Okta 在 2025 年初招了我，之后我在我们组也面过不少候选人，所以我可以从候选人视角和面试官视角都讲一下。
先给点背景：Okta 的 ML 团队并不大，大部分在 Security Intelligence 下面，也有人做 anomalous login detection、risk scoring、adaptive MFA。如果你期待的是一个专注 LLM 或 generative 的团队，那不太是他们的核心。他们的 applied ML 更多是经典路线，gradient boosting 比 transformer 架构更常见。准备的时候要把这一点记住。
Okta machine learning engineer 面试 loop 会覆盖什么：
他们很认真地考 ML fundamentals。不是 "explain gradient descent（解释一下梯度下降）" 这种水平，但更偏应用：为什么你的 risk model 会随时间变差，你会用什么 retraining 策略，你怎么在 login-event stream 里检测 covariate shift。按他们真实问题来准备：streaming data、imbalanced classes。
Coding 用 Python，但不是纯 LC。预期会有那种你在操作数据结构的题，可能涉及在事件序列上做 sliding window。有个候选人跟我说他拿到一道从 stream 里标记 burst login activity 的题。这不是巧合。
ML 岗的 system design 会覆盖完整的 MLOps stack：feature store、model serving、monitoring。像 "design a real-time fraud scoring pipeline（设计一个实时欺诈评分 pipeline）" 这种题就很贴。他们很在意 latency，因为这是 auth 基础设施，决策得是毫秒级。
Behavioral 大概 4 到 5 个问题。最容易卡 ML 候选人的，是任何关于和 data science 合作但没有干净交接的问题。"Tell me about a time you had to ship a model but the data wasn't ready.（讲讲一次你不得不发布一个模型，但数据还没准备好的经历。）" 很常见，在 security ML 里 telemetry pipeline 就是很脏。
我入职时，Okta 的 senior ML 薪资大概是 base 200k-220k，RSU 四年 vest，我没看到特别大的 equity sign-on。市场后来也有变化。不是 FAANG 数字，但就工作的类型和实际影响来说不差，是真正有 stakes 的应用。
欢迎提问。我只是一个工程师，不代表公司官方立场。