ML 广度面试：面试官在考什么，怎么准备

ML 广度面试考的是：面对同一个问题，你能不能给出多种方法，并讲清它们的取舍。

Machine Learning 面试和普通软件工程师面试有些不同：形式上更多采用 case study，目的上更侧重考察候选人在 ML 领域的知识、技能和运用能力。这一篇看广度面试，以及如何更好地准备。

面试官会怎么问

广度面试里经常听到这些追问：

• 「还有呢？」
• 「如果这样，那么你会怎么做？」
• 「它们有什么不同？」
• 「让你选一个，你会考虑哪些方面？」

这些追问在看你的知识储备有多少，也看你能不能根据场景做选择。

一道例题：怎么生成 Embedding？

我们都知道 Embedding Vector 在很多场景下都非常有用。那么你能不能给出 2 到 3 种生成方法？它们有什么区别？你会怎么选？

一个有条理的回答可以这样展开：

方法	适合的情况	要考虑的代价
用预训练模型直接生成	数据少，想快速上线	不一定贴合你的任务
单独训练一个 Embedding 模型	有大量无标注或行为数据，多个下游任务要复用	要额外维护一条训练链路
放在下游模型里端到端训练	有明确目标，标注数据充足	和任务绑定，换任务不一定能复用

先把选项摆出来，再说你会看哪些条件，比如数据量、上线时间和复用需求，最后给出选择。面试官接下来很可能继续追问某一项，这时就进入了深度面试的范围。

如何准备

1. 锻炼发散思维，多角度分析问题。 不同的思考角度，往往会自然引出不同的解决方案。
2. 多想，多储备。 拿上面的例子来说：Embedding 究竟是什么？有什么用？怎么得到？单独训练和放在同一个模型里训练有何区别？
3. 对手上的每个环节多问一句「还可以怎么做」。 平时做任何任务都可以这样练。

这些考察点在真实工作中怎么用

• Latency 要求是否严格，决定特征选择和模型架构设计
• 有没有定义完善的线下 metric，决定用什么方式做评估
• 特征维度的高低，决定特征工程的做法
• 真实数据的漂移情况，决定模型的迭代方式

下一步

广度之后是深度面试。整体顺序可以看 ML 工程师面试地图。