Прожариваю собес с Никитой Senior Data Scientist, ментором сообщества: https://2r.ru/mentors/ced13b251cab462...
Разбираем собес на позицию ML Engineer. Кринжовые ответы кандидата, пофигизм интервьюера, итог - оффер на $5000. Обсудили самопрезентация, NLP, LLM, RAG, лайвкодинг, ML-метрики. Разобрали большой кейс: дизайн ML-сервиса + разметка данных
Таймкоды:
00:00 — Что за вакансия и кого вообще ищут
02:12 — План интервью и как обычно устроены секции NLP-собесов
03:02 — О компании и чем предстоит заниматься кандидату
07:11 — Неудачное вступление кандидата и его разбор
10:10 — Самопрезентация кандидата: опыт и ключевые проекты
14:30 — Разбор самопрезентации: чего не хватило в рассказе
16:06 — Углубление в кейс кандидата: бизнес-ценность, пайплайн, NER/сентимент, алерты, терминология
22:43 — Роль кандидата в проекте
26:04 — Какая структура команды была на проекте
28:48 — Разбор ошибок: "как отвечать на вопрос «что конкретно делал ты?"
34:27 — Техническая часть: лайвкодинг с отключением AI-помощников
36:11 — Задача 1: поиск дубликатов в списке (важные советы)
42:55 — Задача 2: Сравнение объектов класса
50:30 — Теория ML и метрики: классификация, микро/макро, encoder-decoder, BERT/эмбеддинги, лоссы
58:31 — Технология LoRA: как дообучать LLM эффективно
1:02:05 — Метрики RAG-систем: Recall@k, Precision@k
1:04:54 — Кейсовая часть: валидация ответов агентов CRM с помощью нейронки
1:06:05 — Уточняющие вопросы по кейсу: скорость ответа, нагрузка, разметчики
1:09:36 — Бизнес-метрики vs Технические метрики: Latency, Конверсия, F1-макро
1:17:50 — Данные и разметка: где брать “плохие” кейсы, дисбаланс классов, синтетическая разметка через LLM
1:26:07 — Деплой/инфра-часть: как отвечать про Docker/K8s/мониторинг без “рандомных слов”
1:30:56 — Почему собес слабый, топ-ошибки кандидата и что делать лучше