近日，Reddit 上一位網友 Mogady 分享了自己在一家公司的面試經歷。這段經歷讓他感到沮喪，因為他覺得面試并不是在考察 ML 工作者的實際能力，這是不公平的。我們先來看看他講述的面試過程。

我有 4 年的 NLP 經驗，最近想找一份遠程工作，于是我申請了一家公司，該公司聲稱他們只雇傭 top 3% 的人。當然，沒有人知道這個數字是怎么來的。

我申請了兩次，第一次通過了編碼測試，但沒有通過技術面試，因為我沒能在 30 分鐘內解決 2 個問題。

第一次面試失敗之后我反思了自己的弱點，并意識到解題才是工作面試中的關鍵，于是我在 Leetcode 上刷了一些題，然后又申請面試同一家公司。這次我直接進入了技術面試階段，他們給我一個數據集，要求我在 30 分鐘內讓一個 NLP 方法的準確率達到 96%，其間我只能瀏覽文檔，不允許用 StackOverflow 或谷歌搜索。我想這應該是在考察我理解問題的能力——想讓我又快又好地處理給定數據。

經過幾次迭代，準確率達到 90%，然后時間到了。但我告訴面試官如果我有更多時間，我會怎么做。

第二天面試官給我發了一封拒絕郵件，我要求他們給我一個理由，他們說：「面試成功的人可以在給定的時間內獲得更好的性能，因為這些人知道 Pandas 庫函數能幫他們快速完成編程。」

但是根據我幾年的 NLP 實際工作經驗，Pandas 和 Jupyter 通常只用來分析數據。如果你真的在構建一個項目，你可能就想盡可能擺脫 Pandas 庫函數。因此，不只用一行代碼完成操作并不意味著我的能力不是 top 3%。

如果該公司因此拒絕我，那么我是否可以認為 top 1% 的人甚至不需要編碼？他們只需要對各種工具得心應手，問題就能靠工具自己解決了。

如果他們認為從頭開始構建項目并不重要，那我注定不會面試成功。

顯然，Mogady 對這段面試經歷感到非常懊惱，他提出疑惑：「為什么現在所有問題都以解決速度為衡量標準？」

Mogady 的經歷引發了網友的諸多討論。有人表示這很現實：「面試確實會衡量應聘者對行業中常用工具的了解，并將重點放在最常用的工具上。一些公司通常還希望盡快為客戶創造價值，而不考慮太多細節。這也會影響他們選擇雇用誰。」

但也有人從構建項目的具體問題上分析，認為壓縮源代碼（例如用一行代碼完成操作）不利于項目的長期運行。一行代碼編譯之后的機器碼和幾行代碼沒有差別，而幾行有注釋的好代碼是更佳的選擇。

有擔任技術主管的數據科學家表示：「使用 Pandas 庫函數編寫一行代碼不是什么重要的事情，更重要的是如何擴展和泛化算法。我會更看重這一點，而不是盲目選擇只會加速訓練的員工。」

還有人從公司層面看待這個問題：「如果一個公司只考慮 ML 方法的速度，那么他們可能也只是想盡快盈利，而沒有長遠發展的想法。好的公司在意的是員工分析和研究問題的能力。」所以這樣的公司不去也罷，沒什么前途。

無論是對公司還是對個人，Mogady 的面試經歷都值得我們思考。面對一個實際問題，又快又好地解決問題不是易事。如果要在速度和實際效益上選擇一個，你會怎么選？