三面百度AI岗！-技术圈

Datawhale干货

面经：百度AI算法岗位

目前，百度是为数不多的提供全栈AI的公司之一，拥有基础设施包括AI芯片（昆仑芯片）、云平台（百度智能云）、深度学习框架（飞桨）、核心AI功能、开放式AI平台等。如果需要面百度AI岗，对百度AI的布局和业务理解也是相当重要的。

关于面试经验，有朋友最近去百度面了一个AI相关的工作，面试官结合现在流行的AI、物联网趋势，问到AI落地会考虑哪些问题，给大家分享一下。

一、为了适配边缘部署要求，AI算法怎么做适配？

二、在模型效果和效率之间怎么做平衡和取舍？怎么在不牺牲效果的前提下提高效率？

三、AI算法上线后怎么持续做迭代？

这一连“三问”会瞬间问懵很多同学。不过幸好他提前刷了很多试题，也找别人取了经验，还主动对飞桨PaddlePaddle、飞桨企业版BML等产品做了一些了解，思考了一会儿还是能回答的，也给大家整理了具体的面经。

一、AI算法如何做适配

我们都知道现在是人工智能时代，越来越多的AI需要从云端扩展到我们熟悉的边缘端，比如智能耳机、智能摄像机、智能手环、物流机器人等等，把AI部署在边缘端已经成为趋势，这也正式嵌入式AI要做的事情。而我们关心的AI模型能不能跑起来问题，关键在于软硬件环境的适配情况：

硬件适配，当然是适配越多的AI芯片越好。常见的有CPU，GPU，FPGA，以及各类ASIC芯片，例如：Nvidia Jetson系列、海思NNIE系列、华为Atlas、麒麟NPU、高通DSP、Intel VPU、瑞芯微NPU、寒武纪等，都适配了就给工程师降低了端侧模型适配迁移的难度，换一个设备照样可以轻松的部署上去；

软件适配，四大操作系统肯定不用说要适配。Linux、Windows、Android 、iOS，无论是PC还是手机，都得能给安排上；

框架适配，越全越好。我们知道的飞桨 PaddlePaddle、TensorFlow、PyTorch、Caffe、MXNet 等框架以及 ONNX 模型格式。此外，还要支持图像分配、物体检测、人脸识别、OCR等业界主流的算法类型，这样在模型的适配和转换方面可以轻松自如。

二、模型效果和效率之间如何平衡

在进行端侧部署时，我们通常比较关注模型的推理性能，其实，各家AI芯片厂商为了实现更高性能的推理能力，都在努力提高芯片的并行处理能力，比如通过GPU这样的超多线程并行处理……但最终的结果是，算力得到提升了，灵活性反而下降了。想要一个速度快、精度高、占用内存少的模型，该怎么办？

为了让模型跑得更快更省内存，我们可以采用模型压缩，比如模型量化、剪枝和蒸馏技术，让模型轻便地跑起来，在尽可能保证效果的同时达到更好的压缩效果。蒸馏可以简单理解为，通过大模型蒸馏小模型，使得小模型具有与大模型接近的效果。而量化、剪枝本质都是对基础模型在尽量不影响精度的前提下进行精简 , 自然模型小了 , 内存占用就少了 , 推理时间也就短了，功耗也更低。

三、AI算法上线后如何迭代

模型的部署不是一劳永逸的，我们需要根据客户需求或者实际的业务场景进行迭代升级，需要在应用中收集样本、不断更新模型。

其实，最简单的模型维护方式就是不断添加新数据，或者在添加的基础上做进一步数据增强，从而提升模型迭代的精度。比较好操作的方法就是把新的数据添加到原有的数据集，从而让模型持续优化。

以上就是朋友做的面试经验总结啦，当然他也喜提百度AI的offer，除了基本功，他对百度AI的布局和产品的了解也是加分项，在这里也祝其他同学秋招顺利，也有机会收获百度offer.

关于百度AI相关知识的学习

9月15-16日，百度AI快车道-BML课程将上线，百度技术专家将联合英伟达解决方案专家将一起探讨如何在端侧高效部署AI模型，同时百度还提供了学习奖励。

1. 参与百度BML线上直播互动，可抽取Jetson Nano、小度耳机、智能音箱、体脂秤等好礼；

2. 参与学习并完成“产品体验调研报告”，可获得100元京东卡奖励。

点击【阅读原文】，可直接报名。