求职季，我是这样拿到百度 AI Offer 的！

最近摸鱼期间，发现身为程序员的我被赋予了另一个身份“新生代农民工”，简直炸了！重点还官宣了，这就更加实锤了啊！我就想说，我们新生代农民工招谁惹谁了，我们能有什么坏心思呢？头都秃了挣点高工资容易吗？

说到高工资，坊间确实流传着程序员 35 岁财富自由一说，尤其是做 AI 算法工程师的，年纪轻轻就可以月入 6W+！但也有不少人说了，真能开出高薪的也就大厂了吧，看看那些 JD，再看看自己之前螺丝钉的工作，大厂的程序员是不是都得会造轮子？自己能面的上么？

这不，一个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，先来给大家分享一下～

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”瞬间给朋友问懵了，他说当时真想找个地缝钻进去。不过幸好他提前刷了很多试题，也找别人取了经验，关键还主动对飞桨 PaddlePaddle、飞桨企业版 BML 等产品做了一些了解，思考了一会儿以后竟然对答如流，简直“凡尔赛”了！面试回来竟然还写了面经！

“跑起来”——适配、适配，还是适配！

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。

“跑得快”——“轻装上阵”，不以牺牲精度为目的

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。

“持续跑”——部署并非一劳永逸，AI 要自我迭代

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，当然他也喜提了百度 AI 的 offer，他很庆幸自己提前做足了功课，尤其是对百度 BML 的深入了解，面试问题可谓正中下怀！他也给身边想学 AI 的朋友们安利了百度 BML，从 AI 入门到精通都可以在这个平台上进行。讲真，靠这个面试拿到高薪，程序员农民工也很知足了。

点击进入了解更多技术资讯~~