1. 郵儲(chǔ)銀行AI崗面試全景先搞清楚你在面什么說(shuō)實(shí)話銀行AI崗和互聯(lián)網(wǎng)大廠AI崗?fù)耆莾蓚€(gè)物種。郵儲(chǔ)銀行2024年校招和社招里的AI崗面試題風(fēng)格非常鮮明既要你有扎實(shí)的算法功底又特別看重你對(duì)金融業(yè)務(wù)的理解還時(shí)不時(shí)蹦出幾個(gè)讓你措手不及的工程問(wèn)題。我整理了一圈身邊人和論壇上的真實(shí)面經(jīng)發(fā)現(xiàn)郵儲(chǔ)AI崗大致分三個(gè)方向在招人一是算法工程師偏向風(fēng)控模型、推薦營(yíng)銷(xiāo)、OCR/NLP這些傳統(tǒng)AI能力的落地二是大模型應(yīng)用工程師2024年明顯加大了這部分的招聘力度圍繞智能客服、文檔審核、代碼助手這些場(chǎng)景三是AI平臺(tái)與工程方向做模型部署、推理加速、特征平臺(tái)這類(lèi)基礎(chǔ)建設(shè)。面試流程一般是三輪第一輪技術(shù)面可能是一對(duì)一或一對(duì)多重點(diǎn)考察算法基礎(chǔ)、項(xiàng)目經(jīng)歷和手撕代碼第二輪綜合面會(huì)摻雜業(yè)務(wù)場(chǎng)景題看你是否理解銀行的數(shù)據(jù)和業(yè)務(wù)約束第三輪HR面考察穩(wěn)定性、溝通能力、對(duì)銀行的認(rèn)知。先給大家打個(gè)預(yù)防針銀行面試?yán)锞幊陶Z(yǔ)言不一定是Python很多團(tuán)隊(duì)在用Java做模型服務(wù)上線所以Java基礎(chǔ)扎實(shí)的同學(xué)反而容易加分。另外銀行對(duì)模型可解釋性、數(shù)據(jù)合規(guī)、隱私保護(hù)這些的要求比一般互聯(lián)網(wǎng)公司高得多這會(huì)在面試題里反復(fù)出現(xiàn)。后面我按板塊拆解具體的考點(diǎn)和真題。2. 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)基礎(chǔ)逃不掉的核心盤(pán)2.1 經(jīng)典機(jī)器學(xué)習(xí)模型從原理到場(chǎng)景都在問(wèn)郵儲(chǔ)AI崗面試中傳統(tǒng)機(jī)器學(xué)習(xí)并沒(méi)有因?yàn)榇竽Ｐ突鹌饋?lái)就被冷落?，F(xiàn)實(shí)原因是銀行大量的風(fēng)險(xiǎn)模型、評(píng)分卡模型跑在業(yè)務(wù)線上的是LR、GBDT、XGBoost這些可解釋性強(qiáng)的模型。面試官的邏輯很直接一個(gè)連LR和GBDT都講不透的人我不太相信他能把大模型在金融場(chǎng)景用明白。出現(xiàn)過(guò)不少這樣的原題邏輯回歸的損失函數(shù)是什么為什么用交叉熵而不用均方誤差說(shuō)一下XGBoost和LightGBM的區(qū)別你項(xiàng)目中為什么選這個(gè)特征A和特征B高度相關(guān)對(duì)樹(shù)模型和線性模型分別有什么影響樣本不平衡你怎么處理銀行場(chǎng)景里壞樣本往往只有1%-2%。第一題其實(shí)是挖坑題。很多人能背出交叉熵公式但問(wèn)為什么不用MSE就卡住了。核心答案在于LR用sigmoid激活如果拿MSE做損失損失函數(shù)變成非凸函數(shù)梯度下降容易陷入局部最優(yōu)而且sigmoid在飽和區(qū)梯度極小收斂慢到懷疑人生。交叉熵配合sigmoid梯度形式是y_hat - y跟誤差成正比收斂穩(wěn)定這才是正解。第二題要結(jié)合項(xiàng)目講。如果你做過(guò)信貸風(fēng)控可以說(shuō)業(yè)務(wù)上對(duì)特征非線性、缺失值容忍度有要求LightGBM支持原生缺失值處理訓(xùn)練速度比XGBoost快一個(gè)量級(jí)而且我們當(dāng)時(shí)用Early Stopping控制過(guò)擬合。面試官更想聽(tīng)的是你的選擇邏輯不是模型公式復(fù)讀機(jī)。第四題是高頻中的高頻。銀行客戶(hù)壞樣本率經(jīng)常不到2%常規(guī)做法有下采樣、過(guò)采樣、SMOTE、調(diào)整類(lèi)別權(quán)重。但面試官真正想知道的是你改了樣本分布之后預(yù)測(cè)概率失去原本含義該怎么校準(zhǔn)回業(yè)務(wù)可用的閾值。這時(shí)候你如果能把閾值校準(zhǔn)、模型評(píng)估從準(zhǔn)確率切換到KS/AUC、以及最終用排序分而非概率分做業(yè)務(wù)決策這些講明白面試官基本就滿(mǎn)意了。樹(shù)模型、GBDT、XGBoost這部分建議把三個(gè)問(wèn)題串起來(lái)準(zhǔn)備分裂增益怎么算的、GBDT梯度提升每一步擬合的是什么殘差、XGBoost比GBDT多了哪些正則項(xiàng)和工程優(yōu)化。崗位是算法的話手推XGBoost二階泰勒展開(kāi)是加分項(xiàng)崗位偏應(yīng)用的話紙上能畫(huà)明白分裂流程就行。2.2 深度學(xué)習(xí)基礎(chǔ)不是讓你上來(lái)就背Transformer如果說(shuō)傳統(tǒng)機(jī)器學(xué)習(xí)是基本功底那么深度學(xué)習(xí)基礎(chǔ)的考察就有點(diǎn)看人下菜碟了。