Tiêu đề gốc: "Từ 57 buổi phỏng vấn đến offer từ OpenAI: Bài tổng kết hành trình tìm việc tại các công ty AI hàng đầu của một tiến sĩ NLP gây sốt"
Nguồn gốc: Máy Tính Tâm
Hôm nay, tin tức về Alisa Liu, nghiên cứu sinh sắp tốt nghiệp tại Đại học Washington, sắp gia nhập OpenAI đã lên hot search trên X.
Bài đăng chính đã vượt qua triệu lượt xem. Cô ấy cho biết quá trình tìm việc lần này khó khăn hơn tưởng tượng, nhưng cũng thu được rất nhiều.
Vì vậy, cô ấy đã viết một blog nhỏ, chia sẻ những kinh nghiệm học được trên suốt chặng đường, hy vọng có thể giúp người tiếp theo trải qua quá trình này bớt bối rối hơn.

Nếu bạn đang học tiến sĩ, hoặc sắp bước vào con đường tìm việc, bài viết này đáng để đọc kỹ. Nghiên cứu của Alisa Liu nhằm xây dựng các thuật toán tốt hơn cho mô hình ngôn ngữ, bao gồm các hướng như tokenization, tạo dữ liệu và thích ứng suy luận. Sau khi tốt nghiệp, cô ấy đã nhận được offer Research Scientist / MTS từ nhiều công ty AI hàng đầu.
Vì vậy, cô ấy đã viết toàn bộ quá trình tìm việc thành một bài tổng kết, không giấu giếm điều gì – bao gồm cả những khoảnh khắc khiến cô ấy suy sụp. Ở đầu blog, cô ấy viết rằng trong phần lớn thời gian học tiến sĩ, việc tìm việc trong đầu cô ấy giống như chiếc mũ phân loại của Hogwarts: các anh chị khóa trên biến mất vài tháng, rồi khi xuất hiện trở lại, số phận đã được định đoạt. Cô ấy biết họ đã đi đâu, nhưng gần như không biết gì về những gì đã xảy ra ở giữa.
Cho đến khi đến lượt mình, cô ấy mới nhận ra quá trình này khắc nghiệt hơn nhiều so với tưởng tượng, và cô ấy liên tục "vừa học luật chơi, vừa đánh bài". Bài viết này là dành cho những người chưa bắt đầu.

Địa chỉ blog:
https://alisawuffles.github.io/blog/job-search/
6 năm tiến sĩ NLP, cô ấy ứng tuyển vào các vị trí Research Scientist và Member of Technical Staff. Trong suốt quá trình tìm việc, cô ấy đã tham gia quy trình phỏng vấn của 11 công ty, hoàn thành 57 buổi phỏng vấn chính thức, nhận 46 cuộc gọi tuyển dụng, sau khi nhận được offer lại tiến hành thêm 16 lần trao đổi sâu, cùng vô số cuộc trò chuyện networking không chính thức.
Có vài công ty đã gửi cho cô ấy lời mời làm việc như ý, cô chủ động rút lại các quy trình khác; cũng có vài công ty, phía tuyển dụng không bao giờ hồi âm lại.

Về thứ tự phỏng vấn, lời khuyên phổ biến nhất là: trước tiên hãy dùng vài công ty không quá quan trọng để luyện tay, sau đó tập trung đẩy mạnh các công ty thực sự muốn đến, cố gắng nhận được offer cùng lúc để thuận lợi thương lượng lương sau này.
Logic này về cơ bản không sai, nhưng trong thực tế, cô ấy phát hiện ra mọi chuyện phức tạp hơn thế.
Đầu tiên, năng lượng có hạn. Luyện tay có ích, nhưng nếu coi vài công ty đầu là "bia đỡ đạn", đánh đến kiệt sức, thì khi đến lượt nơi thực sự muốn đi, trạng thái đã suy sụp rồi.
Thứ hai, thời điểm phỏng vấn không hoàn toàn do bạn kiểm soát. Việc một công ty nào đó có chỉ tiêu tuyển dụng hay không, nhóm nào đang tích cực tuyển người, những yếu tố bên ngoài này thường ảnh hưởng lớn hơn "mức độ chuẩn bị" của bạn, có thể tìm hiểu trước qua bạn bè nội bộ hoặc phía tuyển dụng.
Thứ ba, thời hạn của offer thường linh hoạt hơn bạn tưởng, phía tuyển dụng biết bạn đang đồng thời tiến hành nhiều quy trình, thường sẽ phối hợp. Nhưng cô ấy cũng nhắc nhở: thực sự có những "offer kiểu bom nổ" với thời gian ký hợp đồng cực ngắn, nhất định phải tìm hiểu rõ luật chơi trước.
