[心得] Meta SDE-ML 面試

Meta London AI Center 年初聯絡我

我想說有對到我的專業就聊聊看

所以就跟他們的 HR 聊了一下針對他們目前在看的方向做一個瞭解

整體來說 Meta London AI Center 主要是做推薦系統相關的研究

想說推薦系統也做過了幾次，有些經驗可以聊聊，所以就開始跑流程

----

流程是先跟一個 SWE Manager 聊天

他會問一些經驗問題還有 Behavioral Question

這邊非常好的是 Meta 會有面試問題的方向的文件

告訴你他們問題的一些方向，還有一些範例問題

----

聊完之後就進 Loop Interview

Loop 有五關

- Coding x 2
- ML System Design x 2
- Behavioral x 1

----

Coding 的部分我沒有太多準備

寫完這個的必要題目: https://www.lintcode.com/collection/29/
約 32 題

然後找了這個: https://gist.github.com/fielding/8e22a9e8c2eb4c707f10d3a2b5db59c7約 80 題

結果最後題目都沒有看過，反正也不難所以都有把最佳解寫出來 (大概?)

一關兩題所以總共四題難度都是 Medium 左右

----

ML System Design 找了朋友，同學，前同事，同學的朋友做 Mock Interview

一開始想到什麼講什麼，後來講的更有架構

時間上面剛好 5 關裡面的前兩關就是 ML System Design

順序是不一定的，會根據面試官的時間做調整

第一關結束，我就想說炸裂了

因為有個關鍵的名詞講錯，

雖然解釋都是對的可是誤用了另一個不該放在這裡的算法的名字

我感覺是個不該被原諒的錯誤

所以接下來 4 關就全部 For Fun

----

Behavioral 因為前面已經 For Fun 了，所以沒有怎麼準備

基本上問的方向跟最一開始 SWE Manager 的問題不會差太多

----

結果出來 ML System Design 兩個都 Strong Hire (?

Behavioral 有疑慮 (可能因為我 For Fun 的關係)

可是因為 ML System Design 有兩個 Strong Hire ，

所以出現了兩個選擇：

- Hire as Senior SWE-ML (E5)
- Have another Behavioral Interview if target Staff SWE-ML (E6)

反正我又不急，所以就繼續安排面試

----

這次因為目標明確就是要 E6 所以訓練自己修改了說故事的方向

之前主要會介紹做過的專案的技術複雜度

改成講述做專案過程中還有專案之後怎麼彙整專案的結果

整理成可以重複利用的模組，再教給其他人用在其他的專案裡

拓展自己做完專案的影響力

結果換個說故事的方向果然就有拿到 E6 Offer

----

有趣的是 Meta 通常是進去之後再分組

可是如果是 E6 就可以先做 Team Matching 聊聊部門現在發展的方向

因為也還沒決定要不要去 Meta

所以就當作聊天，請 HR 幫忙約了一些團隊聊聊他們最新的發展

----

結論:

Coding: 對自己算法有自信的寫個 1XX 題，其實概念就都有了，其他只是變形

System Design: 找人做 Mock Interview 有幫助，而且確定方向也有幫助

像是我知道他們主要做推薦系統，就準備這個方向的架構

Behavioral: 故事準備好，說故事的方向也很重要，會影響入取等級

--

人在台灣

約十年

我談的這個是要去倫敦的

四大學碩 EE 實驗室研究領域是醫療軟體 新創約五年 然後進美商 現職也在 FAANG 其中一間的台灣部門

還在考慮中

好問題 所以還在考慮 不知道大家有什麼想法 就我目前知道的資訊 內部的團隊運作很正常 平台收益也沒有掉 在我目前看到招聘應該也是正常 現在的考量點是成長動能的問題 現在幾乎是沒有成長動能 除了 VR 之外也還有幾個在拓展的方向 只是目前都還沒有使用者數量上的突破 現在問題是要不要在一個關鍵拓展方向的團隊跟著賭一波 反正目前這間公司還是很賺錢就是了 剛好在轉型階段

肉身抄底... 怎麼這麼貼切啊

ML System Design 每個人會根據自己的專業有不同的回答方向 我會專注於整個 ML 流程 定義完 Input, Output, Feedback Data 之後 會討論資料怎麼收集，可能需要什麼樣的前處理跟分析 會講一點之前的經驗，遇過什麼問題用了什麼算法做前處理 前處理算法本身稍微描述一下 然後進入機器學習流程 建立一套機器學習系統通常不只一個機器學習問題 已推薦系統來說就有： - 推薦品項與推薦目標的特徵工程問題 除了物件本身的規格化資訊之外 可能還能從從文字圖片做辨識，甚至從關聯網做 Graph Embedding 來產生特徵向量 - 推薦品項與推薦目標在不同維度的衡量指標的計算問題 通常我們說推薦算法指的是這個，計算兩個 Entities 之間的 Matching Score 通常推薦系統會需要計算不只一個商業目標，再用不同的機制去平衡商業目標 - 計算篩選方法問題 當推薦品項與推薦目標數量太大的時候沒辦法計算全部一對一的分數 所以需要設計篩選的機制 這邊其實也有機器學習算法專門做多個篩選機制的平衡 - 多個推薦算法的競爭機制問題 現在很流行同時跑多個算法然後讓他們競爭 可是這裡又需要同時考量多個不同的商業目標，所以也有很多能分析的 - 使用者體驗問題 做完推薦系統之後除了推薦本身的表現，其他的平台影響是什麼能怎麼分析 - 異常回報問題 推薦品項如果有違法或是其他異常我們怎麼調整 甚至怎麼自動判斷異常回報是否真的是異常 等等的問題... 然後系統怎麼上線，跟什麼系統對接，維運可以建立什麼樣的機制來監看... 因為我花了太多的時間在流程上 所以算法都只是講講名字跟大概的運作特性，為什麼選這個算法 不過每個人在 System Design 都有自己強的地方 如果你是算法很深入的人也有可能主要討論 - 怎麼分析資料的統計特性然後調整深度學習網路結構 - 怎麼分析問題特性與 Loss Function 之間的設計 等等的問題... 這個方向我雖然有些經驗可是不是我的強項，所以我著墨比較少

因為 London 這邊都是推薦系統的部門 所以其實都是跟目前比較賺錢的應用掛鉤 比較像是賺錢多少還有業務成長的問題