2026 年初我面了 Deloitte 的 ML engineer loop，AI and Data practice。背景：ML 8 年，最近在一家中型科技公司做 recsys。下面是实话实说的拆解。
流程概览： Recruiter call（30 分钟） Take-home assessment（4-6 小时） 两位 ML engineer 的技术面（90 分钟） Client/stakeholder simulation 面试（45 分钟） Offer
Take-home： 他们给了一份数据集，让我做一个分类模型、做 EDA、解释我的特征选择，然后写一份说明，讲我会怎么把模型输出解释给非技术的客户 stakeholder。最后这部分是重点。他们不只是招你来建模型，他们是招你把模型转成客户能用来决策的东西。这份写作可能比模型性能更重要。
技术面： 很偏 ML fundamentals。他们让我用大白话解释 bias-variance trade-off，走一遍我会怎么处理真实数据集里的 class imbalance，以及什么时候我会选 gradient boosting 而不是 neural network。对 neural network 那题，他们想听更偏实战的推理：数据量、可解释性要求、部署约束。不是 research 面试，偏 applied。
他们也问了 MLOps：我会怎么监控客户部署里的 model drift，用过什么工具，怎么搭一个 re-training pipeline。这块比我预期更重要。他们更看重生产环境的可靠性。
Client simulation 轮： 这轮很特别。他们给了一个短场景：客户的 fraud detection 模型 false positive 太多，让我 roleplay 给客户解释情况和选项。纯沟通题，不写代码。我以前没在 ML 面试里见过，但对 consulting 来说很合理。
我会怎么做得更好： 更针对性地准备如何向业务 stakeholder 解释 ML 输出。技术面我还行，但这层“翻译”我有点卡。另外：最好懂一点 LLM fine-tuning 基础，因为他们越来越常被要求给企业客户落地 generative AI 系统。
Comp：我拿到的 senior ML engineer（芝加哥办公室）offer 是 $155-165k base 区间，加项目奖金。不是 FAANG，但对咨询来说挺 solid。