工程师在机器学习/人工智能公司面试时应该提出的商业问题

一些人一直问我，类似这样或那样的 AI/ML（机器学习/人工智能）公司是否适合在里面工作。如果你是一个数据科学家或工程师，正在考虑一份工作，这里列出了一些有趣的问题供你在面试中询问。注意：这些问题都聚焦在商业而不是技术上。

1. 有人需要这个产品吗？

像所有的建议一样，这听起来简单得令人难以置信，但是请确保你在这里得到了一个非常有说服力的答案。许多人工智能公司都是号称有了解决方案，但还在寻找需要解决的问题（solution-in-search-of-a-problem）——这种从技术到市场的逆向工程几乎从来不会起作用。

2. 在人工智能出现之前这个问题是如何解决的？

人工智能之前的解决方案是否足够好？常见的回答是「我们正在取代人类」，这还不够。有时人的作用很重要（比如临床态度、灵活性、完美满足需求等），通常，由于边际结构，人力成本我们可以负担得起。一个好的产品，它提供的服务是以前没有的，或者比原来好 10 倍，或者和原来一样好但是便宜 10 倍，10 倍，而不是仅便宜 20%。

3. 你和多少用户交谈过？你从他们身上学到了什么？

所有的创始人都会和一些用户交谈，但很少有人和足够多的用户交谈。我经常遇到一些创始人，他们相信人们会使用他们基于有限数据样本做出来的解决方案。最好的创业者总是不停地和他们的客户交谈。重要的是，他们对用户所面临的潜在问题有详尽了解，而不是停留在收集关于当前产品中提供的特定解决方案的奇闻轶事。这种专业知识在构建随机产品时很重要（我们需要多少召回？多大精度？）。

4. 怎么赚钱？

留意我所说的「多级火箭」：「今天，我们做 X，但我们的宏伟计划是做 Y，那将是真正有利可图的。」这些通常都会失败。

5. 如何增长？别人怎么发现你？

糟糕的回答：「口碑」。每个人都希望有积极的病毒式传播，有时候这是可行的（比如早期的 Facebook）。制作一个病毒式传播的产品需要惊人的金钱或拥有令人难以置信的绝妙策略，除非你符合其中一条，否则我建议你采用经过时间考验的替代方案：付费营销。一个好的回答会包括获客成本、留存客户价值、所使用的营销渠道等等。

6. 市场有多大？

这是一个创始人心态测试。他们是专注于建立一个庞大的公司，还是做研究？糟糕的回答是说出一个很大的数字，比如「4000 亿」。一个更好的回答将会有一个粗略计算，一旦成倍增加，就会描绘出一副画面：「我们每个客户每月赚 10 美元，我们认为这个市场上大约有 150,000,000 人，所以年收入是 180 亿美元。」

7. 护城河是什么？

糟糕的回答：「算法」。在软件算法中，很少有可持续的护城河。谷歌因为 PageRank 而获得了巨大成功，但它保持成功不是靠算法，而是靠网络效应。

还有其它因素需要考虑，比如和你一起工作的人，将要使用的技术，通勤等等。我希望这是一个有用的指南，给出了决策时需要考虑的市场因素。

原文：Business questions engineers should ask when interviewing at ML/AI companies