面试中，面试官总是会问你“有没有什么问题想问的”。你可能和我一样，因为脑子短路而问了一些非常傻的问题。比如，有一次我太紧张了，我问：“到办公室需要多长时间？” 

意料之内，我没有拿到那份工作的Offer。当然，其他应聘者也给我说过一些他们干过的“傻事”。

但你需要记住，没有所谓“愚蠢的”问题，但在面试过程中，有些问题更能帮到你。你可能没有考虑过下面这五个问题，但如果你正在面试数据科学或机器学习方面的工作，你真的应该思考一下。

公司的机器学习成熟度如何？

如果你想评估某公司在机器学习方面的成熟度，这个问题很重要。你可以把这个当成一个热身问题，在今后的工作中进一步探讨。

成熟的公司可能会描述现有团队、基础设施和工具、以及正在进行的项目。如果你得到的答案非常含糊不清，这可能表明该公司正处于机器学习早期阶段。

你可能不在乎公司到底处于哪个阶段，但你应该明白你将要面对的是什么。

如果你是第一个接手这份工作的人，那么你的工作难度将会非常大。如果你几乎没有什么工作经验，那你要谨慎一些了。还有一种可能性是，该公司正在招聘分析师，但出于市场需求，将该职位称为“数据科学家”。在这种情况下，你可以提这样问来了解详情：

公司目前是否在构建机器学习模型？

如果答案是“Yes”，表明该公司还是很成熟的，你还可以问清楚公司都构建过哪些模型。

公司目前拥有哪些
用于机器学习的基础设施和工具？

你必须知道你可以使用哪些工具。如果你提出这个问题，答案其实很简单，但我面试过的大多数人都没有想到这个问题。想象一下，你正参加数据科学岗位的面试。如果我告诉你，我们公司主要使用 Office 2010 Excel 电子表格，而且不打算更换工具，你还会愿意来我们公司工作吗？我猜你不会，所以不要等到你被录用才知道。

没有合适的工具，就无法成为优秀的机器学习工程师或数据科学家。我们很多人选择这条职业道路是为了做出点成绩，如果没有合适的工具和基础设施，会受到许多限制，甚至可能会遭受挫折。

做数据不要只想到Python。

公司还要有Hadoop 或 Spark等框架，一些适合运行计算的硬件，甚至更好的启动和运行云平台。

AWS、Azure、GCP 并不是那么重要，所有云平台都可以运行机器学习。

你需要一个舒适的地方来构建原型，因此，良好的实验室环境必不可少，可以是云端实验室，如 Data Bricks、Amazon Sagemaker ；或来自 Dataiku、SAS 或 Data Robot 等公司的本地解决方案。

如果没有合适的工具，你应该了解公司是否制定了部署这些工具的计划，以及谁负责管理这些工具。如果他们说会由你负责，那相应的，你的薪资也应该更高一些。

公司有哪些团队（或人员）来支持机器学习？

机器学习是一项团队活动，成熟的公司应该明白这一点。我希望有一些关键人物支持你，包括：数据工程师、云平台技术人员、业务分析师、其他数据科学家，在某些情况下甚至是 Scrum 管理员或项目经理。

如果答案是“你是第一个负责这项工作的员工”，那就准备好谈论负责人和人员扩充吧，因为你以后可能需要公司雇佣其他员工来帮助你。

在大多数公司中，作为一名独立的数据科学家，你无法取得多大成就，而且你不太可能掌握机器学习所需的所有技能。

公司董事会/管理层是否制定机器学习策略？

如果没有高层的支持，正式入职后，你会发现很难获得其他人的的信任。

公司内部必须认可机器学习，通常情况下由上而下驱动执行。

对你来说，最坏的结果是被调至数据科学职位，而整个公司都不支持数据科学项目。在这种情况下，最终，大家可能会把你看成一个“前卫的书呆子，拥有很多不切实际的想法”。

如果幸运的话，你的一些利益相关者可能会给你一些问题陈述，你可以在这些陈述的基础上开发出一些原型。但即便如此，你也很难说服公司投资并扩大其规模。最坏的情况是，你不得不提交一些 MI 和 BAU 报告，这并也不一定是坏事，但可能也不是你想成为数据科学家的原因。

不要认为，因为一家公司正在招聘数据科学家，那他们在文化上已经为你铺好了道路。

如果你认为你能靠自己改变公司文化（用埃隆马斯克（Elon Musk）的数学和逻辑风格），那是不可能的……永远也不可能。但在结构非常扁平的小公司或初创公司中则是例外。

我可以使用哪些资金？

如果你想做出来点成绩，你会花大笔的资金。这是一个需要注意的关键点，大规模运行机器学习非常烧钱，你需要资金才能实现。我发现，将预算分配给创新公司是最好的选择。机器学习具有很强的创新性，创新预算也意味着公司必须愿意一试、学习并接受失败（在一定程度上）。

如果面试官在不能给你一个决定性的回答，那可能暗示该公司不是很成熟。他们可能还没有意识到需要投入多少资金。注意，他们可能希忘你魔法般做出成绩改变公司，而会在你无法做到这一点的时候感到失望，即使是由于缺乏资金导致的。

⭐️差点忘了，还要问下面这些问题。最后一个必须要问！

• 1. 入职后的前六个月，公司希望我做些什么？
• 2. 是否有从构思到生产的框架？— 这是针对机器学习的问题
• 3. 我要向谁报告？— 如果这一点前面没有明确说明，可以问这个问题。
• 4. 我可以雇人吗？

我的数据从何而来？

没有人能在没有数据的情况下开展机器学习。不要假设你可以访问所有你需要的数据。如果数据管道和基础设施已经到位，那就太好了。如果公司要求你必须构建这些，那么你最好具备数据工程技能。

数据工程是一门很深奥的技能，所以不要天真地认为你可以独自完成这项工作。

你应该认真考虑一下，在一家几乎没有数据访问权的公司工作，真的是你想要的吗……

我希望这篇文章可以帮助你踏上梦想的职业生涯。如果你觉得有用，那么你要明白，提出周到的问题会让你看起来和听起来都知道自己在说什么。

希望我分享的数据科学的经验有帮助到你。欢迎订阅我们的公众号，了解更多数据科学相关内容！

原文作者：John Ade-Ojo
翻译作者：Lia
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/5-questions-you-need-to-ask-employers-at-data-science-interviews-a9ea10c45d6