Были ли данные публичными или текстовыми
Что проверяют
Это уточнение к проекту из резюме. Интервьюер хочет понять реальную сложность работы: собирали и чистили данные вы сами или взяли готовый датасет с Kaggle, и были ли это тексты, таблицы или что-то ещё. Следом спросят про объём, разметку и то, как вы разбивали выборку.
Как отвечать
«Публичные» и «текстовые» это две разные оси, и хорошо сразу их развести: источник данных и их тип. Дальше каркас:
- источник: открытый датасет (Kaggle, Hugging Face, открытые госданные), внутренние данные компании или собранные вами парсингом. Для внутренних данных достаточно описать структуру, названия и цифры под NDA не раскрывайте;
- тип и объём: тексты, таблицы, логи, изображения; сколько строк или документов, какой баланс классов, была ли разметка и кто её делал;
- подготовка: очистка, дедупликация, обработка пропусков. Для текстов нормализация, токенизация, эмбеддинги или дообучение трансформера;
- валидация: как разбивали на train, validation и test, как избегали утечки. На текстах типичная утечка это дубли и почти дубли, попавшие в обе части;
- права и приватность: лицензия датасета, персональные данные, обезличивание. В России это 152-ФЗ, для пользователей из Европы GDPR.
Если данные были публичными и уже подготовленными, скажите прямо и сместите акцент на то, что вы сделали сверх базового решения: свою валидацию, анализ ошибок, эксперименты с признаками. На публичном наборе есть с чем сравниться, поэтому назовите свою метрику и точку отсчёта: бейзлайн или место на лидерборде. Все цифры в ответе должны быть вашими: размер выборки, метрика, прирост.
Где спотыкаются
Начинают объяснять, что такое публичные и текстовые данные вообще, вместо рассказа о своём проекте.
Не помнят объёма, баланса классов и способа разбиения. Это сразу наводит на мысль, что проект сделан по туториалу.
Выдают учебный датасет за боевую задачу. Интервьюеры узнают популярные наборы по описанию, и после этого под сомнение попадает всё резюме.