作者 | Maximus
整理 | NewBeeNLP
https://zhuanlan.zhihu.com/p/673229826
在谷歌摸了三年鱼之后，我终于在23年底离开了这家公司。从一开始找实习怒喷Data Scientist这个职位，到四年前因为谷歌滤镜依旧选择去做DS，这段旅程也算在2023年画上了句点。
本篇讲述自己从谷歌DS离职的前因后果，主要作为北美跳槽参考；观点极为主观，大家求同存异，有异议肯定是你对。
背景
2020年我从CMU博士毕业之后，加入了谷歌做Data Scientist，原因有两个，其一，谷歌是我的dream company，我对它有很强的滤镜；其二，谷歌当年给我的包裹非常大，400k的股票别说对于四年前的new grad，即便放在今天社招L4的offer里也都是算很炸裂的。
动机
跳槽动机有两个：其一，DS在所有大公司里的地位都江河日下，一些公司已经把做模型的DS改成了Applied Scientist或者Machine Learning Scientist/Engineer，而没有改名字的公司（如google）也在削弱这个职位的路上，长远来看，绝大多数DS已经开始向商业分析和数据分析方向沦落；其二，当初选择做DS的很大一部分原因是因为谷歌是我的dream company，我当时是对它有滤镜的，如今谷歌裁员断断续续，福利也大不如从前，我也想不到有什么理由继续延续这种偏爱了。
准备
跳槽对我来说是件蓄谋已久的事情，从2022年经济恶化开始，我就正式备战准备离开谷歌。我使用了以下方法来准备Senoir Machine Learning Engineer面试，接下来我尽可能“量化”这个过程：
每天一道leetcode。我大概坚持了500+天。medium及以下基本要做到立刻秒杀，hard题目其实没什么规律，我到现在水平也做不好。
参加几次leetcode周赛。我大概参加了20次。参加周赛主要是锻炼心态，有一定的时间限制和竞技氛围能够模拟面试紧张的心态。我20次周赛的分数在2150。
看Designing Data-Intensive Application。这本书被称为system design神书，我是个DS，而且还是谷歌的，对这本书的理解都是皮毛。但我完整的读了两遍，并且后来也经常参阅一些章节，确实是常看常新。
Educative上的机器学习设计课[1]。这门课我觉得对于machine learning design还是蛮有用的，主打的是效率和实用价值。
Alex Xu有两本书，System Design Interview，一本蓝的一本绿的，没什么好说的，专业教辅推荐阅读。
Fei-Fei Li的Computer Vision课件[2]。重新温习，并且可以迅速跟进最近的一些研究成果，主要是用来应付machine learning breadth问题。这个我看过不下三遍，每次面试前甚至还会快速浏览下笔记。为了更好唤醒沉睡的记忆，我还看了CMU自己的ML课件（10701[3]），跟人家斯坦佛的课件水平确实差的蛮多的。
一些中文github资源其实比英文还好，尤其是机器学习八股文[4]。类似的资源不胜枚举，例如搜广推算法[5] 、搜索引擎[6]（这个我倒是没有看过，实在太多了）。中文资源其实在这方面遥遥领先。
另外一些“准备”可能更加潜移默化一点，属于难以量化的部分。
是我个人一直都只对算法和模型感兴趣，在谷歌虽然是DS，但做的却是广告排名和自动定价的算法，在核心组混吃混喝却也学了一点东西，这些工作经历其实对于跳槽也极为重要。
我早在2022年就已经开始进行了面试练习，结果非常糟糕，面了Apple/Amazon/Tiktok/Doordash全部挂了。
结果
今年我只面了三家公司的Senior MLE，Apple/Tiktok/The Trade Desk，全部到了Offer Stage。offer薪水其实也没受到经济危机的影响，数字上来说相当体面，除了TTD以外的两家包裹都完胜谷歌L5顶包。相比于2022年惨败而归，今年的全命中更像是一种运气。但是乔布斯说过一句话，Keep looking, don't settle，运气也会更偏爱勇敢试错的人。
Tips
以下可能是个人臆测，但也许对于经济萎靡时期跳槽有用：
1， 今年搜广推和GenAI的机会应该最多，因为经济不好，搜广推直接跟收入挂钩，公司会更加努力变现；GenAI则是风口，属于资本最新涌入的地方。
2，跳槽Senior现在最讲究背景匹配，即便你不喜欢现在的方向，在现在跳槽也依旧应该思考你与这个岗位的匹配度。如今市场已经反转，招聘经理最需要还是那种可以招过来不久就能出活的人。
一起交流
想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定o要备注信息才能通过）
本文参考资料
[1]
机器学习设计课: https://www.educative.io/courses/grokking-the-machine-learning-interview
[2]
Computer Vision课件: https://cs231n.stanford.edu/
[3]
10701: https://www.cs.cmu.edu/~lwehbe/10701_S20/
[4]
机器学习八股文: https://github.com/nxpeng9235/MachineLearningFAQ/blob/main/bagu.md
[5]
搜广推算法: https://github.com/Doragd/Algorithm-Practice-in-Industry
[6]
搜索引擎: https://github.com/wangshusen/SearchEngine