有没有要找工作的，实习工资12000

1.描述一个你参与过的团队项目中，遇到资源有限但需快速推进任务的情况，你是如何协调各方以确保项目按时完成的?2.假设你负责一个音乐平台的实习生招聘项目，目标是招募10名候选人，但简历来源渠道单一，导致响应率低。你会如何从业务角度设计开源策略来扩展人才池?3.讲述一个你曾分析过数据以改进流程的经历例如在学校项目或社团活动中，如何通过数据洞察发现瓶颈并提出解决方案?4.描述一个你主动寻找资源或机会来支持团队目标的例子，比如在校园活动中如何扩展合作网络以提升活动影响力?5.如果要组织一次全公司的团建活动，结合音乐公司的特色，你会怎么策划?6.你认为如何在快速发展的音乐行业中帮助员工做好职业规划和能力提升?7.遇到过员工之间因为创意理念不同产生冲突的情况吗，你是怎么调解的?8.假设网易云音乐要拓展海外业务，你会怎么制定国际化人才的招聘和管理策略?9.如果要建立一套适合创意型员工的绩效评估体系，你会怎么设计?10.讲述一个你独立思考并创新解决问题的例子，例如在社团招聘中如何设计新流程来减少手动工作?

9.29  hr面没有自我介绍，问了一下项目的一些基本情况，还问了很多大模型相关的一些东西吧，包括还有论文的一些基本内容，美团三面都问到了AI相关的一些内容，还是挺重视这块的，大概30多min吧，问的都有点冒汗了。反问了具体工作和培养机制，问多久出结果，说会尽快。没有问期望薪资，base地和其他offer情况，不知道怎么回事😥许愿oc吧10.9更新：已意向

13号做的测评，已经被泡池子了    

作为一名大数据工程专业的研究生，收到华为的实习面试邀请后，我既兴奋又有点紧张。华为在大数据、云计算和AI方面的项目一直颇具规模，我在实验室也经常用到华为云的分布式存储和计算工具，所以这次机会对我来说既是挑战，也是检验自己能力的时刻。面试当天是线上视频面试，HR提前一天发来了会议链接，还贴心地提醒我准备好稳定的网络和耳麦。面试开始，首先是自我介绍环节，我简单交代了自己的学业背景、参与过的项目，以及在实验室做的两个与数据仓库建设相关的课题。技术面提问部分面试官是一位资深的大数据架构师，第一句就直奔主题：“你在项目中具体承担了哪些角色？有没有数据模型设计的经验？”我提到了在校期间参与的一个基于Kimball维度建模的销售分析系统项目，并详细描述了如何在需求分析阶段识别业务过程和度量，以及如何根据不同的数据主题域设计星型模型与雪花模型。我还补充说明了在ETL流程中，如何处理缓慢变化维（SCD），尤其是Type 2类型的实现方法，包括在Hive中通过分区与有效期字段来管理历史数据。他听完后很感兴趣，追问：“如果我们有一个订单事实表，需要支持多维度分析，比如时间、客户、产品，但不同维度的数据规模和更新频率差异很大，你会怎样设计？”我答道：时间维度：预先生成完整的日期维并缓存在DW中，保持稳定不变；客户维度：考虑缓慢变化维，保证历史分析的准确性；产品维度：用码表+关联，保持高查询性能。并说明了在分布式环境（如Spark SQL）下，为避免join带来的性能瓶颈，可以使用广播join或分桶策略。场景题与解决思路接下来，他给了一个具体问题：“如果每天有上亿条设备日志进入系统，需要在分钟级完成故障模式检测，你会怎样设计架构？”我回答：数据采集：采用Flume/Kafka作为实时数据入口，将日志按主题与分区进行路由；实时计算：使用Flink进行流处理，通过窗口函数实现分钟级聚合；特征提取与模式匹配：在流计算过程中调用预先训练好的模型（可能是基于TensorFlow或PyTorch），完成在线推理；数据落地与分析：实时结果入ClickHouse或HBase，历史数据入Hive供离线分析；监控与告警：接入Prometheus+Grafana实现实时监控，并结合规则引擎触发告警。面试官点头认可，但提醒我在实际生产中需要考虑容错和数据延迟问题，比如Kafka的副本机制、Flink的checkpoint与状态恢复等。综合能力考察除了技术问题，他还考察了我的沟通能力与学习能力。他问：“如果你负责的某个数据模块上线后用户反馈查询慢，你会怎样定位问题？”我回答说会先定位问题范围：是前端展示慢还是后端查询慢；如果是后端，先看sql执行计划，分析是否由于join、group by等操作导致大量shuffle；再检查数据倾斜情况，必要时用加盐、按范围拆分等方式优化；同时关注底层存储的索引与分桶方式。思维延展与职业规划最后，他关心我的职业规划。我表示自己未来希望在数据架构与数据治理方向深耕，不仅掌握数据采集、处理、存储的全链路技术，还能从业务视角建立完善的维度模型和指标体系，提高企业数据资产价值。这与华为在智慧城市、通信网络、云平台等领域的需求非常契合。面试在轻松的氛围中结束，面试官说技术能力还不错，但建议我在模型设计中更多考虑跨域数据整合的复杂性，以及如何在超大规模数据环境下保持模型的易维护性。HR最后告知后续会有二面，可能会有更深层的系统设计题与现场编码题。面试感受与经验总结这次一面让我体会到几个关键点：准备要针对岗位需求 —— 华为的大数据实习不只是写代码，还要理解业务流、模型设计、性能优化，尤其是Kimball建模在企业级场景的落地方式。案例要具体 —— 面试时举的例子最好能体现规模、挑战与解决方案，比如数据量级、延迟要求、架构选型等细节。思维要全面 —— 技术方案不仅要能跑通，还要考虑高可用、可扩展性、运维成本等。表达要清晰 —— 把复杂的设计讲清楚，有时候比技术本身更重要。总之，这次面试虽然是虚拟的情景，但过程很真实，如果你未来准备大数据方向的华为面试，可以借鉴这种“技术细节+业务场景+性能优化”的答题方式，即使遇到陌生问题也能从架构思路入手，让面试官看到你的系统性思考能力