Cô ấy tổng hợp tất cả các cuộc phỏng vấn mình từng trải qua thành bảy loại, và đặc biệt nhấn mạnh: nhìn chung, việc kiểm tra năng lực kỹ thuật quan trọng hơn nhiều so với bản thân kinh nghiệm nghiên cứu. Tất nhiên, kinh nghiệm nghiên cứu có thể là lý do giúp bạn có cơ hội phỏng vấn.
Loại thường gặp nhất là câu hỏi code ML. Đề bài có thể là triển khai một kiến trúc cổ điển nào đó, chẳng hạn như Transformer; có thể là triển khai một chiến lược giải mã, như beam search; cũng có thể là thuật toán ML truyền thống, hoặc một số biến thể rất sáng tạo. PyTorch là công cụ phải thành thạo. Thỉnh thoảng cô ấy cũng gặp trường hợp chỉ được phép dùng numpy, chẳng hạn như tự tay viết backpropagation từ đầu, nhưng người phỏng vấn không yêu cầu cô phải biết trước tất cả cú pháp numpy.
Tiếp theo là câu hỏi thuật toán tổng quát, tức là phong cách LeetCode, đôi khi có thêm bối cảnh trang trí. Cô ấy cho biết logic nền tảng của phần này rất chồng chéo với câu hỏi code ML, xây dựng nền tảng tốt sẽ có lợi cho cả hai loại.
Thảo luận kỹ thuật là loại không viết code nhưng rất hao não. Đôi khi cả buổi phỏng vấn xoay quanh một vấn đề: cho bạn một mục tiêu nghiên cứu, bạn thiết kế thí nghiệm, người phỏng vấn đặt câu hỏi về quyết định thiết kế của bạn, đưa ra kết quả giả định, yêu cầu bạn phân tích và thiết kế bước tiếp theo—kiểm tra tư duy của bạn. Một dạng khác là nhanh chóng liên tục đưa ra hàng loạt câu hỏi, như "Có những cách triển khai mã hóa vị trí khác nhau nào", "5D song song là gì", "PPO và GRPO khác nhau thế nào", để trong thời gian ngắn nắm bắt được bề rộng kiến thức của bạn.
Thảo luận về kinh nghiệm nghiên cứu là dạng câu hỏi gần nhất với quá trình đào tạo hàng ngày của nghiên cứu sinh, thường bắt đầu bằng "Hãy giới thiệu một dự án bạn đã thực hiện", sau đó đi sâu vào chủ đề này. Người phỏng vấn cũng có thể đặt câu hỏi về các bài báo khác trong CV. Khi chuẩn bị cho loại phỏng vấn này, cô ấy cố tình nhìn nhận nghiên cứu của mình từ một góc nhìn cao hơn – tại sao lại chọn chủ đề này, những phán đoán độc đáo nào đã tích lũy được trong quá trình thực hiện, và hướng đi nào có giá trị nhất trong tương lai. Cô ấy cũng điều chỉnh góc giới thiệu nghiên cứu của mình tùy theo định hướng của từng công ty. Câu nói gốc của cô ấy là: "Người phỏng vấn đều rất mệt mỏi, hãy để họ nhanh chóng cảm nhận được 'nền tảng của bạn phù hợp cao với nhu cầu của chúng tôi', điều đó quan trọng hơn tất cả."
Phỏng vấn hành vi là loại duy nhất cô ấy từng thất bại thảm hại. Cô ấy nói rằng lần đầu tiên tham gia phỏng vấn hành vi, cô ấy hoàn toàn không coi trọng nó, nghĩ rằng mình "rõ ràng là có hành vi đúng đắn", nhưng khi bị hỏi những câu cơ bản nhất, đầu óc cô ấy trống rỗng, chỉ có thể lắp ghép những ký ức mơ hồ ngay tại chỗ.
Khi kết thúc buổi phỏng vấn, người phỏng vấn nói một câu khiến cô ấy vô cùng khó chịu: "Bạn đã không trả lời câu hỏi của tôi." Trong bài viết, cô ấy nói rằng nỗi đau đó thật đặc biệt – bạn đồng thời tìm kiếm ký ức, sắp xếp suy nghĩ và diễn đạt bằng lời nói, cả ba việc đều không làm tốt. Phương pháp đúng đắn là chuẩn bị trước tất cả những câu chuyện đáng kể trong suốt thời gian làm nghiên cứu sinh, ánh xạ chúng theo khuôn khổ của các câu hỏi hành vi phổ biến, và khi được hỏi, chỉ cần trích xuất trực tiếp.
