🌐99、那你在这个过程中，如果说你设计的方案技术说实现出来有困难，或者说实现不了，你会怎么解决？
竞品→新技术→替代方案→下个版本
参考答案：面试官您好，如果在实际工作中遇到AI算法工程师说需求实现不了，我一般用以下方法处理：
第一步：我会问实现不了的原因。如果该功能/效果其他产品或者竞品已经实现，那说明当前的技术发展水平是可以实现的。
第二步：如果确实是因为公司现有的算法储备或者数据原因实现不了，就要看是否可以通过引入复杂的新技术（比如大模型）来实现。并评估引入新技术的成本高不高，是否超预算。
第三步：如果引入新技术的成本太高，在不影响核心用户体验的情况下看是否有其他替代方案，并评估替代方案的整体实现周期、算法效果、算法稳定性等维度。
第四步：如果替代方案能够接受，则采用替代方案；如果替代方案无法接受，则可以考虑是否将这个功能放到下一个版本来实现。
🌐100、你是怎么去学习AI相关的知识的？
对于AI行业相关的知识，会去从艾瑞、易观、千帆行研网站；
AI相关企业信息会去用IT桔子；
如果想要系统性学一个AI相关知识，会报课，也会买一些书，例如《生成式人工智能》，我看了四五遍；
如果是利用碎片化时间接收资讯的话，会去看一些公众号，例如量子位、新智元、FunderPark之类的公众号
1）在线课程和培训：我完成了Coursera、Udacity和edX上的多门AI和机器学习课程，如Andrew Ng的《机器学习》和DeepLearning.ai的深度学习专项课程。
2）阅读书籍：阅读了《深度学习》 (Ian Goodfellow)、《模式识别与机器学习》 (Christopher Bishop) 等经典书籍，深入理解理论基础。
3）学术论文：定期阅读Arxiv、Google Scholar等平台上的最新研究论文，跟进领域内的最新进展。
4）开源项目和代码：参与GitHub上的开源项目，研究和修改他人的代码，从实践中学习。
5）在线论坛和社区：活跃于Reddit、Stack Overflow等社区，参与讨论并向专家请教。
6）实践项目：通过实际项目和比赛（如Kaggle）应用所学知识，解决实际问题，积累经验。
通过这些方法，我不仅掌握了AI的理论知识，还积累了丰富的实践经验，能够在实际工作中高效应用这些技能。”
🌐101、那你最开始做产品的时候，你做的技术调研，比如还有原型设计，这些你一开始是怎么学习的？
🌐102、你考虑过产品的roadmap吗？或者我们的产品路线图，就是产品的规划图，roadmap产品规划图也就是说1.0,2.0,3.0版本都需要什么功能，可能会根据客户反馈、竞品调研等等，一步一步更新roadmap，然后把roadmap拆分成具体、可执行的步骤，然后把它拆解成甘特图和里程碑，去把任务实现，这就是产品组管理者需要的能力
🌐103、什么是Roadmap？
产品的Roadmap是一个战略计划，展示了产品在未来一段时间内的发展方向和关键里程碑。它帮助团队和利益相关者了解产品的演进路线和优先级
Roadmap包含的内容
1）产品愿景和目标：长远的产品目标和愿景。
2）时间轴：明确的时间框架，通常按季度或年度划分。
3）关键里程碑：产品开发和发布的关键阶段。
4）主要功能和改进：计划中的新功能和现有功能的改进。
5）优先级：每个功能和改进的优先级别。
6）资源分配：各阶段所需的人力和资源分配
🌐104、后续开发规划是什么？
🌐105、介绍一下你的两个项目
这一定是非常高频的一道面试题。大家要注意问题中的一个关键词：系统的！我作为面试官，希望面试者能从项目建设的视角出发，思考和拆解各环节的工作，然后给出每个环节的工作内容、交付物，也就是如下的步骤：
需求分析：做这件事情的背景、价值、以及预期目标都是什么；
技术选型：判断目前积累的数据和沉淀的算法，是否可以达到我们的业务需求；以及选择的什么算法模型实现这个需求。
准备数据：如果是需要自己训练的小模型，则要根据模型预研的结果以及公司的实际情况，来帮助算法同学准备数据；如果是大模型算法则不需要这个步骤。
模型构建：产品经理协助算法工程师进行模型的构建，并对最终交付的模型进行验收；
工程建设：产品经理协调研发团队、算法团队，以及其他第三方的资源依赖，推进需求的产品化落地工作；
效果评估：上线后持续对效果进行监控、迭代模型。
基本上，这样的回答就可以让面试官满意了。回答这个问题一定要逻辑清晰，体现自己的结构化思维。
🌐106、初级产品经理的工作（我负责的模块）
1）需求分析与用户调研：协助进行用户访谈和市场调研，整理和分析用户需求。编写需求文档，确保需求的明确和完整。
2）竞品分析：进行市场上的主要对话式AI工具的竞品分析，撰写竞品分析报告。
3）技术调研：
4）产品流程图、原型图和文档撰写：撰写功能说明书、用户手册等文档工作，确保每个功能模块的清晰描述。
5）数据收集和处理：
6）项目管理支持：协助高级产品经理进行项目计划和进度跟踪，确保各项工作按计划推进。
7）用户测试和反馈收集：组织和执行用户测试，收集测试反馈，帮助高级产品经理优化和调整产品框架。
通过这种分工，初级产品经理能够在实际项目中学习和积累经验，为未来独立承担更复杂的产品管理任务做好准备。
🌐107、你是怎么组织和协调其他岗位的人跟你一起工作的？
1）确定明确的目标和任务
2）建立有效的沟通渠道
3）明确角色和责任
4）激励和支持团队成员
5）使用可视化管理工具
🌐108、其他岗位的人如果不愿意配合你的工作怎么办？
例如在做景观设计AI创意生成平台时，在与一位设计师进行设计流程调研时，发现设计师不愿意配合相关调研，针对这种情况，我做了以下应对策略：
1）理解与共情：了解原因，表达理解
主动与对方沟通，了解不愿意配合的原因，并对她表示理解，寻求解决方案
例如：我向这位景观设计师主动沟通，发现设计师认为我们做的工具能够很大程度上提高工作效率，担心会对自己的工作造成影响，所以配合度低。我对她的担忧表示理解，并向他解释我们产品设计的目标。
2）明确项目目标、定期沟通
确保每位成员了解项目目标和重要性，以及他们在项目中的角色和贡献，定期组织会议，及时传达项目信息，解答疑惑，确保团队对项目的一致理解
例如：向这位设计师沟通产品设计的目标是为了提高工作效率，可以让他们的精力更多地集中在创意设计上，而非是要替代他们的岗位。并且告诉他对于产品设计的重要性和贡献。
3）建立信任与激励
建立信任：通过诚实、透明的沟通和实际行动，建立与团队成员的信任关系
激励措施：通过认可、表扬和奖励，激励团队成员积极性和配合度
例如：我诚挚邀请这位设计师参与到我们的产品设计中，对于他向我们分享的景观业务知识，通过邮件发送感谢信，表示对她的贡献的认可，并且申请了食堂券作为小奖励，通过这些措施，团队工作的积极性和配合度都得到了显著的提升
4）提供支持与资源
资源支持：确保团队成员拥有完成任务所需的资源和工具，如培训、技术支持等。
例如：跟这位设计师沟通，产品发布时，会提供详细的培训和技术支持，让他们能够快速使用工具，提高工作效率
5）获取领导支持：寻求高层领导支持
🌐109、b端产品重要的数据指标有哪些？
自己项目这些指标的合理范围应该是怎样的？
🌐110、功能用到的频率如何？
🌐111、数据表现如何？
🌐112、用户真实反馈如何？
🌐113、B端产品如何照找竞品？
✅第三类问题、对话助理机器人项目
🌐114、比如你们最后选了ChatGLM这个模型，你肯定选了12345甚至更多的大模型的调研，你要确定哪个大模型更贴合你们的场景，它的效果是OK的，你肯定需要拿着你query数据去跑你的测试集，然后拿你的测试集来评估，那你选择大模型的过程都选择过哪些大模型？比较了大模型的什么能力，然后在比较的过程中为什么去把现在用的这个大模型选出来？
🌐115、你们使用的什么模型，用了什么部署方式，用了什么规格的资源，大概成本是多少？
🌐116、你们使用什么参数的模型？
🌐117、你们单轮对话maxtoken数最大是多少？用户平均每个问题使用的token数是多少？你们用于推理的token总量和成本每个月大概是多少？
🌐118、因为大模型的回答如果比较冗长会增加token开销，有哪些方法可以让大模型的回答更加简洁？
🌐119、系统回答一个问题大概需要多少秒？
🌐120、有没有什么可以优化大模型回答速度的方法，或者系统在回应时间这么长的情况下应该采取哪些措施增强用户体验？
🌐121、如何保证系统回答与用户的问题有较大的相关性呢？
思路：数据、检索方法（有没有把相关内容检索出来）、重排序
增强系统回答准确度主要可以从以下几个方面入手：
1）高质量的训练数据集：
多样化的数据源：例如业务项目文档、专业知识书籍和库，增加模型对不同类型问题的理解和回答能力
数据清洗：确保训练数据噪音最小化，去除无关信息、重复数据和错误信息
数据分段：合适的切分策略
增加元数据：
2）对RAG系统进行优化
优化RAG系统可以从检索和生成两个方面入手：
检索优化
采用Q2Q方式对用户问题和知识块问题进行匹配
采用混合检索和重排序方法进行优化
生成优化
对知识块重排序，设置召回数量TopK和Score值
🌐122、模型微调的成本是多少？（答案不完整，需要再计算）
开源模型微调的成本主要是机器成本、人力成本和时间成本
🌐123、景观设计助理机器人是一个多模态交互的还是只是一个文本交互的？
🌐124、你们的企业知识库支持闲聊功能吗？
🌐125、系统如何自动判断用户问题，该调知识库还是该联网
🌐126、测试工程师对清洗和分段好的数据做了哪些测试？
1）数据完整性测试：确保数据无丢失或损坏
数据对比：将清洗和分段后的数据进行对比，确保没有数据丢失和损坏
记录数验证：核对文档数量和分段后的总段落数量，确保一致
数据检查：抽取样本数据进行详细检查，确保所有关键信息完整
2）数据准确性测试：确保数据内容准确无误
拼写和语法检查：使用自动化工具和人工检查相结合的方法，确保数据中的拼写和语法无误
业务逻辑验证：核对关键业务数据和逻辑，确保数据准确
错误修正检查：验证之前发现的错误是否已正确修正
3）数据一致性测试：确保数据格式和内容一致
格式一致性检查：确保所有文档的格式统一，如标题、段落、字体等
术语标准化检查：验证术语、缩写和符号的一致性，确保标准化处理正确
度量单位检查：检查日期格式、货币符号和其他度量单位的一致性
4）数据结构测试：确保文档结构合理、逻辑连贯
目录和索引检查：验证文档目录和索引的准确性，确保可以正确导航
堕落逻辑检查：检查段落和章节划分是否合理，内容是否连贯
结构化处理验证：确保分段后的文档符合预定义的结构标准
5）数据可用性测试：确保用户可以方便地查找和使用知识库中的数据
搜索功能测试：验证搜索功能是否可以准确找到相关信息
导航测试：去报文档导航和连接正常工作，用户可以轻松找到所需信息
用户体验测试：模拟用户操作，确保知识库使用体验良好
