在大数据时代，成为一名MLE意味着什么？踏上创新之旅，探索科技的前沿，塑造未来的世界。这些形容丝毫不夸张，再换种说法，赋予计算机思考和学习的能力，让它从数据中提取智慧，解决世界上最复杂的难题，有机会参与创建自动驾驶汽车、智能医疗系统、智能助手、推荐系统、自然语言处理和计算机视觉应用等等领域的革命性技术。

如果你也想永远处于学习和成长的道路上，不断挑战自己和数据的极限，那么今天这篇文章，务必躺进你的收藏夹！

[本文内容概览]

▓  能力要求

▓  业务介绍

▓  行业薪资

▓  职业晋升

▓  可以投递的公司

▓  面试流程

01  能力要求

Machine Learning Engineer, 又称为Machine Learning Scientist/Machine Learning track Data Scientist，可以理解为数据科学岗位中较为偏机器学习工作内容的细分岗位，很偏技术岗，相当于半个码农。主要是用modeling去解决问题，所以相对于DS其他细分方向（尤其是分析类方向），MLE需要有很强的machine learning的知识。

同时，大部分data scientist的岗位都是ML方向的，机器学习毋庸置疑也是数据科学的核心。这类岗位的员工通常需要建模来解决一些相对复杂的问题，工作往往直接关系到公司的核心业务。具体可申请的岗位有Microsoft Data & Applied Scientist, Pinterest Data Scientist等等。

Machine Learning和Analytics，两种DS细分岗位类型都是会日常在工作中跟product manager, front-end/backend engineers以及其它岗位的人合作。不同之处在于，ML更偏重建模，所以对编程能力、算法和统计知识的要求更高；而Analytics则更侧重对产品的理解，所以会着重考察product sense和storytelling。

MLE的岗位需要扎实的algo基础， 因此准备面试过程中leetcode刷题是必不可少的。同时，MLE对于各种machine learning和deep learning模型的底层数学逻辑理解要求很高，因此对各种模型的原理熟练掌握是拿到offer必不可少的要求。

02  业务介绍

ML track一般是要相对于数据科学岗位中分析类岗位来说：Machine Learning主要是搭建各种各样的机器学习模型，比如图像处理、文字处理、面部识别等，这些模型会被嵌入到产品中，为用户提供相应的解决方案。

同时，一些公司会要求MLE完成从基础的数据清洗、模型搭建再到最后的production和对business partner指导其应用的所有步骤。举一个日常工作的例子，marketing team提出需求要求MLE做一个客户分层模型以便于他们更好地开展marketing campaign。MLE需要搭建完整的模型，设计user interface，并指导marketing team在设计好的app里输入客户信息得到模型计算后的正确客户分类从而对其进行精准营销。

而Analytics更侧重的是分析产品的使用情况，通过用户的使用数据，发现产品的优势和不足之处，并指导产品经理做出相应的决策。

03  行业薪资

MLE的薪资range比较广，但同级别内普遍高于SDE和DS高出20% - 50%都比较正常。但正同于SDE, MLE的薪水在不同公司区别也非常大。拿Amazon举例，如果title是Applied Scientist，L5薪水可以到300k - 400k，L6可以到450k以上。微软则会比同行业低很多，62级别一般也不在250k左右，63很少超过350k。而微软的子公司LinkedIn就大方很多， Sr可以拿到300k-350k， staff可以到450k以上（linkedin sr对标于amazon L5）。

总体来说MLE薪资待遇十分优渥，New grad MLE在传统行业能达到base 120k+, 大厂能达到200k+。

04  职业晋升

以BCG为例，一般的升职在每2年左右，升职路线为：

AI software engineer ->Senior AI software engineer->Lead AI software engineer->Principal->Partner->Managing director and partner

可以见到在Lead这个职位之后，所有BCG面向客户的职位都将合并到Principal->Partner->Managing director and partner。具体的软件工程师考核制度和数据科学家考核制度基本一致，但是会在软件工程师的专业知识（云计算、构架等方面）技能上有着重的考核。

05  求职准备

DS的面试流程和考点都比较相似，基本为

1）Behavior interview：一般是HR会和你打电话，问一些与公司相关的问题，像是为什么对我们公司感兴趣？为什么对这个岗位感兴趣？为什么你觉得你和这个岗位匹配？有时候也会问一些和你过去经历有关的问题，比如，如果你和你的teammate意见有冲突，你会这么解决。

2）Coding: DS的coding不管是OA或是live coding一般都是考察Python和SQL。Python主要是考察一些data manipulation方面的知识，比如怎么处理missing value之类的，有时候也可能会让你建一个简单的ML模型。SQL需要掌握得比较熟练，除了基础的如何选取数据外，window function也是常考的，一般难度在Leetcode medium。

3）Product：产品题大多数会与公司自身产品相关，让你提出几个metrics进行分析。比较经典的例子就是，如果公司要发布一个新的产品，你会看哪几个metrics来分析这个产品是否收到了大众的喜欢，如果其中一个metric increase但是另外一个metric decrease，你要怎么决定tradeoff。

