我大概六周前走完了 KPMG 的 ML engineer 面试流程。他们在快速扩张 data 和 AI practice，尤其是 consulting 侧，客户想尽快把 AI-enabled 产品做出来。下面是我经历的整个 loop。
岗位背景：在他们 Lighthouse AI / data advisory practice 里。工作大多 client-facing：给金融服务、医疗、或者公共部门客户做 ML 系统。不是研究。不是追 SOTA。是带真实落地约束的应用型 ML。
面试轮次：
和 recruiter 的 phone screen。 标准流程。想了解我背景，以及为什么选 consulting 而不是 product。这个问题要有一套自洽的答案。
和一个 data scientist 的技术筛选电话。 45 分钟。主要聊 ML 基础：bias-variance tradeoff、regularization、如果客户有合规团队我会怎么解释 gradient boosting、表格型金融数据的 feature engineering。没有写代码，基本是对话。
Live technical round。 90 分钟，分两部分。前半：case 风格场景。客户有个分类问题，fraud detection，标签不平衡，数据量不大。你要从头到尾过一遍方案。我讲了 EDA、baseline models、如何处理 class imbalance、评估指标，以及为什么 accuracy 在这儿是错指标。他们 push back 很到位，不是刁难，更像一起 working session。后半：给一个 Jupyter notebook，里面数据很乱，让我清洗并做一个简单的 logistic regression baseline。默认 Python。Pandas、scikit-learn。他们不太看速度，更看习惯：有没有检查 leakage、有没有记录实验、有没有把自己在做什么以及为什么写注释。
Behavioral round。 60 分钟，全 STAR，偏 consulting 语境。最好的一题是：描述一次你说服一个持怀疑态度的客户 stakeholder 接受你做的模型。他们想看你能把 ML 输出翻译成业务决策。
Comp：我的 offer 大概是 $130k base，Chicago，级别在 mid-senior。有 bonus。比大厂 ML 岗低，但 consulting 的好处是客户类型多样，对早期建立问题谱系的作品集确实有用。
如果有人准备这个方向，欢迎追问。