lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
หน้าแรก
AI
OPRR
ด่วน
ความลึก
กิจกรรม
BlockBeats Pro
เพิ่มเติม
การเงิน
พิเศษ
ระบบนิเวศบล็อกเชน
รายการ
พอดแคสต์
ข้อมูล
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
Partnered With:

จากการสัมภาษณ์ 57 ครั้ง สู่ข้อเสนอจาก OpenAI: การทบทวนเส้นทางหางานของนักวิจัยปริญญาเอกด้าน NLP กลายเป็นที่พูดถึงอย่างร้อนแรง

อ่านบทความนี้ใน 24 นาที
6 ปี 57 รอบสัมภาษณ์ การต่อรองเงินเดือนยากกว่าการทำโจทย์ซะอีก
หัวข้อต้นฉบับ: "จาก 57 รอบสัมภาษณ์สู่ข้อเสนอจาก OpenAI: การ复盘求职ของนักศึกษาปริญญาเอก NLP สู่บริษัท AI ชั้นนำ"
แหล่งที่มาต้นฉบับ: Machine Heart


วันนี้ ทีมบรรณาธิการ Machine Heart รายงานว่า Alisa Liu นักศึกษาปริญญาเอกที่กำลังจะสำเร็จการศึกษาจากมหาวิทยาลัย Washington จะเข้าร่วม OpenAI กลายเป็นกระแสบน X


โพสต์หลักมียอดเข้าชมทะลุล้านครั้ง เธอระบุว่ากระบวนการหางานครั้งนี้ท้าทายกว่าที่คิด แต่ก็เต็มไปด้วยประสบการณ์ที่มีค่า


ดังนั้นเธอจึงเขียนบล็อกสั้นๆ เพื่อแบ่งปันบทเรียนที่ได้เรียนรู้ตลอดเส้นทาง และหวังว่าจะช่วยให้คนที่กำลังจะผ่านกระบวนการนี้มีความสับสนน้อยลง



หากคุณกำลังเรียนปริญญาเอก หรือกำลังจะก้าวเข้าสู่เส้นทางการหางาน บทความนี้คุ้มค่าที่จะอ่านอย่างตั้งใจ งานวิจัยของ Alisa Liu มุ่งเน้นการสร้างอัลกอริทึมที่ดีกว่าสำหรับโมเดลภาษา รวมถึงทิศทางต่างๆ เช่น tokenization, การสร้างข้อมูล และการปรับตัวในขั้นตอนการอนุมาน หลังจากสำเร็จการศึกษา เธอได้รับข้อเสนอตำแหน่ง Research Scientist / MTS จากบริษัท AI ชั้นนำหลายแห่ง


ดังนั้นเธอจึงเขียนกระบวนการหางานทั้งหมดเป็นบทสรุป อย่างไม่ปิดบัง — รวมถึงช่วงเวลาที่ทำให้เธอพังทลาย ในตอนต้นของบล็อก เธอเขียนว่าในช่วงส่วนใหญ่ของการเรียนปริญญาเอก การหางานในความคิดของเธอเหมือนหมวกคัดสรรของฮอกวอตส์: รุ่นพี่รุ่นน้องหายไปหลายเดือน แล้วกลับมาพร้อมกับชะตากรรมที่ถูกกำหนดแล้ว เธอรู้ว่าพวกเขาไปที่ไหน แต่แทบไม่รู้อะไรเลยเกี่ยวกับสิ่งที่เกิดขึ้นระหว่างนั้น


จนกระทั่งถึงตาของเธอเอง เธอถึงพบว่ากระบวนการนี้โหดร้ายกว่าที่คิด และเธอต้อง "เรียนรู้กฎไปพร้อมกับเล่นไพ่" ตลอดเวลา บทความนี้คือสิ่งที่เธอเขียนถึงคนที่ยังไม่ได้เริ่มต้น


