机器学习MVP构建问题怎么答？
面试官：请举例说明如何将业务问题转化为机器学习可解的问题？
你的回答：以电商供应商评价为例，传统方法用人工设定的低维度指标评分，而机器学习能利用大数据构建高维模型。比如通过供应商历史交易数据、物流时效、售后投诉率等数百个特征，训练预测模型动态评估供应商质量。关键要把握三点：目标可量化、数据客观可获取、因果关系明确。
面试官追问：如果业务方提出"提升用户粘性"这种模糊需求怎么办？
你的回答：需要拆解成可量化的指标。比如把"提升粘性"转化为"提高次日留存率"或"延长平均使用时长"。就像新闻推荐系统将模糊的"用户体验优化"拆解为点击率、阅读时长、分享次数等具体指标。要确认预测结果能否真实影响业务，比如推荐系统通过点击率排序直接影响内容曝光。
面试官再问：如何判断某个问题是否适合用机器学习解决？
你的回答：遵循四个判断标准：能否转化为分类/回归问题、数据是否客观无偏差、因果关系是否清晰、是否真实业务需求。比如游戏付费预测若无法通过推送优惠券等手段影响用户行为，就属于伪需求。要验证现有业务方法的局限性，比如传统客服质检用人工抽样，机器学习可实现全量对话分析。
敏捷开发实践问题妙答？
面试官：AI产品开发中如何平衡敏捷迭代与硬件开发周期？
你的回答：采用软硬解耦的开发策略。软件部分用A/B测试快速迭代，硬件部分建立虚拟仿真环境。比如智能音
)
