Был ли у вас опыт работы с NLP задачами

Что проверяют

Понимаете ли вы устройство типичной задачи обработки текста, а не только названия моделей. Честное «в проде нет, в учебных проектах да» приемлемо.

Как отвечать

Отвечайте через задачи, а не через список библиотек:

• классификация текста: тональность, тематика, определение спама, маршрутизация обращений;
• извлечение сущностей: имена, компании, суммы, даты;
• поиск и похожесть: векторные представления и поиск ближайших соседей;
• суммаризация и генерация;
• вопросы по документам: поиск с дополнением генерацией.

По каждой задаче полезно назвать путь от простого к сложному, это показывает инженерное мышление: сначала базовая линия на TF-IDF с линейной моделью, потом векторные представления слов, потом модели-трансформеры и дообучение. Начинать с трансформера там, где логистическая регрессия даёт почти столько же, обычно неоправданно.

Что стоит упомянуть про русский язык: моделей меньше, чем для английского, и берут ruBERT или его облегчённые версии, для лемматизации и морфологии есть pymorphy и Natasha, а токенизация подсловами делает вопрос стемминга менее острым.

Про данные и оценку: разметка почти всегда узкое место, классы несбалансированы, поэтому долю правильных ответов как метрику называть нельзя, нужен F1 по классам или полнота на редком классе. Отдельно скажите, как делили выборку: случайное деление при наличии почти одинаковых текстов даёт завышенную оценку.

Про эксплуатацию: размер модели и задержка, квантизация, перевод в ONNX, пакетная обработка, кэш векторов, дообучение при смене распределения данных.

Если опыт ограничен, скажите прямо: делал учебный проект по такой-то задаче, получил такую метрику, понимаю, где были слабые места.

Где спотыкаются

Перечисляют модели без описания задачи и метрики.

Называют долю правильных ответов на несбалансированных данных.

Не проверяют утечку между обучающей и тестовой выборками при похожих текстах.

Приписывают себе продовый опыт и плывут на вопросе про задержку и размер модели.