三周前刚结束 Scale AI data scientist 的面试 loop。分享下拆解，因为我当时搜的时候几乎找不到什么信息。
总共四轮。先 recruiter screen，然后三轮分开不同天、背靠背安排。
SQL 轮。 比一般 DS 的 SQL screen 难。不是只考基础聚合。他们给了我一个 schema，大概模拟了他们的 tasker 标注 Pipeline，让我找质量异常值。比如：哪些 tasker 的通过率低于某个阈值，并且过去 30 天做过超过 N 个任务。考到了 window functions。我一开始在一个 PARTITION BY 的问题上卡了一下，他们让我继续把思路拉回来，这点挺加分。期望水平：你要熟练 CTE、window functions，并且能解释为什么要用某种 join。
Case study。 这是最有意思的一轮。他们给了个场景：某一种任务类型（我的是 image segmentation）的标注质量在下降。你怎么发现、怎么量化、怎么修。希望你从 data pipelines 的角度思考，而不只是 notebook 分析。我把回答框在：发现（statistical control charts、用 p-chart 看缺陷率）、诊断（按 tasker 的工龄、设备类型、一天中的时间分 cohort）、干预（定向 review 队列、用 hold-out gold sets 做校准）。他们对我的校准想法提出质疑，我们来回辩了一阵。感觉是他们刻意想看你怎么应对 pushback。
统计和实验设计。 比较标准的 A/B testing，但有个小转折：样本量很小。问题基本是：当总体很小的时候，你什么时候应该提前停实验。我讲了 Bayesian 方法 vs. sequential testing，他们看起来挺喜欢我两个都懂。他们还问了一个概率题，更像脑筋急转弯，不太像实用统计。别想太多。
总体。 这个 loop 挺有内容，不是走流程。我聊到的人都很懂这个领域。SF 一个 mid-senior DS 角色的 comp 大概是 $195k base，另外还有 equity，2026。我在接受前没拿到很细的 equity 拆分，所以有点后悔没更早追问。
欢迎提问。