Как пришли в deep learning и AI
Что проверяют
Мотивацию и глубину: пришли ли вы в DL через основы или через пару туториалов, и следите ли за тем, куда движется область. Следом обычно просят подробно разобрать один проект или спрашивают, что из недавних работ вы читали и пробовали сами.
Как отвечать
Короткая история на полторы или две минуты, с опорой на свои проекты и свои цифры. Каркас:
- старт: откуда вы пришли. Математика или физика, классический ML на табличных данных, бэкенд, аналитика. Важно показать, что основы (линейная алгебра, оптимизация, вероятности) у вас есть;
- переломный проект: задача, где классические методы не справились, а нейросеть справилась. Компьютерное зрение, тексты, звук, рекомендации;
- инструменты: PyTorch как основной фреймворк, Hugging Face
transformersиdatasetsдля предобученных моделей, трекинг экспериментов в MLflow или Weights & Biases, обучение на GPU со смешанной точностью; - результат с метрикой: какой была базовая модель, как изменилась метрика, как проверяли на отложенной выборке или в A/B, дошла ли модель до продакшена;
- где вы сейчас: что изучаете: дообучение LLM через LoRA, RAG, оценка генеративных моделей, ускорение инференса.
Если опыта в индустрии мало, опирайтесь на то, что было: курсовая, соревнование на Kaggle, воспроизведение статьи. Скажите прямо, что это учебный опыт, и покажите, что вы копнули глубже запуска готового ноутбука.
Хорошо работает одна честная деталь о неудаче: модель переобучилась, разметка оказалась грязной, и что вы из этого вынесли.
Где спотыкаются
Рассказывают путь как список курсов. Интервьюеру важно не число сертификатов, а то, что вы сделали руками и почему принимали те или иные решения.
Опираются только на TensorFlow и Keras, не упоминая PyTorch. В исследованиях и большинстве новых проектов стандартом давно стал PyTorch, так что стоит показать, что вы с ним знакомы.
Сводят AI к промпт-инженерии. От ML-инженера ждут понимания обучения, функций потерь, валидации и причин, по которым модель ошибается, а не только умения вызвать API.