几个月前面了 JPMC 的 ML engineer loop，团队是 CIB（corporate and investment banking）tech division 里的 AI 和 ML 组。写下来是因为大多数 ML 面试内容都是 Google/Meta 那套，金融服务的侧重点不一样。
首先：搞清楚你面的是 ML engineer（做系统）还是 data scientist（做模型）。在 JPMC 这区别很重要，面试也不一样。我走的是 MLE track。
Phone screen 跟 hiring manager，30 分钟，主要聊背景和 fit。他很直接：他们用 ML 主要做异常检测、交易分类、文档 NLP（比如贷款协议、研究报告），以及越来越多的风控建模。他想知道我会不会觉得无聊。真实答案是：看你觉得什么有意思。如果你想做最前沿的 generative AI，这里大概率不适合；但如果你想在高风险领域做超大规模、可靠的生产级 ML 系统，其实挺有意思。
Technical screen 60 分钟，两部分：coding 和 ML system design。coding 是一道 Python 题，涉及对数据集做向量化操作（不允许用 NumPy，得从零实现）。ML system design 是：设计一个近实时更新的反欺诈模型。我覆盖了 feature stores、重训节奏、模型服务的延迟要求、drift detection。他们喜欢我把 explainability 作为受监管环境下的硬性需求来讲。
ML depth round。 这是我觉得最有意思的一轮。深挖具体话题：欺诈检测数据集的 class imbalance（聊了 SMOTE vs. cost-sensitive learning vs. threshold tuning）、时间序列交易数据的特征工程、怎么评估一个 recall 优先且 false negatives 很贵的模型。这些不是皮毛问题。他们想看你真的训过模型、处理过脏兮兮的真实世界问题。
Coding round。 LeetCode medium 风格，算法加数据结构。两题，60 分钟。
Behavioral round。 标准 STAR，三题。我记得的一题是：「Tell me about a time a model you deployed had unexpected behavior in production. What happened and what did you change?」（讲讲一次你部署的模型在生产环境出现了意外行为。发生了什么，你做了哪些改动？）
NYC 的 senior MLE offer 大概是 $160-175k base 加 bonus。equity 比科技公司少一些，但 base 挺稳。他们整个流程大概 5 周走完。