我在 2026 年 Q1 通过了 plaid 的 MLE loop，l5-equivalent，投的是 fraud/risk ML team。写下来是因为 plaid 的 ML 面试资料不多，而且它跟常见的大厂 MLE 模式有点不一样。
第一件要知道的事： plaid 的 ML 题非常偏应用和领域。他们关心的是用于 fraud detection、identity verification、transaction categorization、income estimation 的 ML。如果你之前只做 NLP 或 computer vision，也不是没机会，但你需要花时间理解 tabular/structured data + fintech fraud 这块。
流程： recruiter screen ML phone screen（60 分钟）：一题 coding（medium，Python），再加 20 分钟 ML 概念讨论。他们问了怎么处理 class imbalance，很符合 fraud/anomaly 的语境。 virtual onsite，5 轮： ML system design（端到端搭一个 transaction categorization system） ML theory（概率、统计、model calibration、面向金融数据的 feature engineering） coding（一题算法题，一题更偏应用的 coding 题：他们给了一个 dataset，让我写 feature extraction 逻辑） cross-functional：当你的模型带来 latency tradeoff 时，你怎么和 product、eng stakeholder 合作 behavioral
他们在 ML system design 里会怎么深挖：
以 transaction categorization 为例，他们会问：feature 选择（merchant name parsing、MCC codes、金额分布、用户历史），模型选型取舍（boosted trees vs neural、延迟约束），怎么处理没有历史的新 merchant（cold start），以及怎么监控 drift。都是 plaid 实际在做的东西，不是编的。
ML theory 这一轮：
不是 trivia。他们让我在一个 imbalanced 的 fraud 场景里推 precision/recall，并解释为什么 AUC 在这种情况下可能会误导。我们还聊了用于 risk scoring 的 model calibration。他们问了 SHAP，怎么给外部合作伙伴做模型解释。预期是有深度，不是广度。
一个让我意外的点： cross-functional 这一轮打分很认真。他们想看你如何在没有直接管理权的情况下影响对方，以及怎么把不确定性讲给非技术 stakeholder 听。plaid 的 ML engineer 显然要负责很大的产品面。
准备重点： tabular ML（不是 LLMs）、imbalanced classification、model monitoring、Python coding 熟练度，以及对 fraud/risk ML 有一个清晰的观点。