ที่อยู่บล็อก:
https://alisawuffles.github.io/blog/job-search/


6 ปี ปริญญาเอก NLP เธอสมัครตำแหน่ง Research Scientist และ Member of Technical Staff ตลอดช่วงการหางาน เธอเข้าร่วมกระบวนการสัมภาษณ์ของ 11 บริษัท ทำการสัมภาษณ์อย่างเป็นทางการ 57 ครั้ง รับสายโทรศัพท์จากผู้สรรหา 46 ครั้ง หลังจากได้รับข้อเสนอแล้วยังมีการพูดคุยเชิงลึกอีก 16 ครั้ง และยังมีการสนทนาแบบไม่เป็นทางการนับไม่ถ้วน


มีหลายบริษัทที่ยื่นข้อเสนอที่เธอพอใจให้ เธอจึงถอนตัวจากกระบวนการอื่นๆ อย่างตั้งใจ ในขณะที่บางบริษัทก็เงียบหายไป ไม่มีการตอบกลับอีกเลย



การ "ฝึกซ้อม" หรือไม่ เป็นปัญหาที่ซับซ้อน


เกี่ยวกับลำดับการสัมภาษณ์ คำแนะนำที่แพร่หลายที่สุดคือ: ใช้บริษัทที่คุณไม่ค่อยสนใจสักสองสามแห่งเป็นตัวฝึกซ้อมก่อน จากนั้นค่อยเน้นไปที่บริษัทที่คุณอยากไปจริงๆ พยายามให้ได้ข้อเสนอพร้อมกัน เพื่อให้สะดวกต่อการเจรจาเรื่องเงินเดือนในภายหลัง


ตรรกะนี้โดยรวมแล้วไม่ผิด แต่เธอพบว่าในทางปฏิบัติจริง สถานการณ์มันซับซ้อนกว่านั้น


ประการแรก พลังงานมีจำกัด การฝึกซ้อมมีประโยชน์ แต่ถ้าใช้สองสามแห่งแรกเป็นตัวสังเวย จนหมดแรง เมื่อถึงคราวของที่ที่อยากไปจริงๆ สภาพร่างกายและจิตใจก็พังไปแล้ว


ประการที่สอง ช่วงเวลาของการสัมภาษณ์ไม่ได้อยู่ในการควบคุมของคุณทั้งหมด บริษัทหนึ่งๆ มีโควต้าการรับสมัครหรือไม่ ทีมไหนกำลังหาคนอย่างจริงจัง ปัจจัยภายนอกเหล่านี้มักมีอิทธิพลมากกว่า "ระดับความพร้อม" ของคุณ สามารถสอบถามข้อมูลล่วงหน้าจากเพื่อนภายในหรือฝ่ายรับสมัครได้


ประการที่สาม วันปิดรับข้อเสนอมักจะยืดหยุ่นกว่าที่คุณคิด ฝ่ายรับสมัครรู้ว่าคุณกำลังดำเนินการหลายกระบวนการพร้อมกัน โดยทั่วไปก็จะให้ความร่วมมือ แต่เธอก็เตือนด้วยว่า: มีข้อเสนอแบบ "ระเบิดเวลา" ที่ให้ระยะเวลาเซ็นสัญญาสั้นมากจริงๆ อย่าลืมสอบถามกติกาให้ชัวร์ก่อน


การสัมภาษณ์เจ็ดแบบ สอบคนละเรื่องกันโดยสิ้นเชิง


เธอจัดหมวดหมู่การสัมภาษณ์ทั้งหมดที่เคยผ่านมาเป็นเจ็ดประเภท และเน้นย้ำเป็นพิเศษว่า: โดยรวมแล้ว การทดสอบความสามารถทางเทคนิคมีความสำคัญมากกว่าประสบการณ์การวิจัยเสียอีก แน่นอนว่าประสบการณ์การวิจัยอาจเป็นเหตุผลที่ทำให้คุณได้โอกาสสัมภาษณ์


ที่พบบ่อยที่สุด คือ โจทย์โค้ด ML โจทย์อาจเป็นการ implement สถาปัตยกรรมคลาสสิก เช่น Transformer; อาจเป็นการ implement กลยุทธ์การถอดรหัส เช่น beam search; หรืออาจเป็นอัลกอริทึม ML แบบดั้งเดิม หรือรูปแบบแปรผันที่สร้างสรรค์มาก PyTorch เป็นเครื่องมือที่ต้องเชี่ยวชาญ บางครั้งเธอก็เจอกรณีที่อนุญาตให้ใช้แค่ numpy เช่น การเขียน backpropagation ด้วยมือจากศูนย์ แต่ผู้สัมภาษณ์จะไม่บังคับให้เธอคุ้นเคยกับไวยากรณ์ numpy ทั้งหมดล่วงหน้า