Phỏng vấn toán học tồn tại ở một số công ty, với độ khó từ các câu hỏi logic thú vị đến các bài toán nghiêm túc cần giấy bút để suy luận. Cô ấy khuyên nên ôn tập lý thuyết xác suất, đại số tuyến tính và giải tích.
Cuối cùng là Job Talk, ngắn hơn và tập trung hơn so với phiên bản trong giới học thuật. Job talk của cô ấy tập trung vào tokenization, đi sâu vào một bài báo mà cô ấy là tác giả chính, kèm theo một vài bài báo là tác giả thứ hai và các công việc đang tiến hành, nội dung vừa đủ để kết nối thành một mạch kể chuyện hoàn chỉnh.
Cô ấy cho biết, không có việc gì đáng đầu tư thời gian hơn việc ôn tập nghiêm túc. Cô ấy so sánh trải nghiệm này với việc quay lại thời đại học: ghi chép, vẽ sơ đồ, làm bài tập, ngồi cả ngày trong quán cà phê để suy luận lại từ đầu các kiến thức nền tảng về ML. Cô ấy đã làm riêng một bản ghi chú về LLM, liên tục cập nhật trong suốt quá trình tìm việc; còn làm một bản ghi chú toán học, được hoàn thành vội vàng để chuẩn bị cho một buổi phỏng vấn cụ thể.
Lộ trình ôn tập đại khái như sau: Đầu tiên, xem toàn bộ khóa học Stanford "Language Modeling from Scratch" để tích hợp các kiến thức rời rạc trong đầu thành một bản đồ hoàn chỉnh. Sau khi xây dựng nền tảng, tiếp tục đào sâu từng khái niệm cụ thể, thông qua việc đọc blog và bài báo, trò chuyện nhiều với AI, và tự tay viết code từ đầu để thực sự hiểu thấu đáo.
Cô ấy đặc biệt nhấn mạnh việc triển khai Transformer, "có thể tự tay triển khai và debug một Transformer, tần suất xuất hiện trong phỏng vấn cao đến mức đáng để luyện thành phản xạ cơ bắp, tuyệt đối không được mất điểm ở đây".
Cô ấy còn nhắc nhở: khi luyện tập phải tắt hoàn toàn các công cụ hỗ trợ AI, mô phỏng môi trường phỏng vấn thực tế. Bạn sẽ đánh giá thấp mức độ phụ thuộc vào AI của mình, cho đến khi buộc phải tự giải quyết vấn đề mới nhận ra.
Đối với từng buổi phỏng vấn cụ thể, cô ấy cũng chuẩn bị riêng, "giống như một môn Toán hoặc CS mà bạn chưa từng học, giờ chỉ còn khoảng ba ngày trước kỳ thi giữa kỳ, bạn cần nước đến chân mới nhảy." Cô ấy sẽ tổng hợp từ mô tả phỏng vấn, định hướng công nghệ của công ty, gợi ý từ bên tuyển dụng và danh tiếng của công ty để đánh giá phạm vi kiểm tra của buổi phỏng vấn đó, sau đó tập trung ôn luyện những nội dung liên quan nhất.
Về trạng thái trước kỳ thi, cô ấy có một bài học đắt giá: trước buổi phỏng vấn kỹ thuật đầu tiên chỉ ngủ hai tiếng, dành cả đêm để ôn chi tiết về LLM Inference, kết quả là kiến thức đó chẳng được hỏi đến, ngược lại vì buồn ngủ mà mắc kẹt suốt mười phút ở một lỗi off-by-one đơn giản, vì "não không thể xoay chuyển nổi". Kết luận: ngủ đủ giấc quan trọng hơn bất kỳ sự ôn tập phút chót nào.
Cô ấy còn đề cập đến một điều bất ngờ: việc ôn luyện nhiều giúp tăng đáng kể sự tự tin, không còn lo lắng về những lỗ hổng kiến thức bị lộ, và trong các cuộc trò chuyện học thuật cũng không cần phải che giấu. Cô ấy thậm chí nói, nếu chuẩn bị sớm hơn trong giai đoạn PhD, không gian vấn đề có thể khai thác sẽ rộng hơn, nhiều ý tưởng hơn, và sẽ chủ động tìm người trò chuyện nhiều hơn.
Nhiều người nghĩ rằng nhận được offer là kết thúc. Cô ấy nói, hoàn toàn ngược lại.
