Что вы ищете в работе
Что проверяют
Совпадут ли ваши ожидания с реальным содержанием роли. В данных и машинном обучении разброс задач огромный: под одним названием бывает и построение витрин, и продуктовая аналитика, и обучение моделей, и вывод их в прод. Вопрос нужен, чтобы поймать расхождение до оффера.
Как отвечать
Говорить конкретикой, а не ценностями. Полезно назвать три вещи.
Тип задач: что вам интересно решать, например прогнозирование, рекомендации, поиск, антифрод, качество данных. И честная пропорция: сколько времени вы хотите тратить на исследование, а сколько на инженерию, потому что в большинстве команд вторая часть больше.
Условия, в которых работа имеет смысл: есть ли доступ к сырым данным и кто их собирает, доезжает ли модель до пользователя, можно ли измерить эффект экспериментом, кто владеет метрикой. Формулировка «мне важно доводить модель до прода и видеть её влияние на метрику» одновременно отвечает на вопрос и проверяет, есть ли такое у них.
Способ работы: наличие людей, у которых можно учиться, ревью кода и исследований, зрелость инфраструктуры. Если для вас критичен формат работы, домен или вилка, лучше сказать об этом здесь, а не после финального этапа.
Заканчивать встречным вопросом: как выглядела последняя задача человека на этой позиции от постановки до результата.
Где спотыкаются
Отвечают общими словами про рост и развитие. Такой ответ ничего не сообщает и оставляет впечатление, что кандидату всё равно, куда идти.
Второе: заявляют «хочу заниматься только моделями», не спросив, чем занята команда. Если большая часть работы это пайплайны и качество данных, ответ прямо снижает шансы, хотя честное «инженерная часть меня не пугает» их бы повысило.
Третье: скрывают жёсткие ограничения, надеясь договориться потом. Несовпадение по формату работы или вилке всё равно всплывёт, только позже и дороже для обеих сторон.