Как вы попали в сферу машинного обучения
Что проверяют
Мотивацию и то, насколько осознанно вы пришли в профессию. Интервьюер хочет понять, видите ли вы в ML инженерную работу с данными и метриками, а не только обучение моделей. Следом обычно просят рассказать о проекте, где модель дошла до реального использования.
Как отвечать
Уложитесь в две минуты и стройте рассказ как хронологию с поворотными точками:
- отправная точка: откуда пришли, будь то аналитика, бэкенд или математический факультет. Покажите, что из прошлого пригодилось: SQL, статистика, умение писать продакшен-код;
- момент интереса: конкретная задача, которая зацепила. Например, прогноз оттока, где простая логистическая регрессия обошла ручные правила;
- как учились: математика и классический ML, курсы, Школа анализа данных, сообщество ODS, соревнования на Kaggle. Не список сертификатов, а что вы после этого умели;
- первый реальный проект: задача, данные, бейзлайн, метрика, результат против бейзлайна и жизнь модели после выкатки: мониторинг, дрифт, переобучение;
- сейчас и дальше: чем занимаетесь, что хотите развивать и как это связано с вакансией.
Цифры должны быть ваши и проверяемые. Формулировка вида «ROC-AUC вырос с 0,71 до 0,78 на отложенной выборке» звучит убедительно, «повысили точность прогнозов» не говорит ничего. Если опыта в проде нет, скажите прямо и расскажите о самом серьёзном учебном или пет-проекте: как собирали данные, как валидировали, какие ошибки нашли. Честное «модель не дошла до прода, потому что...» лучше выдуманного внедрения.
Где спотыкаются
Начинают с детства и любви к математике, а до реального опыта добираются через пять минут, когда интервьюер уже устал.
Выдают Kaggle и курсы за продакшен-опыт. На вопросах про сбор данных, инфраструктуру и мониторинг это быстро вскрывается.
Называют результат без бейзлайна и метрики. Фраза «точность выросла на 20%» без базы для сравнения и описания валидации вызывает больше вопросов, чем доверия.