拿到 Spotify MLE 实习并转正，我做了什么

2018 年初冬，我在 NYU 的职业发展网站上看到 Spotify 2019 年暑期实习的招聘，投了一份面向 MLE 的简历，后来拿到面试，最后也拿到了 return offer。回头看，真正有用的是下面这五件事。

1. 盯紧招聘渠道，能内推就内推

那时候我正忙着 Capstone Project，没想太多就投了，算是幸运地拿到了面试。大家要时刻留意学校内部的求职网站。如果有认识的学长、学姐或朋友在心仪的公司，要尽可能争取内推。内推最大的好处，是确保你的简历能被 HM 看到。

2. 详读 JD，准备一份有针对性的简历

ML 要解决的问题种类很广，MLOps 框架也多。不同公司、不同岗位，甚至组里当前的任务，都会让 HM 带着一个预设的模板找人，这些在 JD 上都会体现出来。根据 JD 精修简历，能大大提高拿到面试的成功率。

后来我们组的 Senior 透露，我的研究生论文主要做强化学习，和面试我的组一拍即合。面试里我也详细介绍了这个项目，这给我加了很多分。

投递前可以对照 JD 检查三件事：

• 它反复提到的问题领域，你的简历里有没有对应项目
• 它点名的技术栈，你有没有写清楚用它做了什么
• 每个项目有没有写清楚问题、方法和结果

3. Get your hands dirty

MLE 面试和一般软件工程师面试有个明显的区别：更侧重 ML 方面的知识、经验和解决问题的能力。具体分三块：广度面试、深度面试和系统设计面试。前两者都非常吃项目经验。

推荐经常去 Kaggle 等网站练手，或者在 Coursera 上做一些实在的项目。一定不要满足于「调包」。真实工作里 import 一个现成的 library 很普遍，但在积累阶段，我强烈建议用 numpy 手动实现一些经典方法，比如 CNN、SVM、KMeans，这对理解模型的数学原理帮助非常大。

区分「调包者」和有思考、有经验的 MLE，一个重点就是 ta 对背后的数学含义理解得够不够透彻。

4. 成为 T 型 ML 人才，有的放矢

NLP、Computer Vision、推荐系统、音频处理，不同公司、不同项目组都有特定的领域。以 Spotify 为例，公司在 ML 上走得很深，但日常问题主要是推荐系统、音频处理，最多加上自然语言处理，平时基本碰不到计算机视觉。

在某个领域钻研下去，让它成为你的强项，远好过样样都懂、样样不精。

5. 看到 Bigger Picture

ML 的应用开发周期离不开和 ML Infra 的交互：数据准备、特征工程、模型训练、检验、部署，都和其他团队息息相关，包括数据工程师、数据科学家、后端工程师和 ML 架构师。

尽早了解这些关联，以点带面看清整个开发周期，面试时就会自然流露出一个成熟 MLE 该有的思维。

下一步

接下来可以按ML 工程师面试地图的顺序，把三种面试过一遍。