Опыт прохождения интервью MLE

Наткнулись на очень подробный разбор процесса поиска работы ML/Research Engineer в бигтехе. Андрей – специалист с примерно 8 годами опыта в Deep Learning, бывший Tech Lead в Snap, автор около 10 публикаций и патентов в области GenAI.

Подготовка к интервью заняла у него десятки часов. После пятилетнего перерыва в собеседованиях пришлось отдельно освежать LeetCode, ML coding, теорию и ML design. По его наблюдениям, рынок стал заметно сложнее, а на поиск хорошего оффера сейчас разумно закладывать от 3 до 6 месяцев.

Несмотря на сильный бэкграунд, опыт в Snap и публикации, он получил немало отказов еще на этапе CV. Сильное резюме не гарантировало интервью, поэтому стоило активно использовать рефералы, вести список компаний и системно работать с откликами.

По его оценке, около четверти процессов завершились неудачей из-за недостаточного внимания к этапам с менеджерами по найму. Если раньше общение с рекрутерами воспринималось больше как формальность, то оказалось, что они часто оказываются критически важным этапом. Здесь важно уметь кратко рассказать о себе, показать заинтересованность в компании и не занижать собственный опыт.

➡️ Техническое интервью

Что касается технических интервью, то они оказались гораздо менее стандартными, чем ожидалось. Помимо классического LeetCode, компании активно используют ML coding, AI-assisted coding, System Design и специализированные ML-секции. Например, в одних интервью требовалось реализовать части ML-алгоритмов, а в других – писать код вместе с использованием внешних инструментов и обсуждать инженерные компромиссы.

Отдельная сложность заключалась в том, что похожие по названию интервью проверяли совершенно разные навыки. Где-то оценивали скорость решения алгоритмических задач, а где-то способность разобраться в незнакомой предметной области и предложить разумное решение. Автор отмечает, что нередко интервьюеры сознательно уходили от шаблонных вопросов и проверяли глубину понимания темы через открытые обсуждения.

Еще одно отличие современного процесса в том, что появилось большое количество гибридных форматов. Например, встречались задания на реализацию contrastive loss, проекты по diffusion-моделям и интервью, где нужно было не только написать решение, но и объяснить, как его масштабировать на миллионы пользователей. В таких задачах проверяется не столько знание конкретной технологии, сколько инженерное мышление и способность принимать обоснованные решения.

➡️ ML

Секция по ML во многих компаниях была посвящена проверке глубины и широты знаний. Вместо простых вопросов вроде «что такое batch normalization?» интервьюеры часто просили перечислить все известные методы регуляризации, разобрать причины появления NaN во время обучения или рассказать о возможных узких местах при инференсе LLM.

➡️ ML Design

ML Design оказался одним из самых распространенных и одновременно самым разнообразным по типам интервью. Кандидату предлагали спроектировать рекомендательную систему, систему генерации контента, предсказание активности пользователей или архитектуру поверх foundation-моделей. Где-то ожидался полный цикл проектирования: от метрик и данных до мониторинга, а где-то нужно было глубоко погрузиться только в модельную архитектуру и процесс обучения. Кстати, именно подготовка к ML Design, по словам автора, дала наибольший прирост результатов на поздних этапах интервью.

И напоследок главные советы из статьи: относитесь к поиску работы как к долгосрочному проекту, готовьтесь отдельно к каждому типу интервью, регулярно анализируйте свои ошибки и не недооценивайте нетехнические этапы. Полезно заранее подготовить сильную самопрезентацию, освежить опыт последних нескольких лет и приходить на интервью в хорошем состоянии.

AI/Prompt-инженер в Точка
До 320.000₽
Удаленно

Предстоит: Внедрять методы обогащения контекста LLM и отслеживать качество баз знаний; Строить и развивать пайплайн генерации, обработки и контроля качества промптов: structured output, function calling, chain-of-thought, data pipelines, мониторинг стабильности.. Узнать подробнее 🔵

Data Analyst в Авито
Офис / Гибрид в Москве

Предстоит: развивать рыночную аналитику по категориям недвижимости: оценка рынка, GMV, Take Rate, доля рынка, прогнозирование; поддерживать процессы бюджетирования и планирования (BRF/LTM), автоматизировать расчёты и операционализацию планов; развивать аналитические продукты для внутренних и внешних пользователей: дайджесты, дашборды, PR-аналитику... Узнать подробнее 🔵

Бывший соучредитель xAI объявил о создании собственного стартапа

River AI – стартап, который специализируется на персонализированном ИИ. Предполагается, что ИИ от River будет понимать стиль и предпочтения пользователя, а также выполнять работу так, будто пользователь сам контролирует процесс.

В новом стартапе уже работают бывшие сотрудники xAI и Tesla. Кстати, и сам Бабушкин когда-то был соучредителем xAI, но после слияния со SpaceX покинул компанию вместе с большинством других соучредителей.