應(yīng)屆生和有項(xiàng)目經(jīng)驗(yàn)的社招題目的難度和深度差距非常大。應(yīng)屆生常被考到的有反向傳播的鏈?zhǔn)椒▌t推導(dǎo)、卷積神經(jīng)網(wǎng)絡(luò)參數(shù)計(jì)算、BatchNorm的作用、Dropout的原理與訓(xùn)練/推理時(shí)的區(qū)別、RNN/LSTM為什么會(huì)有梯度消失問(wèn)題以及Transformer怎么解決的。比如BatchNorm這個(gè)題光回答“加速收斂、緩解過(guò)擬合”是不夠的。往深里問(wèn)面試官會(huì)追問(wèn)訓(xùn)練時(shí)用的是batch內(nèi)的均值和方差推理時(shí)用的是什么你有沒(méi)有想過(guò)為什么推理時(shí)要用全局統(tǒng)計(jì)量然后是為什么BN一般放在激活函數(shù)之前或者之后、對(duì)BatchNorm在NLP場(chǎng)景效果不如CV好的問(wèn)題怎么看。把這些邊角講清楚至少能證明你認(rèn)真思考過(guò)經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)。Post提出模型可解釋性也是銀行面試的加分項(xiàng)。比如集成學(xué)習(xí)的可解釋性工具SHAP值在風(fēng)控模型中用來(lái)特征重要性歸因銀行通常會(huì)要求模型能回答“為什么拒絕這位客戶(hù)”的問(wèn)題這在監(jiān)管和客戶(hù)投訴處理中都特別重要。Dropout的細(xì)節(jié)題值得單說(shuō)訓(xùn)練時(shí)隨機(jī)丟棄神經(jīng)元、以一定概率置零同時(shí)做縮放推理時(shí)不丟棄、不縮放。如果候選人一上來(lái)只說(shuō)“防止過(guò)擬合”面試官基本會(huì)再追問(wèn)一句“那為什么推理時(shí)要乘keep_prob”能答出來(lái)的人不到一半。社招人員則會(huì)被問(wèn)到更實(shí)操的問(wèn)題比如模型推理速度優(yōu)化用什么方案、量化感知訓(xùn)練怎么做、有沒(méi)有在推理引擎上踩過(guò)坑。模型量化的考察點(diǎn)面試官會(huì)追問(wèn)INT8和FP16對(duì)精度影響、怎么選擇校準(zhǔn)集以及如何用TensorRT或者ONNX Runtime完成一次端到端加速。這些問(wèn)題雖然不繞彎子但如果沒(méi)有真實(shí)項(xiàng)目經(jīng)驗(yàn)臨時(shí)抱佛腳非常容易露餡。2.3 深度學(xué)習(xí)優(yōu)化與調(diào)參面試官愛(ài)問(wèn)的細(xì)節(jié)除了模型結(jié)構(gòu)本身優(yōu)化器選擇、學(xué)習(xí)率設(shè)置、梯度異常也是高頻考點(diǎn)。比如被問(wèn)過(guò)多次的Adam和SGD的區(qū)別是什么為什么Adam在某些任務(wù)上泛化性能反而不如SGD往標(biāo)準(zhǔn)答案里多思考一層Adam用自適應(yīng)學(xué)習(xí)率每個(gè)參數(shù)有獨(dú)立更新步長(zhǎng)收斂快但也容易過(guò)擬合極小值附近不夠精細(xì)SGD配合momentum并配合合適的學(xué)習(xí)率調(diào)度能幫助模型跳到更平坦的極小值泛化能力有時(shí)候更好。角度新穎、有實(shí)驗(yàn)依據(jù)面試官通常都會(huì)認(rèn)可。學(xué)習(xí)率熱身Warm-up也是2024年的熱門(mén)考點(diǎn)尤其在Transformer系列模型里幾乎標(biāo)配。面試官如果問(wèn)“為什么大模型訓(xùn)練需要Warm-up”其實(shí)想聽(tīng)你對(duì)優(yōu)化過(guò)程的深層理解。初始化狀態(tài)下模型參數(shù)遠(yuǎn)離最優(yōu)如果一開(kāi)始就用大學(xué)習(xí)率容易造成震蕩先用小學(xué)習(xí)率把梯度預(yù)計(jì)出來(lái)、再逐步加大可以讓優(yōu)化過(guò)程更平穩(wěn)。這里還可以順帶提到梯度裁剪gradient clipping避免梯度爆炸。梯度消失和梯度爆炸的排查同樣屬于實(shí)操性很強(qiáng)的加分題。比如訓(xùn)練過(guò)程中l(wèi)oss突然變成NaN你會(huì)怎么排查正常的排查路徑是先看數(shù)據(jù)和標(biāo)簽有沒(méi)有臟值再看模型輸入有沒(méi)有歸一化然后用小學(xué)習(xí)率重跑最后看反向傳播的梯度范數(shù)。如果每個(gè)步驟都能講出具體手段而不是甩一句“調(diào)小學(xué)習(xí)率”面試官對(duì)你的工程能力評(píng)估會(huì)明顯上臺(tái)階。3. 大模型相關(guān)考察2024年的重頭戲3.1 Transformer與注意力機(jī)制從公式到細(xì)節(jié)2024年郵儲(chǔ)AI崗面試如果完全不問(wèn)大模型基本是不現(xiàn)實(shí)的。