帶學員剛走完一場 Shopify ML VO ，整體流程還挺緊湊的。三輪面試兩天內就全部結束了，節奏算是比較快的一類。相比有些公司一輪一輪隔好幾天、整個流程拖上好幾周，這種連續面完反而更輕鬆一點。
面試內容基本都圍繞機器學習相關的東西在聊，比如 ML 建模思路、自己做過的專案，還有 ML system design。整場沒有演算法題那種刷題型環節，更像是在討論實際業務裡 ML 怎麼做。
Shopify ML VO流程結構
三輪技術面
整場 Virtual Onsite 一共三輪技術面，每輪大概 45 分鐘。
三輪的結構比較清晰：
- ML Modeling
- Technical Deep Dive
- ML System Design
面試形式通常是一個主面試官加一個 shadow interviewer，節奏更像技術交流，而不是傳統的面試問答。
Round 1：ML Modeling
場景題背景
第一輪是一個典型的機器學習建模場景題。題目背景來自電商物流：
設計一個模型，用來預測訂單商品的送達時間。這個問題本質上是一個 delivery ETA prediction 任務，需要從完整的機器學習建模角度去拆解。
問題定義
首先需要明確預測目標。常見有兩種方式：
- 預測商品送達的具體時間
- 預測從下單到送達的時間長度
在實際建模中通常會使用第二種方式，也就是預測 delivery duration，這樣問題更標準，也更容易處理。
Round 2：Technical Deep Dive
專案經驗討論
第二輪主要是機器學習專案的深入討論。面試官會讓候選人選擇一個自己最熟悉的 ML 專案，從背景到實現完整講一遍。整個討論通常會圍繞幾個方面展開：
專案解決什麼業務問題
資料來源和資料規模
資料清洗和特徵工程
模型選擇的原因
是否做過模型對比實驗
如果專案涉及真實業務場景，面試官往往會繼續追問模型上線之後的情況，例如模型更新策略或者效能監控方式。
Round 3：ML System Design
系統設計場景
最後一輪是機器學習系統設計。題目背景是設計一個電商商品自動分類系統。平臺上有大量商品類別，大約 7000 多個 category，需要透過機器學習模型自動給商品進行分類。
輸入資料
系統輸入通常包括：
商品標題
商品描述
商品圖片（如果存在）
這些資訊可以作為模型的主要特徵來源。
建模方案
比較常見的方案是文字分類模型。可以從簡單方案開始，例如：TF-IDF + Logistic Regression
然後再討論更復雜的模型，例如基於 Transformer 的文字分類模型。如果商品包含圖片，也可以考慮文字和影象結合的多模態模型。
面試準備的一點經驗
我們這邊長期在做大廠 面試輔助服務 ，很多 ML / DS / SDE 面試其實都有固定的討論框架。目前已經幫助不少同學順利透過 ML、Data、以及 SDE 方向的 VO 面試。如果你最近也在準備 Shopify、TikTok、Amazon 等公司的技術面試，提前瞭解一下這種面試輔助方式，很多時候能明顯降低臨場壓力，也更容易把準備好的內容穩定發揮出來。