Интересно, что об этом думает сам Маск. В этом году он даже создал подразделение для поиска ИИ-талантов, чтоб усилить свои позиции в гонке, а тут у бывших соучредителей в команде уже есть сотрудники Tesla и xAI 🔵

Подборка открытых вакансий 🔵

Data Scientist в Спортмастер
Удаленно / Гибрид / Офис в Москве

Data Steward в Wildberries
Гибрид / Офис в Москве

Data Engineer в X5 Tech
Удаленно / Гибрид / Офис в Москве

Аналитик данных в Lamoda
Гибрид / Офис в Москве

Middle ML-инженер в VK
Удаленно / Гибрид / Офис в Москве

Data Engineer в Ozon
Гибрид / Офис в Москве

Техлид в команду LLM в Точка
До 800.000₽
Удаленно / Гибрид / Офис

Если вам интересно узнать, что спрашивают на позиции Robotics Engineer, то для вас нашли следующую историю 👍

Кандидат устраивался в компанию Peer Robotics. Оффер, к сожалению, не предложили, но зато он узнал, что в компании упор делался на глубоком понимании навигационного стека мобильных роботов. Интервьюеры разбирали реальный опыт кандидата с проектом на базе LiDAR и IMU, смотрели насколько хорошо он понимает архитектуру системы.

Среди вопросов были: чем отличаются одометрия, локализация и SLAM, зачем объединять данные LiDAR и IMU, как работают TF и costmap в ROS, в чем разница между глобальным и локальным планировщиком, а также что делать, если робот начинает терять локализацию, застревает или перестает строить маршрут.

Отдельно обсудили применение ИИ в робототехнике и использование LLM при разработке (тк у кандидата был опыт в этом). Здесь интервьюеры спрашивали на умения в вайбкодинг: анализ, тестирование и отладка системы, написанной ИИ.

AI Agent Engineer в МТС
Удаленно / Офис / Гибрид в Москве

Предстоит: Проектировать Multi-Agent Systems от логики планирования до контроля ответов пользователю и обрабатывать ошибки; Прорабатывать интеграции и управлять памятью агентов; Разрабатывать техническую документацию, архитектурные решения и поддерживать актуальность реестра API-контрактов.... Узнать подробнее 🔵

Senior AI Engineer в Yadro
Удаленно / Офис / Гибрид в Москве, Санкт-Петербурге, Минске и Нижнем Новгороде

Предстоит: Разрабатывать и ускорять физико‑математические модели распространения сигнала в 3D сцене с использованием CUDA; Создавать конвейеры обработки и анализа больших данных, собираемых узлами сотовой сети; Разрабатывать численные методы многокритериальной оптимизации применительно к задаче улучшения качества сети.... Узнать подробнее 🔵

Руководство по выживанию или как писать научные работа от Андрея Карпаты

Хорошее исследование начинается не с экспериментов, а с правильного выбора проблемы. По крайне мере так думал Карпаты, даже написал об этом гигантский пост про выбор руководителя, правильное написание статьи и вообще, надо ли вам вообще получать вышку. Кстати, забавный факт, мало кто знает, но одной из причин получить PhD для Андрея стал Гордон Фримен из Half-Life 👉

🟦 В своем эссе Карпаты говорил про консультантов/научных руководителей в рамках получения вышки, но и в рамках других исследований он высказал интересную мысль: хороший консультант помогает не только с техническими деталями, но и развивает у вас "вкус к исследованиям", то есть способность отличать действительно важные и перспективные идеи от малозначных или тупиковых. Поэтому, как сказал Андрей, к выбору советчиков стоит подойти также ответственно, как вступлению в брак.

🟦 Про выбор научной проблемы или идеи: Людям кажется, что задача, которая в 10 раз важнее, должна быть примерно в 10 раз сложнее, но на практике она может оказаться лишь в 2–3 раза труднее. При этом, более амбициозные задачи часто заставляют полностью переосмыслить свой подход и искать более элегантное или креативное решение. Так что не стоит отказываться от задумку, только потому, что кажется, что это слишком сложно.

🟦 Но при выборе темы аккуратней. Вы можете попасть в ловушку инкрементальных работ. Это такие работы, которые добавляют к уже существующим методам незначительные улучшения и почти не влияют на научных прорыв. Вас, конечно, опубликуют, но влияния на область вы не окажете. Все же цель исследования – не коллекционировать статьи, а двигать науку вперед.

🟦 Кстати, если вы еще не наработали "научный вкус", то участие в рецензировании вам в этом поможет. Так вы быстрее поймете, чем хорошие статьи отличаются от плохих.

🟦 Как правило, хорошая научная работа содержит одну проблему и четкую структуру: статья должна быть логичной, последовательно развивать повествование и не перегружать читателя лишними деталями.

🟦 И, пожалуй, самая распространенная ошибка начинающих исследователей – сосредоточиться на решении локальной задачи, не задав себе вопрос, стоит ли вообще эту задачу решать. Выбор правильной проблемы зачастую определяет ценность исследования сильнее, чем качество реализации.

Junior+ Data Scientist в Beeline
Удаленно

Предстоит: Разработка ML-моделей на различных типах данных: табличные, графовые, NLP и событийные последовательности для прогнозирования отказов и сбоев в оборудовании; Решение задач дискретной оптимизации; Участие в исследовании новых источников данных и развитии feature store (в Apache Doris).... Узнать подробнее 🔵

Если хочется понять как работают ML-алгоритмы, то советуем An Introduction to Statistical Learning, написанную ведущими исследователями. Книга сочетает математическую строгость с понятными объяснениями и практическими примерами. Кстати, она бесплатная 😌

В процессе чтения вы изучите базу: методы анализа данных и машинного обучения, а также введение в глубокое обучение и другие подходы. Каждая глава сопровождается практическими примерами и заданиями.

Ссылку оставляем тут