可以說(shuō)這一輪的技術(shù)面里每次大模型相關(guān)問(wèn)題的占比能到三到五成和傳統(tǒng)機(jī)器學(xué)習(xí)形成了對(duì)半開(kāi)的局面。Transformer本身是繞不開(kāi)的。我見(jiàn)過(guò)最典型的問(wèn)法用白板把Transformer的結(jié)構(gòu)畫(huà)出來(lái)然后解釋為什么需要位置編碼、注意力機(jī)制的計(jì)算流程、Multi-Head Attention和Self-Attention的區(qū)別、為什么用縮放點(diǎn)積而不是普通點(diǎn)積?？s放點(diǎn)積這個(gè)細(xì)節(jié)值得單獨(dú)說(shuō)。如果不除以根號(hào)d_k當(dāng)維度很大時(shí)點(diǎn)積結(jié)果的方差變得很大導(dǎo)致softmax輸出的概率分布趨近于one-hot梯度極小模型幾乎學(xué)不動(dòng)。除以根號(hào)d_k把方差拉回1這個(gè)量級(jí)梯度就能正?；貍?。這種問(wèn)題沒(méi)有真實(shí)推敲過(guò)原理的人根本答不好。還有一題很經(jīng)典為什么Transformer要用LayerNorm而不是BatchNorm。這一題我先說(shuō)結(jié)論再講原理。結(jié)論是NLP和語(yǔ)言模型中序列長(zhǎng)度和batch大小經(jīng)常動(dòng)態(tài)變化BatchNorm在batch維度統(tǒng)計(jì)均值方差的方法非常不穩(wěn)定LayerNorm則在每個(gè)樣本內(nèi)部做歸一化不依賴(lài)batch大小和序列長(zhǎng)度訓(xùn)練推理行為一致。再加上Transformer中殘差連接和LayerNorm組成的結(jié)構(gòu)可以讓信息跨層順暢傳遞這些原因合在一起讓LayerNorm成了標(biāo)配。3.2 大模型微調(diào)與部署必須搞清楚的技術(shù)棧微調(diào)主線是2024年考察的重點(diǎn)幾乎每一輪面試都會(huì)問(wèn)到。?？嫉募夹g(shù)點(diǎn)包括全參微調(diào)、LoRA、P-Tuning、QLoRA、DeepSpeed、分布式訓(xùn)練。面試官會(huì)問(wèn)你當(dāng)銀行要部署私有化大模型你會(huì)怎么選微調(diào)方案這時(shí)一定要分場(chǎng)景回答。如果是7B、13B級(jí)別模型GPU資源有限用LoRA或QLoRA是主流選擇顯存占用大幅降低訓(xùn)練速度快效果在多數(shù)業(yè)務(wù)場(chǎng)景下已經(jīng)足夠。但如果業(yè)務(wù)場(chǎng)景是代碼生成、邏輯推理這種復(fù)雜任務(wù)全參微調(diào)仍然能帶來(lái)更大提升前提是數(shù)據(jù)充足、訓(xùn)練成本可接受。具體展開(kāi)LoRA的原理要能講透凍結(jié)預(yù)訓(xùn)練權(quán)重在權(quán)重矩陣旁邊插入低秩分解矩陣A和B訓(xùn)練時(shí)只更新A和B推理時(shí)再把更新后的權(quán)重合并回原模型。低秩分解能夠以極少的可學(xué)習(xí)參數(shù)逼近完整的參數(shù)更新因此顯存占用低、訓(xùn)練速度快。面試官追問(wèn)“為什么低秩就夠了”可以回答預(yù)訓(xùn)練模型本身就是過(guò)參數(shù)化的微調(diào)時(shí)的權(quán)重更新往往存在較低的本征維度本質(zhì)維度低秩矩陣足以捕獲任務(wù)相關(guān)的主要變化。另外還要講數(shù)據(jù)構(gòu)造和微調(diào)方案選擇的依賴(lài)關(guān)系。比如銀行想用開(kāi)源底座做智能客服需要準(zhǔn)備客服對(duì)話數(shù)據(jù)、工單數(shù)據(jù)、產(chǎn)品知識(shí)問(wèn)答數(shù)據(jù)按一定比例混合。數(shù)據(jù)量如果是幾萬(wàn)條以?xún)?nèi)指令微調(diào)LoRA就夠幾十萬(wàn)條以上可能要考慮全參微調(diào)。數(shù)據(jù)質(zhì)量比數(shù)據(jù)量更重要這一點(diǎn)一定要在面試中主動(dòng)說(shuō)出來(lái)因?yàn)殂y行的數(shù)據(jù)往往極多但質(zhì)量參差。部署方面模型并行、張量并行、流水線并行的區(qū)別是高頻題。7B模型單卡放不下怎么辦用DeepSpeed Zero或張量并行13B以上跨卡部署流水線并行把不同層放到不同卡上搭配合適的調(diào)度。服務(wù)化的話題也容易被問(wèn)并發(fā)請(qǐng)求延遲、吞吐量、顯存復(fù)用、動(dòng)態(tài)batch。能講清楚動(dòng)態(tài)batching的原理把多個(gè)請(qǐng)求合并成一個(gè)batch推理并且說(shuō)自己在項(xiàng)目中壓測(cè)過(guò)QPS和P99延遲會(huì)非常加分。3.3 RAG與外掛知識(shí)庫(kù)銀行場(chǎng)景的落地王牌2024年銀行的AI崗面試RAG檢索增強(qiáng)生成相關(guān)的問(wèn)題出現(xiàn)頻率非常高因?yàn)樗悄壳按竽Ｐ吐涞仄髽I(yè)知識(shí)庫(kù)最務(wù)實(shí)的方案。