz ，处理一帧点云约16.13ms ，自动驾驶场景中可能需要我们在某款芯片上优化到 3-5ms ，这块工作目前大量缺人，但真正懂的候选人寥容无几，只能靠猎头挖。

 学校背景重要吗？

当然重要，但并非绝对。今年发出的6份意向书中，有1位同学是普本211硕士。

建议学历背景不好的同学一定要找熟人内推，内推也分为很多种，有些人内推就是将简历提交到系统，有些内推是直接让内部员工找到那个部门的leader ，详细说一下这位同学的优点，并极力争取一个面试的机会。那么问题来了，如果你学历背景不突出，并且不认识圈子内的工程师的话，怎么办？只能说“凉拌”。

每个行业都是一个圈子，除了打铁需要自身硬之外，还需要社交，多结识一些同行。机遇总是留给有准备的人，之前每一步的努力都为此刻的绽放贡献了一缕绚丽的烟花。

最后，建议每位在校同学多了解企业用人需求，未来的人才画像会越来越向多元化发展，算法与工程能力，两者缺一不可。没有算法工程师，也没有开发工程师，都是 engineer 。

（本文未经授权，禁止转载）