ถัดมา คือ โจทย์อัลกอริทึมทั่วไป แนว LeetCode บางครั้งก็มีการเพิ่มบริบทเข้าไป เธอบอกว่าตรรกะพื้นฐานของส่วนนี้ซ้อนทับกับโจทย์โค้ด ML อย่างมาก การปูพื้นฐานให้แน่นจะทำให้ทั้งสองประเภทได้รับประโยชน์


การอภิปรายทางเทคนิค เป็นประเภทที่ไม่ต้องเขียนโค้ดแต่ใช้สมองอย่างหนัก บางครั้งการสัมภาษณ์ทั้งรอบจะวนเวียนอยู่กับปัญหาเดียว: ให้เป้าหมายการวิจัยมา คุณออกแบบการทดลอง ผู้สัมภาษณ์ซักถามการตัดสินใจในการออกแบบของคุณ ให้ผลลัพธ์สมมติ ให้คุณวิเคราะห์และออกแบบขั้นตอนถัดไป — สิ่งที่ทดสอบคือวิธีคิดของคุณ อีกรูปแบบหนึ่งคือการยิงคำถามจำนวนมากอย่างรวดเร็ว เช่น "การเข้ารหัสตำแหน่งมีวิธีการ implement ที่แตกต่างกันอย่างไร", "5D Parallel คืออะไร", "PPO กับ GRPO ต่างกันอย่างไร" เพื่อวัดขอบเขตความรู้ของคุณในเวลาอันสั้น


การอภิปรายประสบการณ์วิจัยเป็นประเภทที่ใกล้เคียงกับการฝึกฝนประจำวันของนักศึกษาปริญญาเอกมากที่สุด โดยปกติจะเริ่มจาก "แนะนำโปรเจกต์ที่คุณเคยทำ" จากนั้นเจาะลึกไปตามหัวข้อนั้น ผู้สัมภาษณ์อาจถามเกี่ยวกับเอกสารวิจัยอื่นๆ ในประวัติย่อด้วย ในการเตรียมตัวสำหรับการสัมภาษณ์ประเภทนี้ เธอจะตั้งใจมองงานวิจัยของตัวเองจากมุมสูง—ทำไมถึงเลือกหัวข้อนี้ สะสมวิจารณญาณเฉพาะตัวอะไรบ้างระหว่างการทำงาน และทิศทางที่มีคุณค่าที่สุดในอนาคตคืออะไร เธอยังปรับมุมมองในการนำเสนองานวิจัยตามทิศทางของแต่ละบริษัท โดยพูดว่า "ผู้สัมภาษณ์ล้วนเหนื่อยล้า การทำให้พวกเขารู้สึกได้อย่างรวดเร็วว่า 'พื้นหลังของคุณตรงกับความต้องการของเราอย่างมาก' นั้นสำคัญกว่าสิ่งอื่นใด"


การสัมภาษณ์เชิงพฤติกรรมเป็นประเภทเดียวที่เธอเคยมีประวัติความล้มเหลวอย่างหนัก เธอบอกว่าครั้งแรกที่สัมภาษณ์เชิงพฤติกรรม เธอไม่ได้ใส่ใจเลย คิดว่าตัวเอง "มีพฤติกรรมดีอยู่แล้ว" แต่พอถูกถามคำถามพื้นฐานที่สุด สมองกลับว่างเปล่า ต้องรีบรวบรวมความทรงจำที่เลือนลางในที่นั้น