郵儲(chǔ)這類(lèi)銀行內(nèi)部有大量的規(guī)章制度、產(chǎn)品說(shuō)明、操作手冊(cè)把大模型直接拿來(lái)做問(wèn)答并不靠譜因?yàn)榇竽Ｐ蜁?huì)一本正經(jīng)地胡說(shuō)八道。而RAG通過(guò)檢索外掛知識(shí)庫(kù)把相關(guān)內(nèi)容拼進(jìn)Prompt再讓模型回答準(zhǔn)確率、可控性、可溯源性都大幅提升。面試中比較完整的RAG考察鏈條是這樣的什么是RAG為什么金融場(chǎng)景需要它文檔加載之后怎么做切分chunk size怎么定向量化和檢索用的是什么Embedding模型和向量數(shù)據(jù)庫(kù)檢索質(zhì)量不好怎么優(yōu)化召回率低怎么辦RAG生成結(jié)果有幻覺(jué)怎么處理有沒(méi)有辦法讓用戶(hù)能追查到回答的來(lái)源第一個(gè)問(wèn)題不難。直接說(shuō)大模型訓(xùn)練數(shù)據(jù)有截止時(shí)間內(nèi)部知識(shí)根本沒(méi)學(xué)過(guò)直接對(duì)話會(huì)產(chǎn)生幻覺(jué)而金融領(lǐng)域的錯(cuò)誤回答代價(jià)極高所以要用RAG把答案限定在知識(shí)庫(kù)范圍內(nèi)。切分策略是實(shí)操題。銀行有很多PDF、Word、Excel文檔不同格式處理方式完全不同。PDF要看是什么類(lèi)型文字版還是掃描件掃描件要用OCR文字版還要注意表格提取。切分不要單純按固定字符數(shù)切最好是先按標(biāo)題結(jié)構(gòu)切再按段落切實(shí)在不行再按固定長(zhǎng)度兜底重疊區(qū)間建議控制在10%-20%。有一段1.2萬(wàn)一說(shuō)的經(jīng)驗(yàn)是如果知識(shí)庫(kù)文檔有層級(jí)標(biāo)題優(yōu)先用Markdown結(jié)構(gòu)切分效果遠(yuǎn)好于固定長(zhǎng)度切分。向量檢索相關(guān)的追問(wèn)是考驗(yàn)實(shí)踐深度的關(guān)鍵部分常見(jiàn)問(wèn)題有Embedding模型怎么選、向量數(shù)據(jù)庫(kù)用什么、索引類(lèi)型怎么選、TopK怎么設(shè)置。這個(gè)問(wèn)題沒(méi)有唯一正確答案關(guān)鍵是你是否真的調(diào)試過(guò)。比如產(chǎn)品文檔類(lèi)知識(shí)庫(kù)用bge-m3或bge-large-zh做Embedding效果還不錯(cuò)金融領(lǐng)域可以先在自有驗(yàn)證集上對(duì)比再定。召回格式上通常會(huì)要求返回TopK20~50條候選經(jīng)過(guò)重排序如bge-reranker之后截取Top5~10進(jìn)入上下文這樣既能控制token數(shù)量也能保證召回質(zhì)量?；糜X(jué)問(wèn)題是銀行審得非常嚴(yán)格的部分。標(biāo)準(zhǔn)應(yīng)對(duì)方法有要求模型只基于檢索內(nèi)容回答如果檢索不到相關(guān)內(nèi)容就明確表示不知道在Prompt里限制答案格式并在回答后附上引用來(lái)源對(duì)用戶(hù)輸入進(jìn)行意圖識(shí)別不屬于知識(shí)庫(kù)范圍的直接拒答上線前用紅隊(duì)測(cè)試集反復(fù)驗(yàn)證。RAG整個(gè)鏈路最容易被忽略的是評(píng)估環(huán)節(jié)。我強(qiáng)烈建議所有準(zhǔn)備郵儲(chǔ)AI崗的人提前設(shè)計(jì)自己的RAG評(píng)估方案。常見(jiàn)做法是準(zhǔn)備幾百條標(biāo)準(zhǔn)問(wèn)答對(duì)分別評(píng)估檢索環(huán)節(jié)的召回率、排序質(zhì)量以及生成環(huán)節(jié)的答案正確性、忠實(shí)度。這里的忠實(shí)度指模型有沒(méi)有生成檢索內(nèi)容之外的信息這是金融級(jí)RAG系統(tǒng)的生命線。如果在面試中主動(dòng)聊出這套評(píng)估體系面試官會(huì)覺(jué)得你不是只會(huì)接API的工具人。3.4 大模型幻覺(jué)、安全與合規(guī)銀行面試的隱性門(mén)檻郵儲(chǔ)作為國(guó)有大行對(duì)生成內(nèi)容的合規(guī)性和安全性有極高的要求這在大模型崗位的面試中從來(lái)不是走過(guò)場(chǎng)。以下這類(lèi)問(wèn)題在近兩年的面試中反復(fù)出現(xiàn)我建議認(rèn)真準(zhǔn)備大模型在銀行客服場(chǎng)景產(chǎn)生幻覺(jué)怎么辦客戶(hù)輸入的Prompt里包含惡意指令怎么防御大模型的訓(xùn)練數(shù)據(jù)涉及客戶(hù)隱私怎么合規(guī)處理大模型回答內(nèi)容是否存在歧視性或誘導(dǎo)性怎么在部署前攔截幻覺(jué)處理前面提過(guò)RAG方案這里補(bǔ)充幾句除了RAG還可以給模型設(shè)定Low Temperature和明確的保守指令禁止臆測(cè)。