logo
← 返回面试流程列表
R

瑞思迈

ResMed机器学习工程师
难度 ⏱ 4-6 weeks📋 7 轮面试ai-engineerFull-time

ResMed 的机器学习工程团队将 AI/ML 应用于呼吸和睡眠医学的变革。他们构建睡眠分期分类、治疗依从性预测、设备遥测异常检测和临床结果优化的模型。面试流程非常全面，评估 ML 基础知识、ML 管道系统设计、编码能力和对医疗 AI 领域的认知。ResMed 拥有数十亿夜睡眠数据的独家专有数据集，为 ML 创新提供了独特优势。面试通常包括 2-3 轮，行为和技术问题各占一半，涵盖面向对象编程、数据结构、ML 算法和软件工程最佳实践。

独特的医疗 AI：数十亿夜的专有睡眠/呼吸数据ML 应用：睡眠分期、治疗预测、异常检测、临床优化技术栈：Python、PyTorch/TensorFlow、SageMaker、Spark、Kubernetes医疗设备中 ML 模型的 FDA/TGA 监管考虑（SaMD）面试：50% 行为 / 50% 技术，面向对象编程 + 数据结构 + ML 算法
ResMedMedTechMachine LearningAIDeep LearningHealthcare AIPythonPyTorchSageMakerClinical MLSydney

面试流程 (7 轮)

1
📋
在线申请与简历筛选Online Application & Resume Screening
⏱ 1-2 weeks

通过 ResMed 招聘门户、LinkedIn 或 SEEK 提交申请。ML 团队筛选具备强大 Python 编程技能、ML 框架经验（PyTorch、TensorFlow、scikit-learn）、ML 管道基础设施经验，以及理想情况下在医疗保健、信号处理或时间序列分析领域有经验的候选人。

💡

ML 岗位简历优化：以你的 ML 项目影响力开头，而不仅仅是模型精度。将每个项目结构化为：问题 -> 方法 -> 影响。例如：“开发了基于 LSTM 的时间序列异常检测模型，将物联网传感器数据的误报率降低了 40%。”

必须突出的技能：

  • Python（NumPy、Pandas、scikit-learn）
  • 深度学习（PyTorch 或 TensorFlow）
  • ML 管道（MLflow、SageMaker、Kubeflow）
  • 数据处理（Spark、SQL、特征工程）
  • 软件工程（Git、CI/CD、测试、Docker）

医疗 ML 的差异化优势：

  • 信号处理经验（ECG、EEG、呼吸信号）
  • 时间序列预测和异常检测
  • 处理不平衡数据集的经验（在临床数据中很常见）
  • 了解医疗设备软件 (SaMD) 的 FDA/TGA 法规
  • 在 ML 会议（NeurIPS、ICML、KDD）或医疗期刊上的发表物

GitHub/作品集：附上相关项目的链接，特别是涉及时间序列数据、传感器数据或医疗应用的项目。相关领域的 Kaggle 竞赛成绩也很有价值。

申请渠道：来自 ResMed ML 团队现有成员的推荐是让你的简历被快速关注的最有效方式。

🔒
还有 6 轮面试流程未显示解锁后查看全部 7 轮面试详情