เมื่อการสัมภาษณ์จบลง ผู้สัมภาษณ์พูดประโยคที่ทำให้เธอรู้สึกอึดอัดว่า "คุณไม่ได้ตอบคำถามของฉัน" เธอเขียนในบทความว่าความเจ็บปวดนั้นเป็นเอกลักษณ์—คุณกำลังค้นหาความทรงจำ จัดระเบียบความคิด และพูดออกไปพร้อมกัน ทั้งสามอย่างทำได้ไม่ดี วิธีที่ถูกต้องคือการรวบรวมเรื่องราวทั้งหมดที่คุ้มค่าแก่การเล่าในช่วงปริญญาเอกไว้ล่วงหน้า จัดทำแผนที่ตามกรอบคำถามเชิงพฤติกรรมทั่วไป แล้วเมื่อถูกถาม ก็แค่ดึงออกมาใช้


การสัมภาษณ์คณิตศาสตร์มีอยู่ในบางบริษัท ระดับความยากตั้งแต่โจทย์ตรรกะสนุกๆ ไปจนถึงโจทย์คำนวณจริงที่ต้องใช้กระดาษและปากกา เธอแนะนำให้ทบทวนทฤษฎีความน่าจะเป็น พีชคณิตเชิงเส้น และแคลคูลัส


สุดท้ายคือ Job Talk ซึ่งสั้นกว่าและเน้นเฉพาะเจาะจงมากกว่าในแวดวงวิชาการ Job talk ของเธอเน้นที่ tokenization เป็นหลัก เจาะลึกเอกสารที่เธอเป็นผู้เขียนคนแรกหนึ่งฉบับ เสริมด้วยเอกสารที่เธอเป็นผู้เขียนคนที่สองสองสามฉบับและงานที่กำลังดำเนินการ ซึ่งเนื้อหาสามารถเชื่อมโยงเป็นเส้นเรื่องที่สมบูรณ์ได้


การเตรียมตัว ไม่มีทางลัด


เธอบอกว่าไม่มีอะไรที่คุ้มค่ากับการลงทุนเวลาเท่ากับการเตรียมตัวอย่างจริงจัง เธอเปรียบประสบการณ์นี้เหมือนการกลับไปเป็นนักศึกษาปริญญาตรี: จดบันทึก วาดรูป ทำโจทย์ นั่งในร้านกาแฟทั้งวันเพื่อทบทวนพื้นฐาน ML ตั้งแต่ต้น เธอทำบันทึก LLM โดยเฉพาะ ซึ่งอัปเดตตลอดช่วงหางาน และยังทำบันทึกคณิตศาสตร์ ซึ่งรีบทำก่อนการสัมภาษณ์เฉพาะครั้งหนึ่ง


เส้นทางการเตรียมตัวโดยประมาณคือ: เริ่มจากการดูคอร์ส Stanford "Language Modeling from Scratch" ทั้งหมดตั้งแต่ต้น เพื่อรวมความรู้ที่กระจัดกระจายในสมองให้เป็นแผนที่ที่สมบูรณ์ หลังจากปูพื้นฐานแล้ว ค่อยเจาะลึกแนวคิดเฉพาะทีละอย่าง โดยการอ่านบล็อกและเอกสารวิจัย สนทนากับ AI อย่างมากมาย และเขียนโค้ดด้วยตัวเองตั้งแต่ต้นเพื่อทำความเข้าใจอย่างแท้จริง


เธอเน้นย้ำเป็นพิเศษเกี่ยวกับการใช้งาน Transformer ว่า "การสามารถเขียนและดีบัก Transformer ตั้งแต่เริ่มต้นได้นั้น เป็นสิ่งที่เจอบ่อยในการสัมภาษณ์จนควรฝึกจนกลายเป็นความจำของกล้ามเนื้อ ห้ามเสียคะแนนตรงนี้เด็ดขาด"


เธอยังเตือนอีกว่า: ขณะฝึกซ้อมต้องปิดเครื่องมือช่วยเหลือ AI ทั้งหมดโดยเด็ดขาด เพื่อจำลองสภาพแวดล้อมการสัมภาษณ์จริง คุณจะประเมินการพึ่งพา AI ของตัวเองต่ำเกินไป จนกว่าจะถูกบังคับให้แก้ปัญหาด้วยตัวเองถึงจะรู้


