我今年早些时候走了 Wells Fargo machine learning engineer 的面试流程。岗位在旧金山的风险与欺诈检测团队。分享一下，因为网上大多数 ML 面试内容要么是 FAANG 视角，要么很泛。银行不一样。
我原本以为： 狂刷 leetcode、很虚的 ML 系统设计、可能再来点统计。
我实际经历： 比我想象的更偏应用、更强行业场景。
流程概览： Recruiter screen。常规。 ML coding screen（60 分钟）。给了真实数据集（匿名化的交易记录），让我用 Python 做一个简单的欺诈分类器并评估。Jupyter notebook 环境。他们在意：我怎么处理类别不平衡、我优化哪个指标（我默认用 accuracy 的时候他们反问了我，这个反问很对），以及我会怎么把模型解释给合规团队听。最后这一点才是真正的考点。我提到了 XGBoost + SHAP values，他们就追问了关于特征重要性解释的后续问题。 ML system design（45 分钟）。怎么设计一个实时欺诈评分系统，要求 200ms 内出决策、能处理 concept drift，并且把所有东西都记录下来以满足监管审计？这是非常金融服务特有的问题。我讲了 feature store、模型服务基础设施、shadow mode 测试，以及一个难点：带标签的数据要几周后才到（chargebacks 很慢），导致重训不容易。他们似乎挺认可我提到 label delay 这个问题。 Behavioral panel。两轮。他们真的很想要 STAR-method 的答案，而且会明确说出来。他们问了和“不理解模型限制”的业务方协作，以及线上模型故障怎么处理。
最重要的是什么： 金融服务 ML 的领域知识。如果你做过 fraud、credit risk、AML 或任何相关方向，要狠狠强调。如果没做过，就花时间读一下这些问题。通用 ML 技能只是门槛。区分候选人的，是你是否理解欺诈检测里 precision/recall 的权衡会带来真实的业务后果。
定级最后给我的是他们称为 Senior Data Scientist II（WF 的 ML eng 头衔有点奇怪）。SF base 大概 $165k，奖金目标 15%，RSUs 分 3 年。不是 FAANG 的总包，但岗位 scope 很实。