即便做到這些幻覺(jué)也不可能完全消除因此還要在模型輸出后增加合規(guī)過(guò)濾模塊比如敏感詞識(shí)別、風(fēng)險(xiǎn)分類(lèi)、人工抽檢機(jī)制。Prompt注入在金融場(chǎng)景尤其需要重視?？蛻?hù)可能?chē)L試?yán)@過(guò)系統(tǒng)指令要求模型輸出內(nèi)部信息或做不當(dāng)操作這塊的風(fēng)險(xiǎn)控制很講究。一個(gè)實(shí)用的做法是把大模型的輸入和知識(shí)庫(kù)檢索內(nèi)容做隔離嚴(yán)格格式化并對(duì)用戶(hù)輸入做意圖識(shí)別和敏感信息過(guò)濾。從設(shè)計(jì)上講不在Prompt中直接拼接用戶(hù)原始輸入而是把用戶(hù)輸入當(dāng)作數(shù)據(jù)處理而非指令執(zhí)行也能顯著降低注入風(fēng)險(xiǎn)。合規(guī)方面銀行對(duì)模型審計(jì)和日志留存是有硬性要求的。面試中如果你能主動(dòng)提到“我們上線前會(huì)做模型影響評(píng)估、數(shù)據(jù)脫敏處理、全鏈路日志留痕”那面試官對(duì)你的信任感會(huì)明顯增加。4. 項(xiàng)目深挖與手撕代碼最見(jiàn)真章的兩個(gè)環(huán)節(jié)4.1 把項(xiàng)目經(jīng)驗(yàn)講成故事STAR是底限無(wú)論校招還是社招簡(jiǎn)歷上的項(xiàng)目經(jīng)歷都會(huì)被反復(fù)深挖。面過(guò)多次銀行AI崗之后我的感受是面試官對(duì)“真實(shí)做過(guò)”特別敏感甚至能在幾分鐘內(nèi)分辨你有沒(méi)有摻水。提前按STAR原則把每個(gè)項(xiàng)目梳理清楚非常關(guān)鍵。舉個(gè)常見(jiàn)的風(fēng)控模型項(xiàng)目例子面試官往往會(huì)這樣逐步追問(wèn)你這個(gè)項(xiàng)目的業(yè)務(wù)目標(biāo)是什么是識(shí)別申請(qǐng)欺詐、交易欺詐還是貸后催收數(shù)據(jù)從哪里來(lái)樣本量多少正負(fù)樣本比例多少特征怎么構(gòu)造的有沒(méi)有做特征篩選模型選型為什么用XGBoost而不是深度學(xué)習(xí)效果差多少模型上線之后怎么監(jiān)控多久重新訓(xùn)練一次模型的KS值、AUC值、PSI變化分別是多少如果KS下跌你怎么排查這些連招的核心目的是考察你是否有完整的模型生命周期意識(shí)。銀行環(huán)境里模型上線只是起點(diǎn)后續(xù)的監(jiān)控、回滾、重訓(xùn)才是日常。所以項(xiàng)目經(jīng)歷不用追求炫酷但一定要把“工程閉環(huán)”講清楚。我建議你在面試前為每個(gè)項(xiàng)目準(zhǔn)備一張速查表項(xiàng)目的背景與目標(biāo)、你的具體角色、數(shù)據(jù)規(guī)模與來(lái)源、特征工程亮點(diǎn)、模型選擇理由、評(píng)估指標(biāo)、上線方式、監(jiān)控方案、踩過(guò)的坑。每個(gè)環(huán)節(jié)準(zhǔn)備兩到三分鐘的闡述同時(shí)準(zhǔn)備對(duì)方可能會(huì)追問(wèn)的十到二十個(gè)延伸問(wèn)題。一定不要不懂裝懂銀行面試官里藏著很多從業(yè)務(wù)一線出來(lái)的老手捏造的細(xì)節(jié)很容易被識(shí)破而且這是誠(chéng)信問(wèn)題。4.2 手撕代碼難度不高但要求穩(wěn)準(zhǔn)快郵儲(chǔ)AI崗的手撕代碼環(huán)節(jié)整體難度低于互聯(lián)網(wǎng)大廠重點(diǎn)是算法基礎(chǔ)扎實(shí)、代碼風(fēng)格干凈以及能在規(guī)定時(shí)間內(nèi)跑出正確結(jié)果。常見(jiàn)的類(lèi)型包括數(shù)組和字符串處理、棧和隊(duì)列、二叉樹(shù)遍歷、動(dòng)態(tài)規(guī)劃入門(mén)題偶爾也會(huì)考SQL。請(qǐng)一定不要低估SQL。在銀行做AI每天和結(jié)構(gòu)化數(shù)據(jù)打交道SQL是基本生存技能面試官考得并不刁鉆但會(huì)出像“取出每個(gè)用戶(hù)最近一筆交易”這類(lèi)需要窗口函數(shù)的題。這類(lèi)題如果答不上來(lái)前面算法部分再優(yōu)秀也可能被一票否決。建議把窗口函數(shù)ROW_NUMBER、RANK、SUM OVER好好復(fù)習(xí)一遍。有些面試官會(huì)在手撕代碼環(huán)節(jié)問(wèn)Python裝飾器、迭代器、上下文管理器這類(lèi)語(yǔ)言特性或者讓你用Python實(shí)現(xiàn)一個(gè)簡(jiǎn)單的LR類(lèi)模型。寫(xiě)模型代碼時(shí)尤其要注意關(guān)鍵點(diǎn)一次梯度更新的公式、loss的定義、正則化的位置。能現(xiàn)場(chǎng)跑通說(shuō)明基本功扎實(shí)。手撕代碼還有兩個(gè)容易被忽略的細(xì)節(jié)。一是代碼風(fēng)格變量命名要有意義函數(shù)不要太長(zhǎng)必要的注釋要寫(xiě)清楚這些看起來(lái)是小事但在面試官心里代表你的工程習(xí)慣。