9
0【本期嘉宾】Nathan老师
美国知名能源公司数据科学总监，有近20年的数据分析、商业分析的业界经验，曾领导过多个能源、金融、IT领域的大型项目
【主持人】孙博士
来Offer创始人。谷歌前高级软件工程师、面试官。南加州大学（USC）CS博士，主攻高效AI和搜索算法。麻省理工（MIT Sloan）商学院EMBA。
| 时间线 |
关于应届毕业生在数据岗位招聘中核心能力的探讨。孙老师以招聘方视角提出问题。Nathan老师阐述了招聘时最看重的能力，包括能迅速融入团队的技术能力与实习经验、强大的学习能力、抓住重点的批判性思维与快速反应能力，以及主动沟通与建立连接的能力，并指出简历中与工作无关的技能意义不大，而工业级项目经验是重要的能力证明。
关于ChatGPT出现后数据岗位面试与工作方式变化的分析。Nathan老师指出变化很大，对候选人的要求增加了，既需要其在无AI辅助下独立完成基础技术问题（如数据库查询、Python编程、调包）的能力，也需要其具备使用AI工具并将其作为工作一部分的能力。面试官会考察对AI工具、API、Web Coding及Agent的了解与应用。他强调基础能力学习依然重要，是面试通过的前提，而工作中鼓励使用AI，但要求开发者能作为第一道防火墙识别并纠正AI的幻觉与错误。会议还提到面试中常考察A/B测试等业务理解与设计能力，并指出当前数据分析岗的工作已普遍要求AI辅助，并会评估AI投入产出比。
关于数据分析师、商业分析师、数据科学家与机器学习工程师四大岗位职责与能力要求的系统性界定。孙老师提出了区分四大岗位的议题。Nathan老师依次进行了分析：商业分析师（BA）是业务与技术的桥梁，核心是商业敏感度、沟通与利益相关者管理能力，对硬核技术要求最低，但需掌握SQL、Excel、Power BI等基础数据分析工具。数据分析师（DA）在此基础上要求更强的统计分析能力，需熟练使用Python或R进行数据分析、用户画像、A/B测试和数据可视化。数据科学家（DS）要求更高，核心是利用机器学习模型对未来进行预测和优化，需了解从随机森林到Transformer等多种模型。机器学习工程师（MLE）要求最高，不仅需具备数据科学家的能力，还需掌握模型部署、工程实现、系统设计（如Docker、Kubernetes、GPU优化）以确保高并发、高可用的服务交付，其背景多来自软件开发工程师（SDE）。
关于美国一线大厂机器学习工程师（MLE）的学历与经验要求讨论。孙老师询问了MLE在学历、工作经验及编程能力上的细分要求。Nathan老师指出，MLE岗位对学历有一定要求，主流是硕士或博士学位，仅有学士学位者除非来自顶尖学校且能力极强，否则机会较少。另一种途径是通过积累十年以上的SDE工作经验逐步转型而来。随后，孙老师基于此给出了职业发展建议，强烈建议本科或缺乏工作经验的硕士毕业生将主要精力（约2/3）投向软件工程师（SDE）岗位的校招，仅可将少量精力（约1/3）用于尝试投递MLE岗位。
孙老师提议为留学生提供的职业发展核心建议。Nathan老师给出了两点核心建议：首先，必须保持终身学习的能力，积极拥抱新技术（如AI），以适应快速变化的时代。其次，要深入理解所在行业的业务知识，而不仅仅局限于工具本身，并建立自己的人脉网络，以长远的眼光规划职业，进入更具前瞻性的领域，而非固守过去。
| 后期制作 |
十一
| 收听方式 |
您可以通过小宇宙、苹果播客、喜马拉雅等平台收听本节目。
| 认识我们 |
微信视频号：来Offer孙老师
微信号：LaiOffer8888
