滴滴国际化信贷AI二面：风控自动化、实验结果题与实习项目追问

《面试题目》

1. 请做一下自我介绍。
2. 你对风控 AI 有哪些了解？
3. 从提效的角度，你会怎么设计自动化流程，把重复的数据处理、特征提取、模型训练实验自动化起来？
4. 现场做题：给一组乱序的实验结果，如何找出最优实验？
5. 聊实习项目：做的什么，价值在哪里？
6. 你用的合成数据具体是什么形态？
7. 你参与了训练的哪些部分？
8. 强化学习部分，reward 是怎么设计的？
9. 反问环节：信贷风控这一块，AI 具体要做什么工作？

《参考解析》

风控 AI + 提效自动化：要把「自动化什么」拆到流程粒度

这题的关键是别一上来堆工具名，而要先说清风控 AI 的日常由哪些环节构成——数据接入与清洗、特征加工、模型训练与调参、离线评估、上线与监控，这些环节里重复度最高、最值得自动化的正是「跑一轮实验」本身。风控场景的特殊之处在于标签滞后且样本极度不平衡：坏账要等账期走完才成立，所以自动化管线必须内置时间切分和回溯验证，不能按随机切分图省事，否则离线指标会虚高。提效的设计可以按「配置化 + 可复现」来答：把特征、样本口径、模型与超参写成声明式配置，一次提交自动串起数据快照、训练、评估、指标落库，实验之间只有声明的差异、其余全部锁定；再用排队调度压住算力成本，用实验追踪表避免重复跑同一组配置。取舍在于自动化的收益随实验频次放大，但管线本身要维护——先自动化那些一天跑几次、手工最容易抄错的步骤，而不是一上来追求端到端全自动。

乱序结果选最优实验：比排序更重要的是一致性口径

这道题考的是做实验的基本功，回答时先把「什么算最优」讲清楚，再谈怎么找。第一步是对齐比较条件：这些实验是否用同一份数据快照与同一切分方式、有没有同一个基线、训练轮数和算力是否可比——口径不一致时，数值排序本身就是错的。第二步才是统计判断：不能只看均值取最大，要同时看方差与样本量，差异落在噪声范围内就等于没差异；候选一多还涉及多重比较，反复挑最大值会选出「运气最好的那个」，需要做显著性校正或者用留出的验证集复核。风控场景还要额外区分离线指标和线上收益：离线 AUC/KS 涨了不等于线上坏账降了，最终要在小流量上按真实业务指标验证。如果面试官追问成本，可以补一句——实验数量大时优先做粗筛再精调，把算力花在少数几个候选上。

实习项目与强化学习：追问的落点全是「你到底做了哪一步」

这一串追问的意图很明确：验证项目是不是你亲手做的。合成数据这类内容最容易讲空，要能说出它解决什么问题、用什么方式生成（规则仿真、重采样、还是模型生成）、与真实数据的分布差异在哪、以及你怎么证明它对训练有效（比如在真实留出集上的增益、或者少样本场景下的对比）。讲参与部分时要如实收窄范围，说清自己负责的那一段和上下游的接口，含糊地全揽反而会在下一层追问里塌掉。reward 设计是强化学习环节最常被追的点，答法围绕几条主轴：目标要对应业务真实收益而不是好优化的替代指标；奖励稀疏时用 shaping 提供中间信号，但要小心它改变最优策略；同时要想好怎么防 reward hacking（模型钻指标空子的行为），以及离线策略评估与线上灰度之间的落差。不确定或者没亲手做过的细节，宁可说不清楚，也不要现编。

这场面试在筛什么，以及那句「不 match」

二面的重点已经从八股转到方向匹配：面试官想知道你对信贷风控这门业务有没有基本认知、能不能把 AI 能力落到具体流程上，以及你的实习经历与岗位的距离有多远。原帖作者最后的感觉是方向不 match、事前并不清楚这份工作到底做什么——这恰恰说明准备这类岗位时，读懂 JD 和业务链路比多刷几道算法题更值。反问环节问「信贷风控里 AI 具体做什么」本身是个好问题，但更好的做法是把它提前到面试之前：从公开资料、岗位描述和行业分享里先建立一张大致的工作地图，面试现场再用反问去确认细节（团队现在处在哪个阶段、模型用在贷前贷中贷后哪一环），这样既显得有备而来，也能尽早判断这份工作是不是自己想做的。