二是交流習(xí)慣不要埋頭就寫(xiě)先口頭說(shuō)思路、和面試官對(duì)齊解法再動(dòng)手這樣即便最后沒(méi)寫(xiě)完面試官也能看到你的思考過(guò)程。這比悶頭寫(xiě)對(duì)一道題有用得多。4.3 行為面試與HR面為什么選郵儲(chǔ)、為什么選銀行郵儲(chǔ)AI崗面試前兩輪技術(shù)關(guān)過(guò)了之后最后行為面和HR面會(huì)直接決定offer能不能落地。銀行系統(tǒng)的HR面和其他行業(yè)不太一樣有些問(wèn)題看起來(lái)非常樸素但其實(shí)暗含了穩(wěn)定性考察。高頻問(wèn)題清單包括為什么選擇郵儲(chǔ)銀行為什么選擇銀行行業(yè)而不是互聯(lián)網(wǎng)對(duì)薪資的預(yù)期是多少可以接受輪崗嗎是否了解銀行的企業(yè)文化如何看待銀行工作中的數(shù)據(jù)合規(guī)與安全要求準(zhǔn)備“為什么選郵儲(chǔ)”這個(gè)問(wèn)題時(shí)不要只談“穩(wěn)定”和“福利好”。建議提前查看郵儲(chǔ)銀行在數(shù)字化轉(zhuǎn)型、金融科技方面的公開(kāi)動(dòng)作比如手機(jī)銀行App迭代、分布式核心系統(tǒng)建設(shè)、AI大模型在智能客服和風(fēng)控上的應(yīng)用等。能說(shuō)出具體行業(yè)趨勢(shì)并把它和你的職業(yè)規(guī)劃和技術(shù)方向聯(lián)系起來(lái)這道題就會(huì)顯得有誠(chéng)意?！澳銓?duì)銀行數(shù)據(jù)合規(guī)怎么看”這道題我?guī)缀趺看味冀ㄗh認(rèn)真準(zhǔn)備?？梢赃@樣回答銀行的數(shù)據(jù)要求安全第一AI模型使用的數(shù)據(jù)必須進(jìn)行脫敏和分級(jí)授權(quán)個(gè)人金融信息的處理要遵循最小夠用原則。模型上線前要有合規(guī)評(píng)審和業(yè)務(wù)驗(yàn)收上線后要有日志留存和定期審計(jì)。同時(shí)還要回應(yīng)“如果業(yè)務(wù)方要求你拿數(shù)據(jù)來(lái)訓(xùn)練模型但你覺(jué)得不合規(guī)你會(huì)怎么處理”這樣的追問(wèn)這時(shí)要明確表達(dá)先走內(nèi)部數(shù)據(jù)審批流程和技術(shù)、合規(guī)、業(yè)務(wù)多方確認(rèn)后再行動(dòng)而不是自己直接做決定。5. 金融業(yè)務(wù)理解拉開(kāi)差距的隱藏能力5.1 信貸風(fēng)控基礎(chǔ)AI崗必知的業(yè)務(wù)常識(shí)郵儲(chǔ)銀行AI崗跟其他行業(yè)AI崗最大的不同在于你必須懂業(yè)務(wù)尤其是信貸風(fēng)控。面試中但凡你能自然說(shuō)出“授信、貸前、貸中、貸后、不良率、催收”這些詞并且能把AI技術(shù)對(duì)應(yīng)到具體環(huán)節(jié)你的整體評(píng)價(jià)就會(huì)上一個(gè)臺(tái)階。信貸流程按階段分貸前是做申請(qǐng)?jiān)u分卡評(píng)估一個(gè)客戶(hù)該不該批、批多少額度貸中做行為評(píng)分卡監(jiān)測(cè)已放款客戶(hù)的行為變化比如資產(chǎn)狀況惡化、還款能力下降貸后做催收評(píng)分卡判斷哪些客戶(hù)值得催、用什么策略催。AI在貸前主要做風(fēng)險(xiǎn)識(shí)別和反欺詐在貸中做預(yù)警監(jiān)控在貸后做催收策略?xún)?yōu)化。面試官會(huì)這樣問(wèn)假設(shè)我們要構(gòu)建一個(gè)申請(qǐng)?jiān)u分模型目標(biāo)是預(yù)測(cè)客戶(hù)未來(lái)90天逾期概率你來(lái)說(shuō)說(shuō)整體方案。標(biāo)準(zhǔn)回答鏈路明確目標(biāo)→樣本采集定義好人、壞人→特征工程基本信息、征信信息、行為數(shù)據(jù)→模型訓(xùn)練LR或GBDT→模型評(píng)估KS、AUC→上線部署→監(jiān)控報(bào)告。能畫(huà)出這條鏈路說(shuō)明你理解了風(fēng)控模型的基本盤(pán)。還有一個(gè)容易被問(wèn)到的問(wèn)題模型訓(xùn)練的壞樣本太少怎么辦。銀行場(chǎng)景中逾期客戶(hù)占比很低直接訓(xùn)練導(dǎo)致模型幾乎把所有客戶(hù)都預(yù)測(cè)成好人。常見(jiàn)的策略包括調(diào)整樣本窗口、數(shù)據(jù)增強(qiáng)、聚焦細(xì)分客群、調(diào)整損失函數(shù)權(quán)重、實(shí)際應(yīng)用中以獲取排序分為主重點(diǎn)是把好客戶(hù)和壞客戶(hù)更好地分開(kāi)而不是只求預(yù)測(cè)準(zhǔn)確率。5.2 反欺詐與知識(shí)圖譜銀行場(chǎng)景特色題反欺詐是銀行AI崗面試中另一大特色板塊知識(shí)圖譜、圖神經(jīng)網(wǎng)絡(luò)、異常檢測(cè)等技術(shù)都可能會(huì)被提到。