面試問答
YOLO 跟一般 object detection 差在哪？
YOLO 比較像是 ...
一開始會先做邏輯測試，題目不算難，偏基本程度，大致上就是觀念跟簡單推理。結束之後會進主管面試，因為是應徵 AI 工程師，
主管問得會比較深入，像是 YOLO 框架的原理、Attention 架構的概念，還有一些實際做專案時會遇到的細節跟技巧。
另外要特別注意的是，自我介紹需要準備 PPT，面試當下會要求用簡報來講，所以最好把自己的經歷跟專案整理清楚一點，講起來會比較順。整體來說問題偏技術導向，也會一直往下追問，算是比較刁鑽、偏實戰型的面試。
面試問答
YOLO 跟一般 object detection 差在哪？
YOLO 比較像是 one-stage detector，它是直接從圖片輸出 bounding box 跟 class，不像 two-stage 會先 proposal 再分類，所以速度會比較快。
那 YOLO 在訓練時怎麼計算 loss 嗎？
大致上會包含 bounding box regression、objectness 還有 classification loss，三個一起加權，不同版本權重會不太一樣。
Attention 是什麼？你怎麼理解？
我會把它理解成「讓模型自己決定要看哪些資訊比較重要」，透過 query、key、value 去算權重，讓模型可以聚焦在關鍵特徵上。在實務上我在 NLP 時有應用過它。
如果模型效果不好你會怎麼做？
我會先從資料面開始檢查，確認資料集本身有沒有問題，像是標註是否一致、資料分布是否平均。再來會觀察訓練曲線，判斷是 overfitting 還是 underfitting。
如果是模型效果不理想，我會從 learning rate、batch size，或是 data augmentation 這幾個方向去調整。
實務上我有遇過一個案例，當時影像資料集只有大約 400 張，但 epoch 設到 400 之後，模型在訓練集表現很好，但在驗證集出現很明顯的 overfitting，泛化能力變差。後來就透過降低訓練輪數、加強 data augmentation，並調整訓練策略來改善整體效果。
Transformer 跟 RNN 差在哪？
RNN 是一個時間一步一步處理，容易有長距離依賴問題；Transformer 則是用 attention 做全局關係建模，可以平行運算，訓練速度也比較快。在實務上我比較常用，因為容易擴展到大模型。
為什麼想做 AI？
主要是覺得 AI 可以解決很多實際問題，而且應用很廣，像影像、語言都有，所以想往這方向深入。
面試建議
AI 的基本概念、模型架構還有常見的訓練流程要熟。不要只看理論，一定要自己真的跑過專案，像 YOLO、CNN、Transformer 這些至少要有一個完整實作過，才講得出細節。面試時主管其實很愛往下追問。
再來就是專案要講「問題」，不是只講「做了什麼」，例如資料太少怎麼處理、overfitting 怎麼解、模型怎麼調整，這些才是重點。
