华为 AI / 算法怎么准备
华为算法岗公开反馈里，工程约束和评测纪律很重。能落地、能复现，比报 SOTA 更重要。
五题覆盖约束、评测、数据、编码和协作。用你的落地项目答。
华为怎么面算法
- 可能问端侧或资源约束。
- 评测是否可复现。
- 编码基础仍常见。
面试阶段与知识点
第一批不把每个阶段拆成独立 URL，避免程序化重复页。阶段对应下面的题，练完再用模拟面试串起来。
- 约束：可落地。
- 评测：复现。
- 数据：标注。
- 论文：落地冲突。
值得开口练的题
每题给考察点、思路、结构化参考答案和追问。参考答案用来组织语言，面试时必须换成你自己的项目事实。
模型在服务器效果好，端侧算力不够，你怎么压？
考察点
- 蒸馏
- 量化
- 功能降级
回答思路
先定端侧延迟、内存与功耗预算，再按蒸馏、量化、剪枝顺序压模型，不够则降功能。
结构化参考答案
- 指标上写明端侧 P99 延迟、内存峰值与 TOP1 准确率下限，分机型档位分别验收。
- 方法上优先知识蒸馏与 INT8 量化，逐层验证掉点，超阈值则减特征或减模型深度而非硬上。
- 工程上真机多机型回归与 OTA 回滚路径就绪，规格变更需重新签离线评测基线。
- 有效性以端侧 benchmark 与场测对照服务器版增益，证明压缩方案在规格内可落地且效果可验证。
面试官可能追问
- 量化掉点如何找回？
- 如何保证多机型？
- 谁批准降功能？
如何让离线评测可复现，而不是「我这边挺好」？
考察点
- 数据版本
- 种子
- 脚本
回答思路
数据、代码、配置与随机种子全部版本化，他人按文档应能复现同一离线指标。
结构化参考答案
- 指标上固定评测集版本号与主指标定义，每次实验记录数据切片、超参与种子。
- 方法上训练脚本与评测脚本入仓，硬件差异在报告中声明，禁止私下改测试集。
- 工程上 CI 跑标准评测流水线，变更数据集需评审并保留旧版对照，支持一键回滚基线。
- 有效性以第三方或同事按文档复现的指标偏差在约定阈值内，证明评测纪律而非个人口径。
面试官可能追问
- 数据不能公开怎么办？
- 硬件差异如何声明？
- 如何防偷偷改测试集？
标注不一致，模型再强也抖，你怎么治理？
考察点
- 指南
- 一致性
- 抽检
回答思路
先修标注指南与双标一致率，难例仲裁后再训模型，一致率作数据门禁。
结构化参考答案
- 指标上统计双标一致率、难例占比与随时间概念漂移，分任务类型分别报。
- 方法上写指南与正反例，双标算 Cohen kappa，低一致批次返工或专家仲裁。
- 工程上标注平台版本化指南，一致率低于门槛阻断训练入仓，外包批次抽检可回滚。
- 有效性以一致率提升后模型跨版本指标方差缩小，证明数据质量治理带来可复现的效果增益。
面试官可能追问
- 专家少怎么办？
- 如何处理随时间概念漂移？
- 外包质量如何控？
实现混淆矩阵并说明精确率召回率适用场景
考察点
- TP/FP
- 不平衡
- 场景
回答思路
先实现四格计数，再解释不平衡下精确率与召回的取舍：安全偏召回，打扰用户偏精确。
结构化参考答案
- 样本上构造不平衡测试集，覆盖全负、全正与典型混淆边界，验证计数与 sklearn 对齐。
- 方法上由 TP/FP/FN/TN 推导精确率召回率，多分类可用宏平均，阈值沿 PR 曲线选取。
- 工程上说明指标选择需与业务损失对齐，端侧或实时场景要考虑计算开销与规格限制。
- 有效性以单元测试通过与业务 case 说明哪类场景主看召回哪类主看精确，证明实现与语义一致。
面试官可能追问
- 多分类如何宏平均？
- 阈值如何选？
- 如何和业务损失对齐？
研究同学要上复杂模型，工程认为不可维护，你怎么站？
考察点
- 增益
- 复杂度
- 阶段
回答思路
用同等数据下的增益与运维成本说话，分阶段：复杂模型离线验证，在线蒸馏交付。
结构化参考答案
- 指标上要求复杂模型相对基线的离线增益与线上一致性，运维人力与故障率纳入决策。
- 方法上先复杂模型离线探顶，再蒸馏或量化给工程可维护版本，达不成增益则书面结论。
- 工程上定义可维护标准如依赖、延迟与回滚时间，未达标不上线，失败路径可快速回退。
- 有效性以分阶段实验记录与线上小流量对照，证明在规格与可维护约束下拿到了可验证增益。
面试官可能追问
- 如何避免打压研究？
- 谁定义可维护？
- 失败如何回退？
和岗位、模拟面试一起用
资料管理里保存目标岗位 JD，模拟面试会按简历出题。点题目下的按钮会把本题带进模拟开场，仍需先绑定简历与岗位。