Есть ли вопросы по продукту и задачам, которые решает компания
Что проверяют
Интересна ли вам сама работа, а не только оффер, и понимаете ли вы, из чего складывается ML или data-задача в конкретной компании. По вопросам кандидата видно, о чём он думает: о метриках и данных или только о стеке. «Вопросов нет» почти всегда читается как равнодушие.
Как отвечать
Подготовьте три-пять вопросов заранее, по вакансии и сайту компании, и задавайте те, ответы на которые повлияют на ваше решение. Хорошие темы для Data и ML:
- ценность модели: какую бизнес-метрику двигает команда, как офлайн-метрики (ROC-AUC, NDCG) связаны с онлайновыми, есть ли A/B-тесты и кто их считает;
- данные: откуда приходят, кто отвечает за качество, как устроена разметка, сколько времени уходит на подготовку данных по сравнению с моделированием;
- путь в прод: кто выкатывает модель, есть ли feature store, реестр моделей (например, MLflow), мониторинг дрейфа и регламент переобучения;
- для data engineer: оркестрация (Airflow, Dagster), хранилище и форматы (ClickHouse, Spark, Iceberg), SLA на витрины, как ловят сломанные данные до того, как их увидит аналитик;
- роль: доля исследований и продакшен-кода, чем вы займётесь в первые три месяца и что будет считаться успехом.
Сильнее всего вопрос с опорой на то, что вы уже услышали: «Вы сказали, что модель переобучают раз в месяц. Как вы заметите, если она деградирует раньше?» Такой вопрос показывает, что вы слушали, и сам работает как часть собеседования.
Если вопросов действительно не осталось, скажите, что основное уже прояснили, и уточните хотя бы следующие шаги процесса.
Где спотыкаются
Спрашивают то, что написано на главной странице сайта. Интервьюер делает вывод, что вы не готовились.
На техническом этапе спрашивают только о зарплате, удалёнке и ДМС. Эти вопросы уместны, но на встрече с HR или в конце процесса.
Задают подряд десять общих вопросов вроде «какая у вас культура» и не слушают ответы. Лучше два точных вопроса, из которых вы узнали что-то важное про свою будущую работу.