4）ML：我遇到的面试基本都为理论知识的考查，比如每个模型的优缺点是什么；为什么选择一个模型；这个模型的逻辑，像是the logic behind random forest；或者如何处理data imbalance；有时候也会给你一个具体的情境，比如我要预测一种药是不是effective，是看model的precision还是recall比较好。

5）统计：比较常见问到的问题会有如何理解P-value，算一些简单的conditional probability，或者如何test significance。

根据上述五个点，针对性做准备：

1）Behavior interview：提前了解公司，想几个对公司比较感兴趣的点，一是可以应对HR的提问，二是在反向提问环节，也可以让别人觉得你是对公司有一定了解的。然后可以准备几个自己的经历，形成一个storyline，比如曾经你和同学一起做project的经历，可能经历了意见不合，进展不顺利等各种问题，最后成功解决，project有了很大的影响力。这段经历就可以在被问到Tell me about a time you had conflict with coworkers或者How you deal with challenge的时候用到。这类面试准备的重点在于，在讲好一段经历的过程中，要展现自己软实力上的亮点，像leadership, communication, teamwork等。

2）Coding: 这个基本靠刷题了，SQL我当时是把Leetcode上的Easy和Medium都刷了2遍，Hard刷了1遍。在刷题过程中，最好能脑子里过一遍思路，因为在真正面试过程中，需要你在coding的同时，还要向面试官解释你的思路。

3）Product：Product我基本是靠和同学mock准备的，推荐YouTube上Emma Ding的是视频，是个很好的入门tutorial，会让你学会回答product题的基本框架。在有了一定框架思维后，可以多看别人分享的面经，然后和同学一起mock，多说多练，但一定要谨记不能一味地套模版，那样会很生硬也会让面试官觉得你没有深入思考。在面试前，最好可以多熟悉一下那个公司自己的产品，然后提前思考一下有可能被问到的product或者metrics。

4）ML：我当时是自己准备了一个Jupyter Notebook，里面包括了从Data Cleaning, EDA(Visualization), Feature Selection,Modeling, Evaluation一整套流程的code，也推荐大家可以准备一个类似的，或者自己曾经做过的一个ML project的code。

5）统计：因为比较少公司会考到统计，所以不推荐大家花大量时间去准备，可以在面试前多看一些面经，看看这个公司之前都问过哪些知识点，然后有针对性地准备，统计题出现原题的概率相对来说还是比较大的。

06   可以投递的公司

所有传统行业公司的MLE, applied machine learning scientist, DS (algorithm track) 岗位都可以投递。

07  面试流程

以Adobe为例：

第一轮：phone interview

与很多公司不同的是，Adobe没有online assessment或者HR电话。第一轮就是直接与hiring manager交流。这部分通常在30-45分钟之间，涵盖的问题包括但不限于：基本的行为面试题（自我介绍，why company，优缺点等），case study（考察对问题的理解和对data的应用能力），基本的技术面试题（理论题，如解释p-value等）。Hiring manager是你入职后直接的老板，所以给他/她留下一个好的初始印象非常重要，最好可以提前准备一下。

第二轮：technical interview

这一轮全部是技术面试，面试官通常是在职的DS/Sr. DS. 考察内容包含SQL和Python，如果Python不太熟练也可以用R. 考察形式为白板live coding，即面试官会把题目分享到白板上，面试者在下面直接作答，但面试者无法知道对错。根据职位不同，题目的难度和选拔标准也会不同，但多刷点题，多看点网上的资料和面经一定会有帮助。

第三轮：superday

疫情前这一轮是要去公司现场面的，但疫情之后全部改成了线上。共有4-5个场面试，每个面试都是1v1，面试官都是manager及以上的高管。大部分的问题集中在behavioral, resume-based和leadership，但也会有1-2个技术面试。整个面试会持续大约一天，面下来会感觉非常非常疲惫。但如果面的好，面试官是不会让你等太久的，基本当天或者第二天就会发口头offer，之后就是签约流程了。

Machine learning engineer是一个比较新的概念，所以每个公司MLE具体做的事情都很不同，小一点的公司可能需要MLE做full stack mle, end to end deploy products；大一点的公司比较细分，可能有专门做ML infra，或者是专门做modelling的MLE。许多PhD毕业的学生因为在某个领域钻研更深，那么就更适合做他擅长的细分领域。以后这个行业加入的人会越来越多，那么找一个自己喜欢并擅长的领域也许是不错的选择。

Machine Learning也是一个不停的在进步的行业。学术届有很多前沿的研究，永远有新的知识论文在产出，而且machine learning学术和工业界是结合十分紧密的，不断的学习是这个岗位非常重要的一点。

结语

以上就是关于MLE岗位介绍的内容

感兴趣的同学记得收藏

希望可以帮助到正在求职的各位同学~

关于留学方面，有疑惑的同学欢迎联系传兮留学的老师咨询~