面试官如何判断面试者的机器学习水平？

文 | 陈然@知乎
本文已获作者授权，禁止二次转载

记得这大概是个三年前的问题，每年都会有新的答案让我持续学习。三年多前我作为最早的机器学习工程师之一加入 Tubi，从零开始设计招聘题目和流程，搭建团队，陆陆续续也面试了大好几百次了。这里的答案大多聊的是常见的机器学习面试题目，我提供一个不一样的角度，从业务负责人的角度聊聊如何根据业务需要设计题目，大家也可以反向思考，查缺补漏。

招1个人 != 招10个人

很多同学的角度都是从面试官的角度来出发的，想着就是招一个人，面几场试。但当你从团队负责人的角度出发，要填满大量的业务需求，来设计面试流程和题目的时候，思考角度就会完全不同。这中间有大量的取舍，甚至一些决策很不优雅，但这都是为了规模化和自动化不得不做的放弃。

面试题目需要淘汰人，越早越好

招聘是个非常贵的流程，我们举一个湾区常见两轮技术面+现场面试的转化率简单计算，录取一个人要让接近20个人进入面试流程。

steps	conversion rate
hiring manager call	80%
tech screen 1	60%
tech screen 2	60%
onsite	40%
offer	40%

conversion	4.6%

面试官的时间是很贵的，我们更愿意保护面试官的时间，减少面试，也不愿意让更多可能不合适的人进入现场面试的阶段，浪费大家的时间。这里有个 precision 和 recall 的平衡，precision 的重要性远大于 recall。

所以面试题目的设计，特别是技术面的题目，与其说是招到合适的人，不如更精确的说是剔除可能不合适的人，越早越好。什么样的题目适合剔除人呢？一定是有明确答案的题目，这样的题目可以是理论题，可以是数学题，可以是代码题，可以是系统设计题，但一定不能是开放讨论式题目。一定要是如果答案是A就过，如果不是A就淘汰，或者设计成类似分数的系统。

precision 和 recall 是不可能兼得的，很多时候筛去了一些可能合适的候选人我们也很惋惜，但更多的时候犹豫一下让候选人进入现场面试表现不好，反而耽误大家更多的时间。

团队需要 != 最像我

面试官往往都有些幸存者偏差：我都是面试官了，像我这样的是最优秀的，我会的候选人就应该会，我要以我为模版招人。

从团队的角度来看，这其实是非常糟糕的思路。每一个团队业务非常广阔，每一个人的专精方向也不一样，多面互补对于一个团队来说是一个更好的状态。

从面试题目的设计上，要分清楚什么是基本要求，什么是加分项。

基本的要求要抽象出是能完成在团队中做机器学习最基础的技能，比如代码、调参、常见优化的方向等等，不需要很深入。更重要是要抛弃“我认为什么是重要的”，而去思考“团队工作日常需要什么技能”。从这个角度来看可能日常需要的技能比你想象的要简单基础的多，那面试就应该更关注这些技能。

在加分的问题中除了深挖，更可以抛出一些自己在实践中难以解决的问题，看看有没有什么妙招，有时候有额外的惊喜。

最大的难点是面试官

面试官其实是整个面试流程中最稀缺的资源。一是面试官的时间很宝贵，面试会占用大量工作的时间。二是每个面试官的工作背景、喜好、评价标准都可能不一样，这个必须靠制度和流程的设计来保障相同。

实践中我们会经常与各个面试官沟通，讨论题目的评价标准，定期回顾最近的招聘反馈，研究转化率，看一看哪一位同学做的好与不好，确保每一位面试官表现都类似。

题目的设计上也会确保题目不能太偏，每一位面试官都能完成基础知识和深入理解的衡量，同时题目必须有明确的回答标准，什么的答案可以过，什么样的答案是红标，都需要明确的写下来。

Tubi 的面试实践

根据这样的理解，Tubi 的机器学习面试流程设计大概如下（可能会变更）：

技术面一：简单的 Python 代码实现，大概不超过10分钟。一些概率统计，机器学习理论。总体上非常基础，目的是淘汰掉完全不会写代码，或者只懂 Buzzword 的人。

技术面二：给出一个真实的数据集，需要使用常见的机器学习包，比如 sk-learn, pandas, numpy等等，抽取特征，训练模型，衡量模型。现场一个小时，过程中允许 Google API。

现场面试：还有一轮代码，与技术面二类似。剩下的大概两三轮基本上都是机器学习的实际应用，比如让你设计一个推荐系统，设计一个视频广告去重系统，怎么做，比较关注的方向是比如指标的设计、关键系统部件的设计（提出可以用 end-to-end deep learning system solve everything 的都直接淘汰）、迭代的思路等等。这几轮主要是非常资深的工程师/经理/总监/CTO来面试，更多的是考察人的资深程度。

因为全程没有 Leetcode style coding，而是非常关注作为机器学习工程师的日常，绝大多数面试者的反馈都是非常正向的。