Tiếp theo là một khoảng thời gian có thể khá dài, bạn phải tiếp tục trò chuyện sâu với đồng đội và manager tương lai, đến công ty ăn uống, nhận điện thoại từ bên tuyển dụng, xử lý vô số email – cô ấy thừa nhận ở giai đoạn này có một số email chưa kịp trả lời.
Đàm phán lương là việc cốt lõi nhất ở giai đoạn này, và cũng là điều cô ấy thấy khó nhất, "chúng tôi PhD chưa bao giờ chuẩn bị cho việc này, và nó không giống phỏng vấn, không thể chinh phục bằng cách luyện đề. Bên tuyển dụng có lợi thế hơn bạn về thông tin thị trường và kỹ năng đàm phán, và mỗi người lại muốn những thứ khác nhau."
Nhưng không đàm phán là sai. Offer ban đầu vốn đã có khoảng trống để thương lượng, không chỉ một bên tuyển dụng trực tiếp nói với cô ấy: "Tôi không mong đợi bạn chấp nhận offer đầu tiên của chúng tôi." Đầu tư nghiêm túc vào vài tuần này, thực tế có thể bù đắp khoảng chênh lệch thu nhập của vài năm làm việc với offer ban đầu.
Cách cụ thể của cô ấy là: trước mỗi cuộc gọi tuyển dụng, hãy viết ra những gì mình sẵn sàng tiết lộ, những gì không muốn tiết lộ, cùng với một số cách diễn đạt có thể học thuộc lòng. Dự đoán trước các câu hỏi và luận điểm mà đối phương có thể đưa ra, chuẩn bị trước phương án ứng phó, để bản thân có thể giữ vững lập trường trong trạng thái thoải mái. Quá trình này rất tốn thời gian, nhưng từng chi tiết nhỏ đều đáng để nghiêm túc đối mặt.
Ở gần cuối bài viết, cô ấy đã viết một đoạn văn như thế này, cần thiết phải truyền tải đầy đủ đến mọi người: "Trong thời gian tìm việc, cô ấy liên tục phải quản lý rất nhiều cảm xúc. So sánh với đồng nghiệp là một điều rất khó chịu, và gần như không thể tránh khỏi. Những người xung quanh đột nhiên trở nên đặc biệt quan tâm đến lựa chọn của bạn, đầy rẫy những lời khuyên và kỳ vọng, áp lực xã hội này tự nó đã rất hao tâm tổn trí. Khó chịu hơn nữa là, bạn phải đưa ra những quyết định quan trọng có ảnh hưởng sâu rộng trong khi thông tin vô cùng thiếu thốn, và nhiều lựa chọn tưởng chừng nhỏ nhặt – chẳng hạn như liên hệ với ai trước – đều không có câu trả lời chuẩn, nhưng lại có thể tạo ra tác động không cân xứng."
Trong vài tháng đó, cô ấy luôn ở bên bờ suy sụp, các khía cạnh khác của cuộc sống gần như ngừng trệ. "Hy vọng bạn tìm thấy nhiều niềm vui hơn tôi. Nếu không, ít nhất hãy biết rằng bạn không đơn độc."
Cuối cùng, cô ấy nói một số điều về bản thân PhD, có lẽ là phần hay nhất của bài viết này.
Chạy hết tốc lực về phía kết thúc tiến sĩ, khi đã đến đích, cô ấy lại có một cảm giác mất mát to lớn. Tiến sĩ là một khoảng thời gian đặc biệt, nhiệm vụ duy nhất của bạn là tạo ra những ý tưởng tốt, thực hiện chúng, học hỏi và phát triển, không cần phải lo lắng ngay lập tức về việc kiếm sống.
Cô ấy hy vọng bài viết này có thể giúp bạn bớt bối rối hơn khi đối mặt với tương lai, đồng thời cũng nhắc nhở bạn, đừng vì lo lắng mà tiêu hao quá sớm hiện tại. Trên suốt chặng đường, cô ấy ngày càng nhận ra rõ ràng rằng, những công việc mình làm tốt nhất thường xảy ra khi thực sự tận hưởng nghiên cứu và bị một vấn đề nào đó thu hút lặp đi lặp lại. Chuẩn bị cho tương lai và giữ gìn tình yêu với hiện tại, hai điều này thực ra có thể tồn tại đồng thời.
Liên kết gốc
Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:
Nhóm Telegram đăng ký: https://t.me/theblockbeats
Nhóm Telegram thảo luận: https://t.me/BlockBeats_App
Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia