→ meokay: 推 猛猛的 05/10 13:12
推 gogogofuxk: 推 請問原本是在台灣工作嗎? 05/10 13:13
人在台灣
推 duck10704: 高手推 05/10 13:14
推 meokay: 補推 05/10 13:15
→ meokay: 能請問原Po年資嗎? 05/10 13:16
約十年
推 meokay: 謝謝回覆 恭喜原Po大大 05/10 13:23
推 hobnob: 推高手 05/10 13:25
推 penta: 神 05/10 13:26
推 lmr3796: 神 05/10 14:05
推 zaq851017: 是要去倫敦工作嗎好奇還是可以純Remote 05/10 14:09
我談的這個是要去倫敦的
推 chang0453: 強者 05/10 14:22
推 OforU: 好強,原po可以多透露一下background嗎? 05/10 14:30
四大學碩 EE 實驗室研究領域是醫療軟體
新創約五年 然後進美商 現職也在 FAANG 其中一間的台灣部門
推 better1995: 推大神 05/10 14:32
推 GymRat: 神 05/10 14:32
推 ke265379ke: 太猛了吧 真的是 for fun XD 05/10 14:41
推 vencil: 推 05/10 15:05
推 holebro: 高高高手 05/10 15:22
推 haydou: 人外有人啊 05/10 17:09
推 uncouth: 高手 05/10 17:16
推 z56562337: 推 05/10 17:50
推 ntddt: 推大神for fun 05/10 19:35
推 doranako: 太強了,不愧是Fanng的 05/10 20:13
推 lovdkkkk: for fun (y) 05/10 20:25
推 WulinWorks: 神人 05/10 20:45
推 Toris: 神 05/10 20:49
推 Seccond: 猛! 05/10 21:26
推 siriusu: 推 E6 一定要拚一下的 05/10 21:35
推 drajan: 倫敦Meta做推薦系統的 是不是有一個鄉民在裡面啊? 05/10 22:37
推 wulouise: 我想到之前也是有人只刷1xx就上了 05/10 22:37
→ drajan: 都到E6了 system design跟 behavioral的比重會比較高 codi 05/10 22:39
→ drajan: ng就不要太離譜就可以了 標準會跟E3 E4 不一樣 而且兩個 s 05/10 22:39
→ drajan: ystem都SH 05/10 22:39
推 johnny94: 高手就是for fun還是可以上 05/10 22:53
推 MyNion: 真好,這就是天生的智能差距 05/10 23:03
推 viper9709: 推好猛 05/10 23:30
推 kkroy: 神人! 05/11 00:02
推 AgileSeptor: 推 05/11 01:47
推 Murasaki0110: E6有猛 05/11 03:06
推 onthesea: 推 做研究不需要博士的勵志故事 05/11 03:34
推 alden: 強! 有認真要來倫敦嗎? 要不要考慮一下DeepMind (私訊聊) 05/11 04:31
還在考慮中
推 LucasGiolito: 不知道非北美external E6好不好survive 05/11 09:21
推 kyrie77: 高手for fun也能上XD 05/11 11:43
推 rain45: 我認真起來 搞不好連原po的for fun都不到xd 05/11 12:09
推 f9g8h7j654: 推推 神人 05/11 12:44
推 Harlequin727: 股價悲觀到不行 招聘也凍結 請問對Meta未來的看法是 05/11 13:55
→ Harlequin727: ? 05/11 13:55
好問題 所以還在考慮 不知道大家有什麼想法
就我目前知道的資訊 內部的團隊運作很正常 平台收益也沒有掉
在我目前看到招聘應該也是正常
現在的考量點是成長動能的問題 現在幾乎是沒有成長動能
除了 VR 之外也還有幾個在拓展的方向 只是目前都還沒有使用者數量上的突破
現在問題是要不要在一個關鍵拓展方向的團隊跟著賭一波
反正目前這間公司還是很賺錢就是了 剛好在轉型階段
推 mistel: 好強... 05/11 16:02
推 bowin: BIG congrats! :) 05/12 00:34
推 believe91326: 好猛 05/12 01:42
推 how30013: 推分享 05/12 10:28
推 blazers08: 好猛... 05/12 11:57
推 Freedomc: 好猛 推 05/12 13:42
推 jobintan: 強人就推,現在正是肉身抄底的大好機會。 05/12 14:54
肉身抄底... 怎麼這麼貼切啊
推 dash13: 請問強者在system design時 對算法的要求大概是怎麼樣? 05/12 23:53
ML System Design 每個人會根據自己的專業有不同的回答方向
我會專注於整個 ML 流程
定義完 Input, Output, Feedback Data 之後
會討論資料怎麼收集,可能需要什麼樣的前處理跟分析
會講一點之前的經驗,遇過什麼問題用了什麼算法做前處理
前處理算法本身稍微描述一下
然後進入機器學習流程
建立一套機器學習系統通常不只一個機器學習問題
已推薦系統來說就有:
- 推薦品項與推薦目標的特徵工程問題
除了物件本身的規格化資訊之外
可能還能從從文字圖片做辨識,甚至從關聯網做 Graph Embedding
來產生特徵向量
- 推薦品項與推薦目標在不同維度的衡量指標的計算問題
通常我們說推薦算法指的是這個,計算兩個 Entities 之間的 Matching Score
通常推薦系統會需要計算不只一個商業目標,再用不同的機制去平衡商業目標
- 計算篩選方法問題
當推薦品項與推薦目標數量太大的時候沒辦法計算全部一對一的分數
所以需要設計篩選的機制
這邊其實也有機器學習算法專門做多個篩選機制的平衡
- 多個推薦算法的競爭機制問題
現在很流行同時跑多個算法然後讓他們競爭
可是這裡又需要同時考量多個不同的商業目標,所以也有很多能分析的
- 使用者體驗問題
做完推薦系統之後除了推薦本身的表現,其他的平台影響是什麼能怎麼分析
- 異常回報問題
推薦品項如果有違法或是其他異常我們怎麼調整
甚至怎麼自動判斷異常回報是否真的是異常
等等的問題...
然後系統怎麼上線,跟什麼系統對接,維運可以建立什麼樣的機制來監看...
因為我花了太多的時間在流程上
所以算法都只是講講名字跟大概的運作特性,為什麼選這個算法
不過每個人在 System Design 都有自己強的地方
如果你是算法很深入的人也有可能主要討論
- 怎麼分析資料的統計特性然後調整深度學習網路結構
- 怎麼分析問題特性與 Loss Function 之間的設計
等等的問題...
這個方向我雖然有些經驗可是不是我的強項,所以我著墨比較少
推 xiao2chen: 你是鬼 05/13 01:30
推 dash13: 感謝大神 <(_ _)> 05/13 06:41
→ laosoacj: meta好像要縮編了 恭喜搭上末班車 05/13 14:35
推 zzzz8931: 推 05/13 21:25
推 wulouise: 真肉身抄底XD 05/13 21:51
推 Harlequin727: 我覺得在穩定賺錢的部門那就好了 反正都是領薪水 起 05/13 22:26
→ Harlequin727: 碼不用太顧慮裁員問題 股價就大環境問題了 05/13 22:26
因為 London 這邊都是推薦系統的部門
所以其實都是跟目前比較賺錢的應用掛鉤
比較像是賺錢多少還有業務成長的問題
推 tomap41017: 恭喜 05/14 22:22
※ 編輯: longlyeagle (36.236.130.208 臺灣), 06/07/2022 15:02:30