logo
← 返回面试流程列表
N

Nearmap

机器学习工程师
难度 ⏱ 3-5 weeks, may extend due to technical assessment depth📋 6 轮面试ai-engineerFull-time

Nearmap 是地理空间 AI 领域的领导者，利用深度学习和计算机视觉从高分辨率航空影像中提取 130 多种特征，依托 1.42 亿张影像和 13 年以上的建模积累。Nearmap 的机器学习工程师使用 Amazon SageMaker 训练和部署生产级 CV 模型，处理覆盖澳大利亚和美国的 PB 级航空影像。面试流程同时评估 ML 基础能力（特别是计算机视觉和深度学习）以及大规模模型部署的工程能力。流程包括招聘人员筛选、与团队负责人的 ML 技术讨论、动手 ML 挑战及小组展示，以及文化契合面试。

重点考察计算机视觉和地理空间深度学习——Nearmap 的 AI 从航空影像中检测 130+ 种特征使用 Amazon SageMaker 进行 PB 级图像数据的大规模生产 MLML 挑战可能涉及图像分割、目标检测或地理空间特征提取小组展示要求解释模型架构、训练决策和部署策略开源 Python 库（nmaipy）展示了 Nearmap 对 ML 生态的承诺
NearmapMachine LearningComputer VisionDeep LearningGeospatial AISageMakerSydneyAerial Imagery

面试流程 (6 轮)

1
📞
招聘人员电话筛选Recruiter Phone Screen
⏱ 20-30 minutes

与人才招聘团队的初次对话，讨论你的 ML 背景、研究或行业经验，以及对 Nearmap 地理空间 AI 使命的兴趣。招聘人员会介绍面试流程，并提供 ML 团队当前重点方向的背景信息，如航空影像分析、目标检测和大规模特征提取。

💡

准备工作

  • 了解 Nearmap 的 AI 能力：从航空影像中进行建筑物、屋顶、植被、游泳池、太阳能板等 130+ 种特征的语义分割
  • 阅读 AWS 关于 Nearmap 使用 Amazon SageMaker 进行可扩展 ML 模型训练的案例研究
  • 查看 GitHub 上的 nmaipy Python 库——它展示了 Nearmap 如何通过 API 暴露 AI 特征
  • 准备简洁地介绍你的 CV/深度学习经验：训练过的模型、使用过的数据集、部署经验

常见问题

  • 计算机视觉和地理空间应用的哪些方面吸引了你？
  • 你有哪些生产规模的深度学习模型训练经验？
  • 你最擅长的 ML 框架是什么（PyTorch、TensorFlow）？

避免踩坑

  • 不理解 Nearmap 的 AI（从航空影像提取特征）与通用计算机视觉应用的区别
  • 无法清晰阐述端到端的 ML 生命周期：数据收集、标注、训练、评估、部署、监控
🔒
还有 5 轮面试流程未显示解锁后查看全部 6 轮面试详情