自动驾驶MLOps工程师面试实战题库 - 第3节

🔍 面试官考察点

是否理解数据采集的触发机制（时间/事件/场景）、多传感器同步、数据回传与存储方案，以及如何平衡数据量与成本。

📋 回答框架

• 触发策略分类：时间触发、事件触发（如AEB、接管）、场景触发（如雨天、隧道）
• 工程实现：车端缓存、数据脱敏、压缩上传、断点续传
• 成本与效率：按优先级回传、边缘筛选、影子模式

💬 简短示例回答

我们采用事件触发+场景触发结合：当系统检测到接管或急刹时，自动上传前后30秒多传感器数据；同时通过影子模式挖掘长尾场景。车端做初步筛选和脱敏，再通过4G/5G回传，降低带宽成本。

❓ 可能追问

• 如何保证多传感器数据的时间同步？
• 影子模式与触发式采集的优缺点？
• 如何评估采集数据的有效性？

⚠️ 避坑提醒

不要只罗列触发类型，要结合具体工程约束（如存储、带宽、功耗）说明取舍。

🔍 面试官考察点

是否熟悉标注工具链、预标注、质检规则、版本控制（数据版本与标注版本），以及如何保证标注一致性。

📋 回答框架

• 标注流程：预标注 → 人工修正 → 质检 → 入库
• 版本管理：数据版本（DVC）+ 标注版本（Label Studio/自研）绑定
• 质量指标：一致性Kappa、召回率、漏标率

💬 简短示例回答

我们使用预标注模型生成初始框，人工修正后进入质检环节。每个标注任务关联数据版本和标注版本，通过DVC管理数据快照，Label Studio记录标注历史。质检采用抽样+规则校验，确保一致性。

❓ 可能追问

• 如何处理标注规范变更导致的版本冲突？
• 预标注模型迭代后如何回灌标注数据？
• 如何衡量标注成本与质量？

⚠️ 避坑提醒

避免只说“用工具管理”，要强调版本绑定和可追溯性，以及标注规范文档化。

🔍 面试官考察点

是否理解MLOps中数据与模型的版本关联、实验追踪、回灌触发条件以及闭环迭代的工程化落地。

📋 回答框架

• 版本联动：数据版本ID + 模型版本ID + 代码commit 三元组
• 回灌触发：新数据入库、模型性能下降、定期迭代
• 实验追踪：MLflow/W&B记录指标，支持回溯

💬 简短示例回答

我们通过MLflow记录每次训练的输入数据版本、模型参数和评估指标。当新一批标注数据入库后，自动触发回灌训练，并生成新的模型版本。数据版本与模型版本通过唯一ID关联，确保任何模型都能追溯到训练数据。

❓ 可能追问

• 如何自动化回灌训练流水线？
• 数据版本更新后，如何做增量训练？
• 如何评估回灌后的模型是否满足上车要求？

⚠️ 避坑提醒

不要忽略数据版本与模型版本的绑定关系，这是MLOps的核心实践。