AI应用知识体系的面试高频考点.docxVIP

AI应用知识体系的面试高频考点

一、AI应用知识体系的核心构成逻辑

AI应用知识体系并非孤立的技术堆砌，而是围绕“问题驱动—技术选型—工程落地—效果验证”闭环展开的系统性能力框架。面试官考察的重点，不在于是否背熟算法公式，而在于能否清晰阐述技术选择背后的业务动因、落地过程中的关键权衡、以及异常场景下的归因思路。因此，高频考点始终锚定在“理解深度”与“应用意识”的交叉地带。

二、高频考点分类解析与应答要点

（一）基础概念辨析类——区分“是什么”与“用在哪”

此类问题常以对比形式出现，重在检验对技术边界的清醒认知：

-机器学习vs深度学习：机器学习是涵盖监督/无监督/强化学习的广义范式，深度学习是其子集，特指基于多层神经网络、依赖大规模数据与算力、具备自动特征提取能力的一类方法。面试中若被问及“为何此处不用传统机器学习而选深度学习”，需紧扣任务特性作答——例如图像识别中，卷积神经网络能天然建模局部平移不变性，而SVM需人工设计HOG等特征，泛化性与开发效率均处劣势。

-大模型vs小模型：“大小”不仅指参数量，更体现能力边界与部署约束的矛盾统一。大模型（如百亿级LLM）在零样本推理、复杂语义理解上优势显著，但存在推理延迟高、显存占用大、可控性弱等问题；小模型（如蒸馏后的TinyBERT）则在端侧部署、实时响应、成本敏感型场景中不可替代。应答时宜举例说明：客服对话系统若需毫秒级响应且需严格