20年招聘经验:我所看重的开发人员的品质

552 篇文章 2 订阅
本文作者分享了20年招聘开发人员的经验,强调了编码技能、学习能力、解决问题能力、执行力和组织适应度五个关键品质。通过非正式编程测试、简历和面试来评估候选人,注重其实际解决问题和适应新技术的能力,同时关注个人项目和团队合作的表现。
摘要由CSDN通过智能技术生成

全文共2629字,预计学习时长7分钟

图源:pixabay

 

我曾领导过许多招聘流程,包括从从初级技术人员到高级软件工程师。作为开发人员,我也曾成功地完成过从大型跨国公司到小型初创公司的许多不同类型公司的整个招聘过程。在这篇文章中,我将分享我这20年来的主要经验。

 

1.基本的编码技能

 

评估方法:在面试期间进行非正式编程测试

 

评估一个人的编程能力非常困难。编程能力的真正含义是什么?语言知识起着一定的作用,但解决问题、时间管理技能、对算法和数据结构的理解也很重要。

 

一些面试过程会测试程序员的知识,但这存在很大问题。大多数语言的范围都很宽泛,有人已经可以称得上是专家的人仍然会被一些小众问题绊倒。也有通过自动测试来测试技能的其他面试过程,但这些过程也不能令面试官满意。像所有考试一样,这类测试也有应试技巧,有的人就算侥幸通过,其他方面仍然很糟糕。

 

因此,以“ 1到10”种方式全面测试某人的编码能力毫无意义。我将编码测试视为排除那些绝对不会编码的人的一种方法,我们需要测试否定因素。

 

我认为,编码测试应该是一个讨论的机会,应该是对候选人思维过程的了解,而不是直接的通过或刷掉。他们所写的代码应该符合规范,但是通过思考出来的编程和一些问答,我们可以更有趣地了解候选人为什么以某种方式做事。

 

因此,对于初始编码测试,我会提出一个所有程序员都应该能够很快解决的相对简单的问题。一个格式正确的问题有着各种不同的解题方法,我得以开展讨论,管中窥豹。例如:

 

· 编写一个函数以反转字符串(就地选择或修改后的副本取决于候选者和良好的讨论要点)。

· 编写一个函数以返回给定时间的时钟指针之间的角度。同样,这可以通过多种方式解决。

· 编写一个函数来计算斐波那契数列的前n个值(斐波纳契数列的定义作为测试的一部分设定),这可以迭代或递归解决,也可以很好地讨论。

 

可以在网上找到许多这样的示例。请注意,我不是在寻找一种正确的解决方案,而是希望了解候选人如何解决问题,给出任何一个解决方案以及一些良好的后续讨论。只有在给定时间内未能提供任何可行解决方案的候选人才会在这一过程被刷掉。

 

2.学习能力

 

图源:pexels

 

评估方法:简历,面试和个人资料

 

技术是日新月异的,新的语言出现的同时,其他的语言也在减少。在语言中,框架也在不断演变和更新。基于此,我认为快速学习新技术的能力对于开发人员来说是非常重要的品质。开发人员必须有能力追踪其所在领域最新的技术,并且知道何时需要使用它。

 

我在面试中对此进行评估的方式是,让求职者讲一些示例,说明他们在以前的职位中需要学习和运用新技能的地方。在整个生涯中仅使用一种技术是某种危险标志,其适应性可能存在问题。理想的答案应该包括讨论候选人何时评估了一系列技术选择,以及选择特定技术的合理理由,个人资料和简历也可以为接触各种技术提供证据。

 

3.解决问题的能力

 

评估方式:实践项目、面试

 

如果候选人通过了上述的初始“过滤器”测试,接着我想让他们参与更深入的项目。理想情况下,这需要花费一些时间(可能是半天)与团队一起进行实际的产品工作。它也可能是一个人工项目,类似于他们在工作中会遇到的问题。例如:

 

· 编写一个类,该类封装要在后台线程上执行的工作,以及用于调度该工作的无锁机制。

· 编写用于显示来自API的表数据的UI,并修改表中的单元格,将更改异步写入API。

· 设计基于微服务的体系结构,以使用深度学习识别照片中的对象来分析用户上传的照片。

 

此任务的确切细节会根据你的业务性质和所涉及的角色有很大的不同,但我希望能提供抽象级别的概念。我想看到的是:

 

· 候选人是否有效地管理自己的时间以产生可行的解决方案,还是会在某一个方面花费太多时间?

· 他们是否能与其他团队成员有效地合作(即使只是问问题并确定范围)?

· 他们是否已对问题和可能的方法进行了全面思考,还是只是直接研究解决方案?

 

与前面的筛选环节一样,通过解决方案进行讨论是其中关键。

 

4.把事情做好

 

图源:pexels

 

评估方法:面试和投资组合

 

正如约耳·斯波尔斯基在其书《游击面试指南》中所述,招聘开发人员时真正要寻找的是那些聪明且能把事情做好的人。

 

我们已经讨论了几种衡量“聪明”维度的方法,可以是在解决问题方面有所进展,也可以是能从头到尾查看项目并按时交付代码或项目。并非每个人都能做到这一点,许多人跳过了某些事情,或者过度致力于错误的事情,最终陷入困境。

 

除了实际技能测试之外,评估此技能的一个好方法是候选人的个人简介。他们是否有完成项目的记录以及向实际用户发送代码的记录?还是他们的GitHub个人资料到处都是从未有人使用过的未完成的工作?

 

我会在面试讨论和跟进个人资料。如果有人参与了一个成功的项目,那么他们的角色是什么,他们如何为项目的交付做出贡献?他们能否举其他例子说明他们做的事情,并详细说明如何做?

 

5.组织适应度

 

评估方式:面试

 

我要寻找的最后一个品质是组织适合度,这关系到他们将如何适应他们所处的单个团队以及整个组织文化,很大程度上要依靠招聘小组的主观判断,我们同时也需要制定适当的政策来应对这一点。

 

例如,公司可能有一项政策,以从性别、种族或其他因素的角度来增加其员工队伍的多样性。在这种情况下,“文化契合度”实际上可能意味着寻找与众不同而不是与现有公司人口统计数据保持一致的人。

 

团队协作将更多地是在技能方面对团队进行补充。再次,这也有利于团队的多元化,如果团队中已经有一个非常擅长架构的人,并且有两个分别入围架构或UI专业的候选者,则可能有必要在此聘请UI人员,这这是为了增加团队内部技能基础。

 

图源:pexels

 

招聘是一场双向选择。应聘者寻求着自己心仪的工作,招聘者也在寻找着具有特别品质的人。招聘的形式能否展现出双方的能力和诉求,这一点非常重要,招聘应该是对话而不是测试。如果我们要聘用最好的候选人,我们需要给他们机会展示他们的才能。

 

一起分享AI学习与发展的干货

欢迎关注全平台AI垂类自媒体 “读芯术”

(添加小编微信:dxsxbb,加入读者圈,一起讨论最新鲜的人工智能科技哦~)

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值