銀行面臨的欺詐包括申請(qǐng)欺詐、交易欺詐、團(tuán)伙欺詐、薅羊毛等這些場(chǎng)景天然適合圖譜模型做關(guān)聯(lián)分析。典型問(wèn)題如何識(shí)別一個(gè)團(tuán)伙通過(guò)大量虛假申請(qǐng)來(lái)騙貸標(biāo)準(zhǔn)解答思路構(gòu)建以申請(qǐng)人為節(jié)點(diǎn)、以手機(jī)號(hào)、設(shè)備ID、IP地址、地址、緊急聯(lián)系人等字段為邊的圖譜網(wǎng)絡(luò)通過(guò)社區(qū)發(fā)現(xiàn)、標(biāo)簽傳播等方法找到團(tuán)伙特征或通過(guò)GraphSAGE、GCN等圖神經(jīng)網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)做風(fēng)險(xiǎn)分類(lèi)。還要補(bǔ)充新老設(shè)備關(guān)聯(lián)、短時(shí)間聚集性申請(qǐng)等特征以及人工審核的閉環(huán)機(jī)制。反欺詐模型的另外一個(gè)高頻題是實(shí)時(shí)性交易欺詐檢測(cè)要求毫秒級(jí)出結(jié)果你怎么在實(shí)時(shí)和準(zhǔn)實(shí)時(shí)之間權(quán)衡回答框架交易級(jí)實(shí)時(shí)攔截用規(guī)則引擎輕量模型LR或小模型離線跑復(fù)雜模型GBDT或圖模型做批量更新。輕量模型負(fù)責(zé)第一道攔截復(fù)雜模型給出更準(zhǔn)確的風(fēng)險(xiǎn)分用于后續(xù)調(diào)整。這種分層設(shè)計(jì)在銀行非常普遍能講出來(lái)就是加分項(xiàng)。5.3 模型上線與監(jiān)控銀行的工程化要求工程能力在銀行AI崗面試中經(jīng)常以場(chǎng)景題出現(xiàn)。有一個(gè)我遇到過(guò)的真題模型上線之后KS值從0.35下降到0.2你怎么排查這個(gè)問(wèn)題隱含的信息是銀行非常重視模型上線后的性能變化通常每月甚至每周都會(huì)更新模型監(jiān)控報(bào)告。排查思路從數(shù)據(jù)分布的變化開(kāi)始用PSI指標(biāo)檢查每個(gè)特征的分布是否存在漂移再?gòu)耐獠拷?jīng)濟(jì)環(huán)境影響、業(yè)務(wù)策略變化、樣本量大小等維度分析原因。如果確認(rèn)是市場(chǎng)環(huán)境變化導(dǎo)致原有特征失效就要考慮重訓(xùn)模型或補(bǔ)充新的特征如果是某字段取數(shù)邏輯變化導(dǎo)致分布突變需要和數(shù)倉(cāng)團(tuán)隊(duì)協(xié)作修正數(shù)據(jù)口徑?！澳Ｐ投嗑弥赜?xùn)一次”也很容易考到。銀行的風(fēng)控模型通常月度或季度重訓(xùn)一次同時(shí)結(jié)合業(yè)務(wù)反饋和模型監(jiān)控指標(biāo)動(dòng)態(tài)調(diào)整。如果外部經(jīng)濟(jì)環(huán)境變化劇烈可能縮短到周度重訓(xùn)。答案的核心不在周期長(zhǎng)短而在于你是否有監(jiān)控指標(biāo)驅(qū)動(dòng)的重訓(xùn)決策機(jī)制。多模型管理的場(chǎng)景題同樣有可能出現(xiàn)。銀行往往有成百上千個(gè)模型在跑你作為AI工程師要回答“如何管理多個(gè)模型的版本、效果和標(biāo)簽”這類(lèi)問(wèn)題。如果沒(méi)做過(guò)模型管理平臺(tái)可以從標(biāo)準(zhǔn)化評(píng)測(cè)集、模型注冊(cè)中心、灰度發(fā)布、自動(dòng)化回滾這幾個(gè)方面展開(kāi)體現(xiàn)系統(tǒng)的工程化思維。6. 面試實(shí)戰(zhàn)技巧與備考路線圖6.1 核心考點(diǎn)速查表站在2024年郵儲(chǔ)AI崗的視角我整理了一張核心考點(diǎn)速查表供大家對(duì)照檢查準(zhǔn)備情況。這道列表不必死記硬背但如果你發(fā)現(xiàn)自己某一欄毫無(wú)頭緒那大概率是備考盲區(qū)。模塊核心考點(diǎn)推薦準(zhǔn)備深度機(jī)器學(xué)習(xí)基礎(chǔ)LR、決策樹(shù)、GBDT、XGBoost、LightGBM原理能推導(dǎo)公式能講適用場(chǎng)景深度學(xué)習(xí)基礎(chǔ)反向傳播、CNN、LSTM、Transformer能畫(huà)結(jié)構(gòu)圖能解釋關(guān)鍵設(shè)計(jì)大模型技術(shù)微調(diào)、LoRA、RAG、部署、幻覺(jué)能完整講一個(gè)端到端方案工程能力Python、SQL、模型上線、監(jiān)控能現(xiàn)場(chǎng)寫(xiě)代碼能答運(yùn)維場(chǎng)景金融業(yè)務(wù)風(fēng)控流程、反欺詐、營(yíng)銷(xiāo)場(chǎng)景能結(jié)合項(xiàng)目說(shuō)業(yè)務(wù)價(jià)值軟素質(zhì)穩(wěn)定性、合規(guī)意識(shí)、溝通表達(dá)能給出真誠(chéng)、務(wù)實(shí)的回答6.2 備考資料與時(shí)間安排結(jié)合我自己的備考周期和后期輔導(dǎo)經(jīng)驗(yàn)郵儲(chǔ)AI崗的備考建議提前一到兩個(gè)月開(kāi)始分三個(gè)階段推進(jìn)會(huì)更從容。