สำหรับการสัมภาษณ์แต่ละครั้ง เธอก็เตรียมตัวแยกต่างหาก "เหมือนกับวิชาคณิตศาสตร์หรือ CS ที่คุณไม่เคยเรียนมาก่อน ตอนนี้เหลือเวลาอีกประมาณสามวันก่อนสอบกลางภาค คุณต้องเร่งอ่านแบบฉุกเฉิน" เธอจะประเมินขอบเขตการสอบจากการบรรยายงานสัมภาษณ์ ทิศทางเทคโนโลยีของบริษัท คำใบ้จากผู้รับสมัคร และชื่อเสียงของบริษัท จากนั้นจึงโฟกัสไปที่เนื้อหาที่เกี่ยวข้องมากที่สุด


เกี่ยวกับสภาพก่อนสอบ เธอมีบทเรียนที่เสียค่าใช้จ่ายสูง: ก่อนการสัมภาษณ์เทคนิคครั้งแรก เธอนอนเพียงสองชั่วโมง ใช้เวลาทั้งคืนทบทวนรายละเอียดของ LLM Inference แต่สุดท้ายความรู้พวกนั้นไม่ได้ถูกถามเลย กลับกันเพราะความง่วง ทำให้ติดอยู่กับ off-by-one error ง่ายๆ นานถึงสิบนาที เพราะ "สมองหมุนไม่ทัน" บทสรุปคือ: การนอนหลับที่เพียงพอสำคัญกว่าการอ่านหนังสือฉุกเฉินนาทีสุดท้ายใดๆ


เธอยังพูดถึงสิ่งที่ได้มาโดยไม่คาดคิด: การเตรียมตัวอย่างหนักช่วยเพิ่มความมั่นใจอย่างมาก ไม่ต้องกังวลว่าจุดอ่อนความรู้จะถูกเปิดเผย และไม่ต้องปิดบังในการสนทนาทางวิชาการอีกต่อไป เธอยังบอกอีกว่า ถ้าเตรียมตัวแบบนี้ตั้งแต่ช่วง PhD ขอบเขตปัญหาที่จะเข้าถึงได้จะกว้างขึ้น ความคิดที่เกิดขึ้นก็จะมากขึ้น และการชวนคนคุยก็จะมากขึ้นด้วย


การได้รับ offer เป็นเพียงจุดเริ่มต้น


หลายคนคิดว่าการได้ offer คือจุดจบ เธอบอกว่า ตรงกันข้าม


ต่อไปคือช่วงเวลาที่อาจยาวนาน คุณต้องคุยเชิงลึกกับเพื่อนร่วมทีมและผู้จัดการในอนาคต ไปกินข้าวที่บริษัท รับโทรศัพท์จากผู้รับสมัคร และจัดการกับอีเมลที่ถาโถม—เธอยอมรับว่าในช่วงนี้มีอีเมลบางฉบับที่ยังไม่ได้ตอบ


การเจรจาเงินเดือนเป็นเรื่องหลักในช่วงนี้ และเป็นสิ่งที่เธอคิดว่ายากที่สุด "พวกเรา PhD ไม่เคยเตรียมตัวเรื่องนี้มาก่อน และเรื่องนี้ไม่เหมือนการสัมภาษณ์ที่สามารถเอาชนะด้วยการฝึกฝน ผู้รับสมัครมีข้อได้เปรียบทั้งในด้านข้อมูลตลาดและทักษะการเจรจา และสิ่งที่แต่ละคนต้องการก็ไม่เหมือนกัน"


แต่การไม่เจรจานั้นผิด ข้อเสนอเริ่มต้นมีพื้นที่สำหรับการเจรจาอยู่แล้ว ผู้รับสมัครมากกว่าหนึ่งคนบอกเธอโดยตรงว่า "ฉันไม่คาดหวังให้คุณยอมรับข้อเสนอแรกของเรา" การทุ่มเทอย่างจริงจังในช่วงไม่กี่สัปดาห์นี้ อาจเทียบเท่ากับความแตกต่างของรายได้ที่ได้จากการทำงานหลายปีตามข้อเสนอเริ่มต้น


