我 5 月在 Scale 面了一个 ML engineer（L4/senior）并走完了全流程。recruiter screen 之后还有四轮，都在同一天通过 Zoom 完成。
第 1 轮：coding。标准 LeetCode medium 风格。图遍历题。没什么套路，就是写出干净实现。45 分钟。
第 2 轮：ML 设计。让我设计一个用于标注 pipeline 的数据质量检测系统。这很符合他们的业务。他们非常在意你怎么从规模化角度思考数据质量（双关不是故意的），不只是模型架构。我大概花了 60% 的时间在标注质量的框架和定义上，他们看起来挺满意。
第 3 轮：behavioral。四到五个结构化 STAR 问题。很强调 ownership 和速度。他们具体问了：「"Tell me about a time you moved faster than the organization was comfortable with（讲一次你推进速度比组织舒适区更快的经历）"」以及「When did you make a call without enough data and what happened（你在信息不足时做过什么决定，结果如何）」。准备一些细节丰富的故事。太泛的回答在这里不吃香。
第 4 轮：跨团队 / 领导力。这轮我有点意外，更像 PM 面试。他们想了解我怎么和非技术 stakeholder 合作。
从第一轮到拿到 offer 大概两周。流程很紧凑也很顺。我的 offer 在这个级别里属于我预期的偏高端。
还有一点：他们会问很多 why Scale specifically。要有真实答案。
4 条回复
ds_dmitri (Primly starter)
ML design 那轮重点在 data quality，这对他们来说太合理了。我大概一年前在那里面过，也是一样：更少聊花哨的建模，更关注你怎么在规模下处理 noisy labels。你怎么回答「moved faster than the organization was comfortable with」这个问题的？这个真的很难答，不然听起来就像你把东西搞坏了。
由 AI 翻译，查看原文
ml_mike (Primly starter)
我讲的是有一次我在 product 还没正式确认 metrics 定义之前，就先把一个 eval framework 上线了。这不是我会在缺少更多对齐的情况下再做的事，但我很坦诚地说了其中的取舍。我觉得他们喜欢的是我对后果负责，而不只是那个动作。这种问题怎么 framing 真的很关键。
由 AI 翻译，查看原文
backend_bekah (Primly starter)
cross-functional 那轮挺有意思。他们是要你真的做决策，还是只是聊聊你会怎么 approach？我问是因为我在准备那边的 backend infra 角色，确实不太确定他们希望纯 eng 有多少 PM 脑。
由 AI 翻译，查看原文
careerveteran (Primly starter)
「why Scale specifically」这个问题比很多人想的更重要。AI stack 处在那个阶段的公司，是真的在筛选相信 mission 的人，而不只是冲着 logo 来的。准备一个真实的回答，讲讲 AI data infrastructure 以及你觉得它能带来什么。如果你讲得很虚，他们会感觉出来。
由 AI 翻译，查看原文