近日，Reddit 上一位网友 Mogady 分享了自己在一家公司的面试经历。这段经历让他感到沮丧，因为他觉得面试并不是在考察 ML 工作者的实际能力，这是不公平的。我们先来看看他讲述的面试过程。

我有 4 年的 NLP 经验，最近想找一份远程工作，于是我申请了一家公司，该公司声称他们只雇佣 top 3% 的人。当然，没有人知道这个数字是怎么来的。

我申请了两次，第一次通过了编码测试，但没有通过技术面试，因为我没能在 30 分钟内解决 2 个问题。

第一次面试失败之后我反思了自己的弱点，并意识到解题才是工作面试中的关键，于是我在 Leetcode 上刷了一些题，然后又申请面试同一家公司。这次我直接进入了技术面试阶段，他们给我一个数据集，要求我在 30 分钟内让一个 NLP 方法的准确率达到 96%，其间我只能浏览文档，不允许用 StackOverflow 或谷歌搜索。我想这应该是在考察我理解问题的能力——想让我又快又好地处理给定数据。

经过几次迭代，准确率达到 90%，然后时间到了。但我告诉面试官如果我有更多时间，我会怎么做。

第二天面试官给我发了一封拒绝邮件，我要求他们给我一个理由，他们说：「面试成功的人可以在给定的时间内获得更好的性能，因为这些人知道 Pandas 库函数能帮他们快速完成编程。」

但是根据我几年的 NLP 实际工作经验，Pandas 和 Jupyter 通常只用来分析数据。如果你真的在构建一个项目，你可能就想尽可能摆脱 Pandas 库函数。因此，不只用一行代码完成操作并不意味着我的能力不是 top 3%。

如果该公司因此拒绝我，那么我是否可以认为 top 1% 的人甚至不需要编码？他们只需要对各种工具得心应手，问题就能靠工具自己解决了。

如果他们认为从头开始构建项目并不重要，那我注定不会面试成功。

显然，Mogady 对这段面试经历感到非常懊恼，他提出疑惑：「为什么现在所有问题都以解决速度为衡量标准？」

Mogady 的经历引发了网友的诸多讨论。有人表示这很现实：「面试确实会衡量应聘者对行业中常用工具的了解，并将重点放在最常用的工具上。一些公司通常还希望尽快为客户创造价值，而不考虑太多细节。这也会影响他们选择雇用谁。」

但也有人从构建项目的具体问题上分析，认为压缩源代码（例如用一行代码完成操作）不利于项目的长期运行。一行代码编译之后的机器码和几行代码没有差别，而几行有注释的好代码是更佳的选择。

有担任技术主管的数据科学家表示：「使用 Pandas 库函数编写一行代码不是什么重要的事情，更重要的是如何扩展和泛化算法。我会更看重这一点，而不是盲目选择只会加速训练的员工。」

还有人从公司层面看待这个问题：「如果一个公司只考虑 ML 方法的速度，那么他们可能也只是想尽快盈利，而没有长远发展的想法。好的公司在意的是员工分析和研究问题的能力。」所以这样的公司不去也罢，没什么前途。

无论是对公司还是对个人，Mogady 的面试经历都值得我们思考。面对一个实际问题，又快又好地解决问题不是易事。如果要在速度和实际效益上选择一个，你会怎么选？