คำถามสัมภาษณ์งานสาย AI ที่เจอบ่อย พร้อมแนวคิดในการตอบ

รวมคำถามสัมภาษณ์งานสาย AI ที่พบบ่อย ตั้งแต่พื้นฐาน LLM, RAG, evaluation ไปจนถึง system design และจริยธรรม พร้อมแนวคิดในการตอบให้ผู้สัมภาษณ์เห็นวิธีคิด

ผู้สมัครคนหนึ่งตอบคำถาม "RAG คืออะไร" ได้คล่องเหมือนท่องตำรา แต่พอผู้สัมภาษณ์ถามต่อว่า "ถ้าระบบ RAG ของคุณตอบผิด คุณจะหาสาเหตุยังไง" กลับเงียบไปนาน การสัมภาษณ์งานสาย AI วันนี้ไม่ได้วัดว่าคุณจำนิยามได้แค่ไหน แต่วัดว่าคุณคิดแก้ปัญหาจริงได้หรือเปล่า

การสัมภาษณ์เชิงเทคนิคสาย AI คืออะไร

คือการสัมภาษณ์ที่ทดสอบ ความเข้าใจพื้นฐาน การออกแบบระบบ และวิจารณญาณ ในการใช้ AI กับงานจริง สำหรับตำแหน่งอย่าง AI Engineer, ML Engineer หรือ AI Solutions Architect มักมีทั้งรอบถามตอบ รอบเขียนโค้ด และรอบ system design คำถามด้านล่างเป็นแนวที่พบบ่อย แต่ละบริษัทอาจถามต่างกัน

หมวดที่ 1: พื้นฐาน LLM

"อธิบาย token และ context window ให้คนไม่ใช่สายเทคฟัง"

แนวคิด: ใช้ภาษาง่าย แล้วเชื่อมกับผลในงานจริง เช่น เอกสารยาวเกิน context ต้องตัดแบ่ง และจำนวน token มีผลกับต้นทุน

"ทำไม LLM ถึง hallucinate"

แนวคิด: อธิบายว่าโมเดลสร้างข้อความที่น่าจะเป็นจากรูปแบบที่เรียนมา ไม่ได้ค้นข้อเท็จจริง แล้วเสนอวิธีลด เช่น ให้ตอบจากเอกสารที่แนบ บังคับอ้างอิงแหล่ง และให้ตอบว่าไม่รู้เมื่อไม่มีข้อมูล

"Fine-tuning กับ RAG ต่างกันยังไง ควรใช้เมื่อไหร่"

แนวคิด: RAG เหมาะเมื่อความรู้เปลี่ยนบ่อยและต้องอ้างอิงแหล่งได้ fine-tuning เหมาะกับการปรับรูปแบบหรือพฤติกรรมของคำตอบ หลายระบบใช้ร่วมกัน

หมวดที่ 2: RAG และ LLM Application

"ถ้า RAG ตอบผิด คุณจะ debug ยังไง"

แนวคิด: แยกปัญหาเป็นขั้น คือ ดึงเอกสารถูกไหม (retrieval) เอกสารที่ดึงมามีคำตอบไหม และโมเดลใช้เอกสารนั้นถูกไหม (generation) แล้วแก้ทีละจุด เช่น ปรับ chunking เพิ่ม reranking หรือปรับ prompt

"เอกสารภาษาไทยมีความท้าทายอะไรเป็นพิเศษ"

แนวคิด: ภาษาไทยไม่เว้นวรรคระหว่างคำ มีภาษาพูดปนภาษาเขียน และมีคำทับศัพท์หลายแบบ ต้องทดสอบการตัดคำและการค้นหาด้วยคำถามจริงของผู้ใช้

หมวดที่ 3: Evaluation และ Production

"คุณวัดคุณภาพของระบบ LLM ยังไง"

แนวคิด: พูดถึงชุดทดสอบที่มีคำตอบอ้างอิง เกณฑ์ที่ชัด การใช้คนตรวจร่วมกับการให้ LLM ช่วยตรวจ และการติดตามคุณภาพหลังขึ้นระบบ คำตอบที่ดีมักยกตัวอย่างจากโปรเจกต์ที่ทำเอง

"ถ้าต้นทุน API สูงเกินงบ คุณจะทำอะไร"

แนวคิด: วัดก่อนว่าต้นทุนมาจากไหน แล้วเสนอทางเลือก เช่น ใช้โมเดลเล็กกับงานง่าย ทำ caching ลดความยาว context และวัดว่าคุณภาพยังผ่านเกณฑ์

หมวดที่ 4: System Design

"ออกแบบ AI ผู้ช่วยตอบคำถามลูกค้าให้ธนาคาร"

แนวคิด: เริ่มจากถามคำถามกลับก่อน เช่น ผู้ใช้เป็นใคร ข้อมูลอ่อนไหวแค่ไหน ต้องส่งต่อให้คนเมื่อไหร่ แล้วค่อยวางส่วนประกอบ เช่น RAG, guardrails, การยืนยันตัวตน, log และการวัดผล ผู้สัมภาษณ์ให้คะแนนกับเหตุผลของ trade-off มากกว่าไดอะแกรมสวย

หมวดที่ 5: จริยธรรมและวิจารณญาณ

"เคยตัดสินใจไม่ใช้ AI กับงานไหนไหม เพราะอะไร"

แนวคิด: ตอบด้วยเหตุผลเรื่องความเสี่ยง ข้อมูลส่วนบุคคลตาม PDPA หรือความรับผิดชอบเมื่อ AI ตอบผิด คำถามนี้วัดว่าคุณรู้ข้อจำกัดของเครื่องมือที่ใช้

ข้อควรระวัง

• อย่าท่องคำตอบ ผู้สัมภาษณ์มักถามต่อลึกจนรู้ว่าเข้าใจจริงไหม
• อย่าใช้ AI ช่วยตอบระหว่างสัมภาษณ์ถ้าบริษัทไม่อนุญาต
• ถ้าไม่รู้ ให้บอกตรง ๆ แล้วอธิบายว่าจะหาคำตอบยังไง ดีกว่าเดา

ผู้สัมภาษณ์ไม่ได้มองหาคนที่รู้ทุกคำตอบ แต่มองหาคนที่รู้ว่าจะหาคำตอบยังไง

เตรียมตัวยังไง

1. อ่าน job description แล้วจดเทคโนโลยีและงานที่ตำแหน่งนั้นเน้น
2. เลือกโปรเจกต์ของตัวเอง 1 ถึง 2 ชิ้น เตรียมเล่าปัญหา การตัดสินใจ และผลลัพธ์ ถ้ายังไม่มี ดูไอเดียที่ 10 โปรเจกต์ AI ที่ใส่ Portfolio
3. ฝึกตอบคำถามในบทความนี้ออกเสียง จับเวลาข้อละ 2 ถึง 3 นาที
4. ฝึก system design โดยวาดบนกระดาษและอธิบาย trade-off ทุกจุด
5. ซ้อมกับคนอื่นหรือกับ AI แล้วขอ feedback อ่านวิธีได้ที่ ใช้ ChatGPT Claude ซ้อมสัมภาษณ์ยังไง

อยากซ้อมแบบมีคำถามตามตำแหน่งจริง ลองใช้ Interview Lab ของ Plants.work แล้วเมื่อพร้อม ค้นตำแหน่งงานสาย AI ได้ที่ หน้าหางาน