Meta London AI Center 年初联络我 我想说有对到我的专业就聊聊看 所以就跟他们的 HR 聊了一下针对他们目前在看的方向做一个了解 整体来说 Meta London AI Center 主要是做推荐系统相关的研究 想说推荐系统也做过了几次，有些经验可以聊聊，所以就开始跑流程 ---- 流程是先跟一个 SWE Manager 聊天 他会问一些经验问题还有 Behavioral Question 这边非常好的是 Meta 会有面试问题的方向的文件 告诉你他们问题的一些方向，还有一些范例问题 ---- 聊完之後就进 Loop Interview Loop 有五关 - Coding x 2 - ML System Design x 2 - Behavioral x 1 ---- Coding 的部分我没有太多准备 写完这个的必要题目: https://www.lintcode.com/collection/29/ 约 32 题 然後找了这个: https://gist.github.com/fielding/8e22a9e8c2eb4c707f10d3a2b5db59c7 约 80 题 结果最後题目都没有看过，反正也不难所以都有把最佳解写出来 (大概?) 一关两题所以总共四题难度都是 Medium 左右 ---- ML System Design 找了朋友，同学，前同事，同学的朋友做 Mock Interview 一开始想到什麽讲什麽，後来讲的更有架构 时间上面刚好 5 关里面的前两关就是 ML System Design 顺序是不一定的，会根据面试官的时间做调整 第一关结束，我就想说炸裂了 因为有个关键的名词讲错， 虽然解释都是对的可是误用了另一个不该放在这里的算法的名字 我感觉是个不该被原谅的错误 所以接下来 4 关就全部 For Fun ---- Behavioral 因为前面已经 For Fun 了，所以没有怎麽准备 基本上问的方向跟最一开始 SWE Manager 的问题不会差太多 ---- 结果出来 ML System Design 两个都 Strong Hire (? Behavioral 有疑虑 (可能因为我 For Fun 的关系) 可是因为 ML System Design 有两个 Strong Hire ， 所以出现了两个选择： - Hire as Senior SWE-ML (E5) - Have another Behavioral Interview if target Staff SWE-ML (E6) 反正我又不急，所以就继续安排面试 ---- 这次因为目标明确就是要 E6 所以训练自己修改了说故事的方向 之前主要会介绍做过的专案的技术复杂度 改成讲述做专案过程中还有专案之後怎麽汇整专案的结果 整理成可以重复利用的模组，再教给其他人用在其他的专案里 拓展自己做完专案的影响力 结果换个说故事的方向果然就有拿到 E6 Offer ---- 有趣的是 Meta 通常是进去之後再分组 可是如果是 E6 就可以先做 Team Matching 聊聊部门现在发展的方向 因为也还没决定要不要去 Meta 所以就当作聊天，请 HR 帮忙约了一些团队聊聊他们最新的发展 ---- 结论: Coding: 对自己算法有自信的写个 1XX 题，其实概念就都有了，其他只是变形 System Design: 找人做 Mock Interview 有帮助，而且确定方向也有帮助 像是我知道他们主要做推荐系统，就准备这个方向的架构 Behavioral: 故事准备好，说故事的方向也很重要，会影响入取等级 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 1.161.130.121 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1652159074.A.598.html 人在台湾 约十年 我谈的这个是要去伦敦的 四大学硕 EE 实验室研究领域是医疗软体 新创约五年 然後进美商 现职也在 FAANG 其中一间的台湾部门 还在考虑中 好问题 所以还在考虑 不知道大家有什麽想法 就我目前知道的资讯 内部的团队运作很正常 平台收益也没有掉 在我目前看到招聘应该也是正常 现在的考量点是成长动能的问题 现在几乎是没有成长动能 除了 VR 之外也还有几个在拓展的方向 只是目前都还没有使用者数量上的突破 现在问题是要不要在一个关键拓展方向的团队跟着赌一波 反正目前这间公司还是很赚钱就是了 刚好在转型阶段 肉身抄底... 怎麽这麽贴切啊 ML System Design 每个人会根据自己的专业有不同的回答方向 我会专注於整个 ML 流程 定义完 Input, Output, Feedback Data 之後 会讨论资料怎麽收集，可能需要什麽样的前处理跟分析 会讲一点之前的经验，遇过什麽问题用了什麽算法做前处理 前处理算法本身稍微描述一下 然後进入机器学习流程 建立一套机器学习系统通常不只一个机器学习问题 已推荐系统来说就有： - 推荐品项与推荐目标的特徵工程问题 除了物件本身的规格化资讯之外 可能还能从从文字图片做辨识，甚至从关联网做 Graph Embedding 来产生特徵向量 - 推荐品项与推荐目标在不同维度的衡量指标的计算问题 通常我们说推荐算法指的是这个，计算两个 Entities 之间的 Matching Score 通常推荐系统会需要计算不只一个商业目标，再用不同的机制去平衡商业目标 - 计算筛选方法问题 当推荐品项与推荐目标数量太大的时候没办法计算全部一对一的分数 所以需要设计筛选的机制 这边其实也有机器学习算法专门做多个筛选机制的平衡 - 多个推荐算法的竞争机制问题 现在很流行同时跑多个算法然後让他们竞争 可是这里又需要同时考量多个不同的商业目标，所以也有很多能分析的 - 使用者体验问题 做完推荐系统之後除了推荐本身的表现，其他的平台影响是什麽能怎麽分析 - 异常回报问题 推荐品项如果有违法或是其他异常我们怎麽调整 甚至怎麽自动判断异常回报是否真的是异常 等等的问题... 然後系统怎麽上线，跟什麽系统对接，维运可以建立什麽样的机制来监看... 因为我花了太多的时间在流程上 所以算法都只是讲讲名字跟大概的运作特性，为什麽选这个算法 不过每个人在 System Design 都有自己强的地方 如果你是算法很深入的人也有可能主要讨论 - 怎麽分析资料的统计特性然後调整深度学习网路结构 - 怎麽分析问题特性与 Loss Function 之间的设计 等等的问题... 这个方向我虽然有些经验可是不是我的强项，所以我着墨比较少 因为 London 这边都是推荐系统的部门 所以其实都是跟目前比较赚钱的应用挂钩 比较像是赚钱多少还有业务成长的问题 ※ 编辑: longlyeagle (36.236.130.208 台湾), 06/07/2022 15:02:30