Как справляться с монотонными задачами

Что проверяют

Не сорвёте ли вы сроки и качество на рутине, которой в работе с данными всегда много: разметка, чистка, сверка выгрузок, повторные прогоны экспериментов. Следом обычно просят пример: какую рутину вы автоматизировали и что это дало.

Как отвечать

Сильный ответ для инженера данных или ML-инженера строится вокруг трёх ходов, и каждый стоит подкрепить своим случаем:

• автоматизация: если операция повторяется третий раз, она превращается в скрипт или шаг пайплайна. Чистка выгрузок уезжает в функцию на pandas или Polars, ручной запуск в DAG Airflow или Prefect, повторяющиеся SQL-преобразования в модели dbt;
• проверки вместо внимательности: на однообразной работе глаз замыливается, поэтому контроль передаётся коду. Тесты dbt (not_null, unique), схемы в pandera или Great Expectations, сверка количества строк до и после загрузки;
• организация того, что не автоматизируется: ручную разметку или просмотр ошибок модели удобно резать на блоки по времени, чередовать с задачами другого типа и заранее договориться о критериях, чтобы не решать заново на каждом примере.

Дальше нужен ваш пример с цифрами: сколько часов в неделю занимала задача и сколько стало, сколько ошибок ловят проверки. Цифры берите реальные, даже скромные: «сэкономил два часа в неделю» звучит честнее, чем круглые проценты. Если такого опыта не было, опишите, как вы поступили бы с конкретной рутиной, например с еженедельной выгрузкой отчёта, и признайте, что пока делали это в учебном проекте.

Хорошо закончить мыслью, что часть рутины полезна: ручной просмотр данных и ошибок модели часто находит то, чего не покажет ни одна метрика.

Где спотыкаются

Отвечают «я просто беру себя в руки». Интервьюер слышит, что процесс держится на силе воли и развалится на третьей неделе.

Обещают автоматизировать всё подряд. Скрипт на разовую задачу, который писали два дня, выглядит не как инициатива, а как неумение оценивать затраты.

Показывают, что рутина ниже их уровня. Для роли в данных это тревожный сигнал: работа с грязными данными составляет заметную часть любой задачи, и брезгливость к ней видна сразу.