Как работает категоризатор товаров
Что проверяют
Умеете ли вы описать ML-систему целиком: от данных и разметки до порога уверенности и мониторинга, а не только назвать модель. Если в резюме есть такой проект, вопрос про ваш опыт, и следом спросят, какую метрику вы оптимизировали и что делали с редкими категориями.
Как отвечать
Каркас по шагам:
- постановка: многоклассовая классификация по дереву категорий, листьев часто тысячи. На входе название, описание, атрибуты, фото, категория от продавца;
- разметка: исторические метки шумные, продавцы ошибаются или ставят товар в популярную категорию ради трафика. Нужна чистая контрольная выборка от модераторов;
- бейзлайн: TF-IDF по словам и символьным n-граммам плюс логистическая регрессия или линейный SVM. На коротких названиях это сильный и быстрый старт;
- основная модель: дообученный трансформер-энкодер или эмбеддинги с классификатором поверх, при необходимости плюс эмбеддинги фото;
- иерархия: плоский классификатор по листьям или спуск по дереву. Ошибка в соседней категории обходится дешевле, чем в чужой ветке;
- метрики: accuracy обманывает на длинном хвосте, поэтому смотрят macro-F1, top-k и точность на уровне родительских категорий;
- прод: порог уверенности. Выше порога категория ставится автоматически, ниже товар уходит модератору, а его решения пополняют обучающую выборку. Следят за долей автоматических решений и дрейфом.
Новые категории удобно закрывать поиском ближайших соседей по эмбеддингам, без переобучения классификатора.
Если отвечаете про свой проект, назовите реальные цифры: число классов, объём данных, метрику до и после, долю ручной модерации. Если такого опыта не было, скажите прямо и разберите задачу как дизайн системы по этому каркасу.
Где спотыкаются
Сразу предлагают нейросеть без бейзлайна. Интервьюер хочет знать, оправдан ли прирост от сложной модели.
Делят данные случайно, 80 на 20. Карточки одного товара от разных продавцов почти одинаковы и попадают по обе стороны разбиения, метрика завышается. Делить нужно по продавцу, группам дубликатов или времени.
Молчат про порог и ручную проверку. Без механизма «не уверена» ошибки модели находят только по жалобам.