大概六周前面完了 Affirm 的 MLE 全流程，方向是 credit underwriting 侧的 risk modeling。分享点细节，因为这里的 ML 面试跟你在典型大厂 ML 团队预期的不太一样。
核心主题： 在高风险、强监管语境下做 applied ML。他们要的是会考虑 model calibration、公平性约束、以及线上可靠性的人。那种只会算法、讲不清 decision thresholds 或 adverse action notices 的，会很吃力。
轮次： coding screen（45 分钟）：标准 python 数据结构题。不会难到卡住你。他们想看干净、可读的代码。 ML depth（60 分钟）：这轮才是重点。他们会沿着我过去做的模型追问。我需要解释一个信用模型里 precision/recall 的取舍，false positives 很贵（批了坏借款人）和 false negatives（拒了好借款人）时会有什么不同。我们深入聊了 class imbalance 处理、threshold tuning，以及为什么只用 FICO 不是很好的 feature set。 ML system design（60 分钟）："design a fraud detection system for affirm real-time transactions.（为 affirm 的实时交易设计一个欺诈检测系统。）"（为 affirm 的实时交易设计一个欺诈检测系统。）他们会强追 latency 要求、feature store 设计、model refresh 的节奏。还问我当出现一个新的 merchant category 时，怎么处理 distributional shift。我以前做过类似题，但 fintech 的细节让它更落地。 behavioral：4 题，标准 STAR。有一题专门问你：你上线的某个模型导致了下游问题。准备一个好故事。 coding again（偏 ML）：让我实现一个基础 sigmoid，然后问极端值下数值会发生什么、怎么修。接着问 gradient descent。不需要 pytorch 水平，就是基本功。
他们最看重的： model governance 和 fairness compliance 很严肃。ecoa 和 fair lending 都会提。如果你来自 consumer credit 或 lending 背景，会天然更有优势。