Собеседование mle в TikTok

Один из кандидатов на должность MLE поделился своим опытом прохождения интервью в TikTok. Как вы могли догадаться, для прохождения в компанию необходимы знания в RecSys.

1️⃣ Первый раунд это hr-скрининг
Как и в других компаниях, необходимо кратко рассказать о своих проектах, мотивации присоединиться к TikTok и рассказать об ожиданиях к зарплате, местоположении.
В качестве совета, автор истории предлагает заранее продумать самопрезентацию на 1-1,5 минуты, где вы подчеркиваете техничсекие достижения и пару примеров сотрудничества и решения сложных проблем.

2️⃣ Второй раунд по основам РекСис и кодированию
На этом этапе проверяют понимание классического пайплайна рекомендательных систем. Кандидату задавали вопросы про отличие candidate generation от ranking, обсуждали компромиссы между качеством рекомендаций и задержкой инференса, а также способы решения проблемы холодного старта для новых пользователей и объектов.

После теории следовала задача по программированию средней сложности с уклоном в RecSys. При этом интервьюеры уделяли больше внимания не оригинальности решения, а качеству кода: корректной обработке граничных случаев, понятной структуре, анализу сложности алгоритма и умению объяснить свои решения. Автор рекомендует перед написанием кода проговорить ограничения задачи, разобрать несколько примеров и только после этого переходить к реализации.

3️⃣ Третий раунд с руководителем команды оказался самым сложным (упор на математику)
Сначала интервьюер подробно разбирал один из проектов кандидата, задавая вопросы по математике и выводам используемых формул. Затем попросил спроектировать полный пайплайн рекомендательной системы: от сбора и подготовки признаков до этапов retrieval, ranking и организации обучения модели.

В завершение кандидату дали сложную задачу по динамическому программированию, на решение которой было около 15 минут. По словам автора, здесь важно быстро определить состояние DP, сформулировать переходы и объяснить ход рассуждений. Даже если не удается дойти до оптимального решения, интервьюеры оценивают структуру мышления, корректность подхода и способность рассуждать под ограничением по времени.

Team Lead / Principal ML Engineer в Авиасейлс
Удаленно

Предстоит: Писать production-ready код, дообучать трансформеры, собирать eval-сеты; Строить MLOps-инфраструктуру: пайплайны переобучения, feature store, мониторинг качества моделей; Участвовать в Tech Design Review и определять архитектурные решения — отвечать за стабильность, отказоустойчивость и capacity ML-сервисов… Узнать подробнее 🔵

Старший ML инженер в Альфа Банк
Удаленно

Предстоит: Внедрение моделей машинного обучения; Сопровождение полного цикла сборки модели; Обработка и анализ данных; Поддержание коммуникаций с разработчиками моделей… Узнать подробнее 🔵

Data Scientist в Lamoda
Офис в Москве

Предстоит: Рекомендации на Главной странице (нейросетевые кандидаты, LLM-сценарии, ранжирование); Рекомендации на странице продукта (похожие товары, "с этим товаром покупают", Metric learning, MTMH-кандидаты)… Узнать подробнее 🔵

Data Engineer в 2GIS
Удаленно

Предстоит: Повысить эффективность пайплайнов для расчета с daily-признаков на основе batch процессинга; Создать эффективный пайплайн для расчёта realtime-признаков на основе Kafka‑топиков; Проектировать и разрабатывать сервисы, обрабатывающие миллиарды событий пользователей; Решать сложные инженерные задачи: расчеты метрик, построение витрин.… Узнать подробнее 🔵

Опыт прохождения собеседования AI Researcher

Один из кандидатов поделился опытом прохождения интервью на позицию AI Researcher в Citadel. Кратко о процессе: алгоритмы, математика, исследовательские задачи и глубокое обсуждение предыдущего опыта, в общем, стандартный набор.

⭐️ HR-скрининг
Обсуждался опыт кандидата, интерес к работе в компании и предыдущие проекты.

⭐️ Технический этап - алгоритмы
На техническом интервью проверяли сразу несколько направлений. Сначала кандидат решал задачу уровня LeetCode Hard. Затем последовали вопросы по линейной алгебре и теории вероятностей. По словам автора, интервьюеры ожидали не столько правильное решение, а уверенное объяснение своих рассуждений.

⭐️ Modeling Challenge
Что-то вроде домашнего задания. Кандидату выдали датасет без подробных инструкций и предложили самостоятельно построить модель. Помимо качества, интервьюеров интересовало, почему были выбраны определенные признаки, модель и способ валидации. Здесь важно не просто получить хороший результат, а уметь объяснять каждое принятое решение, то есть проверка на глубину знаний.

⭐️ ML Systems Design
Обсуждалось проектирование ML-систем, масштабирование обучения, инференс и особенности работы современных ML-фреймворков. Отдельно спрашивали про внутреннее устройство PyTorch, JAX и работу GPU/TPU.

⭐️ Research Deep Dive
Практически весь раунд обсуждали один из исследовательских работ кандидата. Подробно разбирали математические обоснования, постановку экспериментов, выбор архитектуры и причины каждого инженерного решения. По словам автора, вопросы уходили значительно глубже обычного обсуждения проектов.

⭐️ Поведенческое
Поведенческое интервью было стандартным: рассказы о прошлых проектах, принятии решений и взаимодействии с командой.

Senior MLOps в Lamoda
Гибрид / Офис в Москве

Предстоит: Разрабатывать и поддерживать инфраструктуру для экспериментов, обучения и деплоя ML-моделей в batch и online режимах на CPU/GPU; Автоматизировать жизненный цикл модели от регистрации до промышленного сервинга: сборка образов, проверки, публикация артефактов, деплой, канареечные релизы, A/B-тесты и откаты; Проектировать и развивать платформу инференса для batch- и online-сценариев на CPU/GPU.… Узнать подробнее 🔵

Quantitative Researchers

Applied AI/LLM Engineer in Maddevs
Remote (except Russia and Belarus)

You will: Formulate and test hypotheses about market inefficiencies - and stay honest when the backtest says no; Think ahead about how model predictions will be integrated into trading - directional bets, spread convergence, or something else; Design features with genuine predictive power, from classical statistical transformations to learned representations. Every feature is a hypothesis about the market encoded in a number, and you own the quality of that inpu... find out more 🔵

ML архитектор в Т1 Холдинг
Удаленно / Гибрид / Офис в Москве

Предстоит: Анализ задач заказчика (LLM, CV, recommender, classical ML и др.) и требований к качеству/скорости; Проектирование целевой архитектуры ML‑решения с учетом ограничений инфраструктуры и продуктов; Взаимодействие с ML‑командами заказчика.… Узнать подробнее 🔵