第二題：“什麼是過擬合？列舉三種常見的防止過擬合的方法並簡要解釋”。
“過擬合指模型在訓練集上表現很好，但在未見過的測試集上表現顯著下降，即模型過於複雜，‘記憶’了訓練資料中的噪聲和細節，導致泛化能力差。防止方法：1. 正則化（L1/L2）：在損失函式中加入模型複雜度的懲罰項，限制引數大小，促使模型更簡單。2. Dropout：在神經網路訓練過程中隨機‘丟棄’一部分神經元，強制網路學習更魯棒的特徵，是一種整合學習的近似。3. 早停法（Early Stopping）：在訓練過程中監控驗證集效能，當效能不再提升甚至下降時提前停止訓練，防止過度訓練”。
回答這些理論題時，林晨感覺異常順暢。那些曾經晦澀難懂的概念，經過幾個月的反覆咀嚼、實踐、除錯，已經內化成了肌肉記憶。他甚至能聯想到自己在量化系統中，為了防止模型過擬合曆史資料，特意加入了L2正則化和動態早停機制。
最後兩道系統設計題更有挑戰性。
一道是：“假設要為公司設計一個使用者畫像推薦系統，請描述主要模組、技術選型及需要考慮的關鍵問題”。
另一道是：“設計一個即時檢測交易資料異常（如欺詐交易）的系統流程”。
這兩題沒有標準答案，考察的是知識廣度、工程思維和解決問題的方法論。林晨結合自己過去十年後端開發的經驗和這幾個月學習的AI知識，謹慎地組織著回答。他從資料採集、清洗、儲存講到特徵工程、模型選擇（推薦系統他提到了協同過濾、矩陣分解到深度學習模型如DeepF演進；異常檢測他提到了孤立森林、自動編碼器、時序模型LST應用），再到模型部署、A/B測試、線上監控和迭代更新。他強調資料質量的重要性，強調線上線下一致性，強調系統可解釋性和運維成本。
寫完最後一段，點選提交時，時間顯示用了2小時47分鐘。
螢幕彈出“提交成功”的提示。
林晨靠在椅背上，長長地吐出一口氣。咖啡已經涼了，但他渾然不覺。此刻的心情，就像跑完了一場準備已久的馬拉松，疲憊，但更多的是釋放和期待。
他走到陽臺，科技園的方向，高樓玻璃幕牆反射著上午的陽光。那裡有無數他曾經嚮往或未曾瞭解的機會。
這個筆試，只是一個開始。他知道，星雲科技可能不是他的最終目標，薪資待遇或許也達不到他之前的預期，但這是一個訊號——他自學的東西，市場是認的；他選擇的轉型方向，路是通的。
手機又震了一下。是蘇婉發來的微信：“樂樂說今天幼兒園有畫畫課，他想畫爸爸在電腦前工作的樣子。你那邊怎麼樣”？
林晨看著資訊，笑了笑，回覆：“剛完成一個公司的AI崗位筆試。感覺不錯”。
很快，蘇婉回了一個笑臉和兩個字：“加油”。
簡單，卻足夠溫暖。
林晨收起手機，目光重新投向電腦。投資系統的控制面板上，今日累計收益已經顯示為+2.3%。雖然金額不大，但那根小小的陽線，和剛才完成的筆試一樣，都是黑暗中逐漸亮起的、實實在在的光點。
他坐回桌前，沒有休息，而是打開了T廠招聘官網的頁面。昨天已經完成了電話初篩，HR說一週內會有進一步通知。他需要準備得更充分一些。
第一個AI崗的面試邀請來了。他相信，這絕不會是最後一個。