第一個(gè)階段是基礎(chǔ)復(fù)習(xí)1到2周集中刷機(jī)器學(xué)習(xí)、深度學(xué)習(xí)經(jīng)典教材的重點(diǎn)章節(jié)。這個(gè)階段不建議海量看論文目標(biāo)是把基礎(chǔ)模型原理和公式推導(dǎo)恢復(fù)到手寫(xiě)不出錯(cuò)的程度同時(shí)把大模型相關(guān)的基礎(chǔ)概念過(guò)一遍。第二階段是項(xiàng)目梳理與大模型專(zhuān)項(xiàng)2到3周。把簡(jiǎn)歷上的項(xiàng)目每個(gè)細(xì)節(jié)都盤(pán)一遍準(zhǔn)備待追問(wèn)的問(wèn)題清單然后系統(tǒng)學(xué)習(xí)RAG、LoRA、模型評(píng)估、模型部署的基礎(chǔ)鏈路并找開(kāi)源框架如LangChain或LlamaIndex跑一個(gè)端到端demo。實(shí)操的重點(diǎn)包括安裝依賴(lài)、選擇Embedding模型、構(gòu)建知識(shí)庫(kù)、寫(xiě)檢索鏈路、做Prompt封裝、搭一個(gè)簡(jiǎn)單的Web界面并壓測(cè)。只有自己跑過(guò)面試中被問(wèn)到細(xì)節(jié)的時(shí)候你才能有真實(shí)感受才知道哪個(gè)環(huán)節(jié)最容易出問(wèn)題以及為什么需要重排序、召回率和準(zhǔn)確率如何取舍。第三階段是模擬面試與真題練習(xí)1到2周。找同學(xué)或朋友以問(wèn)答方式做模擬面試重點(diǎn)鍛煉“能夠把復(fù)雜概念講通俗”的能力。自己在白紙上畫(huà)Transformer結(jié)構(gòu)圖、手寫(xiě)RAG流程圖反復(fù)練直到能一氣呵成、邏輯嚴(yán)密地表達(dá)出來(lái)。6.3 我在面試中踩過(guò)的坑和總結(jié)出的經(jīng)驗(yàn)最后分享幾個(gè)我真實(shí)體會(huì)到的東西說(shuō)實(shí)話有些坑是只有被面過(guò)才知道的第一不要背題。面試官問(wèn)“什么是過(guò)擬合”如果你一上來(lái)就背標(biāo)準(zhǔn)定義他很快就會(huì)追問(wèn)一個(gè)具體場(chǎng)景比如“你的風(fēng)控模型在驗(yàn)證集AUC 0.82訓(xùn)練集0.95你接下來(lái)怎么排查”。這一下就能區(qū)分出你是真懂還是只會(huì)背概念。準(zhǔn)備面試最好的方式是結(jié)合實(shí)際項(xiàng)目和實(shí)際數(shù)字去組織答案哪怕項(xiàng)目是課程設(shè)計(jì)你也可以把思考過(guò)程講透。第二注意語(yǔ)氣節(jié)奏。銀行面試整體氛圍偏穩(wěn)重回答問(wèn)題時(shí)不用趕時(shí)間。面試官拋出一個(gè)問(wèn)題先花幾秒組織邏輯再說(shuō)“我理解這個(gè)問(wèn)題的核心是想考察……”然后按要點(diǎn)展開(kāi)。這樣不僅會(huì)讓自己更自信也給了面試官一個(gè)清晰的接收結(jié)構(gòu)。第三不會(huì)的問(wèn)題態(tài)度比答案重要。在銀行AI崗面試中如果你遇到?jīng)]聽(tīng)過(guò)的大模型工具或者新架構(gòu)直接說(shuō)“這塊我還沒(méi)深入了解不過(guò)根據(jù)我已有的知識(shí)它應(yīng)該是……”比自己猜一個(gè)答案安全得多。面試官看重的不是“全知全能”而是誠(chéng)實(shí)、可培養(yǎng)和思維方法清晰。第四多準(zhǔn)備幾個(gè)反問(wèn)問(wèn)題。面試末尾面試官一般會(huì)問(wèn)“你還有什么問(wèn)題”。這是展示你對(duì)郵儲(chǔ)AI業(yè)務(wù)和崗位思考的好機(jī)會(huì)。比如問(wèn)“郵儲(chǔ)銀行目前在哪些業(yè)務(wù)場(chǎng)景里用了大模型技術(shù)未來(lái)一到兩年規(guī)劃重點(diǎn)是什么”或“AI團(tuán)隊(duì)和業(yè)務(wù)團(tuán)隊(duì)的協(xié)作機(jī)制是怎樣的”這些問(wèn)題會(huì)讓面試官感到你不是海投簡(jiǎn)歷而是做過(guò)功課、認(rèn)真考慮過(guò)加入后的角色。我自己的感覺(jué)是郵儲(chǔ)銀行的AI崗面試看起來(lái)只考代碼和算法實(shí)際上是在考察你能否在一個(gè)強(qiáng)合規(guī)、重穩(wěn)定、業(yè)務(wù)價(jià)值要求極高的環(huán)境里把AI能力真正落地成業(yè)務(wù)成果。準(zhǔn)備充分的人即使有些題沒(méi)答上來(lái)也會(huì)因?yàn)檎w工程視野和業(yè)務(wù)理解被認(rèn)可。把基礎(chǔ)模型原理吃透、把大模型落地鏈路實(shí)操一遍、把金融業(yè)務(wù)場(chǎng)景理解清楚這三件事做扎實(shí)其他就是臨場(chǎng)發(fā)揮的問(wèn)題了。