Есть ли вопросы по технической части

Что проверяют

Насколько вам интересна сама работа и понимаете ли вы, из чего она будет состоять. По вопросам кандидата в data science хорошо виден уровень: начинающий спрашивает про фреймворк, опытный про данные, метрики и путь модели в прод. Ответ «вопросов нет» почти всегда засчитывается в минус.

Как отвечать

Подготовьте несколько вопросов заранее и задавайте те, ответ на которые реально повлияет на ваше решение. Хорошие темы для ML:

• данные: откуда берутся, кто отвечает за разметку, есть ли feature store или каждый собирает признаки своим SQL, сколько времени уходит на подготовку;
• путь в прод: как модель попадает к пользователю, батчем по расписанию или онлайн-сервисом, кто пишет сервинг, есть ли MLflow или аналог для версий моделей и экспериментов;
• метрики: какая бизнес-метрика у текущей задачи, как офлайн-метрики связаны с A/B тестами, кто решает, что новая модель лучше;
• мониторинг: отслеживают ли дрейф данных и качество после релиза, что происходит, когда модель деградирует;
• инфраструктура: есть ли GPU и как их делят, где идут обучения, сколько приходится ждать ресурсы;
• команда: кто ставит задачи, есть ли MLOps и дата-инженеры, или пайплайны тоже лягут на вас.

Привязывайте вопросы к тому, что прозвучало на интервью: «вы упомянули антифрод на градиентном бустинге, как часто его переобучают?» показывает, что вы слушали. Спросите и про первые три месяца: какую задачу вы бы взяли первой и как поймёте, что справились.

Где спотыкаются

Говорят «нет, всё понятно». Интервьюер слышит отсутствие интереса, особенно если сам оставил время на вопросы.

Спрашивают то, что написано в вакансии или гуглится за минуту: какой стек, есть ли удалёнка. Это вопросы к рекрутеру, на техническом этапе они тратят чужое время.

Устраивают интервьюеру экзамен или уходят в зарплату и отпуск. Условия обсуждайте с HR, а здесь держите тон будущего коллеги, которому интересно, как устроена работа.