刚面完 Snowflake 的 MLE loop。发出来是因为网上几乎没有关于他们 ML engineering 面试到底长什么样的具体信息。剧透：更偏 systems，不偏模型。
背景：这个岗位在他们的 Cortex team（Snowflake 的 ML platform 产品）。不是 research role，也不是纯 ML science role。他们在做让客户能在 Snowflake 里跑 ML workload 的基础设施。
loop（总共 6 轮）： recruiter + hiring manager screen ML system design coding 第 1 轮：distributed systems／concurrency coding 第 2 轮：ML 相关 coding（Python） ML depth 轮 behavioral + values
ML system design：不是「design an image classifier.（设计一个图像分类器。）」。他们让我设计一个 feature store，要求能处理 streaming 更新，并支持低延迟的 inference 读取。他们想聊一致性取舍、cache invalidation、你怎么处理 schema evolution。完全是 infrastructure 视角，不是模型视角。
coding：distributed systems 那轮是实现一个带依赖的简单 task scheduler（基于 DAG）。ML coding 那轮让我实现一个自定义的 batched prediction 函数，要正确做内存管理，并解释不同 batching 策略之间的取舍。
ML depth：这里会深挖我的简历。问我做过的具体模型、怎么处理 class imbalance、怎么评估一个线上生产模型和离线 eval 的区别。他们也问了 Snowpark（他们的 Python runtime），我没用过，但他们接受我说我会去学。
最重要的点：对系统取舍有强观点。他们不想要只在意 model metrics 的 ML engineer。如果你聊不了 ML serving 里的 latency、throughput、fault tolerance，这个 loop 会很难。
没那么重要的点：前沿 research。没人问我 transformers 或 diffusion models。这不是 applied scientist role。
还在 debrief 阶段，还没 offer。之后再更新。