วิธีการเฉพาะของเธอคือ: ก่อนการโทรนัดสัมภาษณ์แต่ละครั้ง ให้เขียนสิ่งที่เธอยินดีเปิดเผย สิ่งที่ไม่ต้องการเปิดเผย และถ้อยคำบางอย่างที่สามารถท่องจำได้โดยตรง คาดเดาคำถามและข้อโต้แย้งที่อีกฝ่ายอาจยกขึ้นมา และวางแผนการรับมือล่วงหน้า เพื่อให้ตัวเองสามารถยืนหยัดในจุดยืนได้อย่างสบายใจ กระบวนการนี้ใช้เวลานาน แต่ทุกรายละเอียดก็คุ้มค่าที่จะใส่ใจ


ส่วนที่ไม่มีใครพูดถึง


เธอเขียนข้อความนี้ไว้ใกล้ท้ายบทความ ซึ่งจำเป็นต้องถ่ายทอดให้ทุกคนได้รับรู้อย่างครบถ้วนว่า "ระหว่างการหางาน เธอต้องจัดการกับอารมณ์มากมาย การเปรียบเทียบกับเพื่อนร่วมงานเป็นเรื่องที่เจ็บปวดและแทบจะหลีกเลี่ยงไม่ได้ คนรอบข้างจะจู่ๆ ก็ใส่ใจในทางเลือกของคุณอย่างผิดปกติ เต็มไปด้วยคำแนะนำและความคาดหวัง ความกดดันทางสังคมแบบนี้ทำให้เหนื่อยล้าเป็นอย่างมาก ที่แย่กว่านั้นคือ คุณต้องตัดสินใจครั้งสำคัญที่ส่งผลกระทบระยะยาวภายใต้ข้อมูลที่ไม่สมบูรณ์อย่างรุนแรง ในขณะที่ทางเลือกเล็กๆ มากมาย เช่น ควรติดต่อใครก่อน ไม่มีคำตอบมาตรฐาน แต่อาจส่งผลกระทบที่ไม่สมส่วน"


ในช่วงหลายเดือนนั้น เธออยู่บนขอบของการพังทลาย ชีวิตด้านอื่นๆ หยุดชะงักลง "หวังว่าคุณจะพบความสนุกมากกว่าฉัน ถ้าไม่ อย่างน้อยก็รู้ว่าคุณไม่ได้อยู่คนเดียว"


สิ่งที่อยากพูดท้ายสุด


สุดท้าย เธอพูดถึงบางอย่างเกี่ยวกับ PhD เอง ซึ่งอาจเป็นส่วนที่ดีที่สุดของบทความนี้


เมื่อวิ่งอย่างสุดกำลังจนถึงจุดสิ้นสุดของปริญญาเอก เมื่อถึงเส้นชัย เธอกลับรู้สึกสูญเสียอย่างใหญ่หลวง ปริญญาเอกเป็นช่วงเวลาพิเศษ หน้าที่เดียวของคุณคือสร้างแนวคิดดีๆ ดำเนินการ เรียนรู้และเติบโต โดยไม่ต้องกังวลเรื่องการหาเลี้ยงชีพทันที


เธอหวังว่าบทความนี้จะช่วยให้คุณเผชิญกับอนาคตด้วยความสับสนน้อยลง พร้อมกันนั้นก็เตือนคุณว่า ไม่จำเป็นต้องกังวลจนเกินไปจนทำให้ปัจจุบันหมดไปก่อนเวลา ตลอดเส้นทางที่ผ่านมา เธอตระหนักชัดเจนขึ้นเรื่อยๆ ว่าผลงานที่ดีที่สุดของเธอมักเกิดขึ้นเมื่อเธอสนุกกับการวิจัยจริงๆ และถูกดึงดูดด้วยปัญหาบางอย่างซ้ำแล้วซ้ำเล่า การเตรียมพร้อมสำหรับอนาคตและการรักปัจจุบัน สองสิ่งนี้สามารถเกิดขึ้นพร้อมกันได้


ลิงก์ต้นฉบับ


ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia

เลือกคลัง
เพิ่มคลัง
ยกเลิก
เสร็จสิ้น
เพิ่มคลัง
เห็นได้เฉพาะตัวเอง
สาธารณะ
บันทึก
แก้ไข/รายงาน
ส่ง