Какие механизмы инкапсуляции реализованы в Python?

Что проверяют

Для ML-инженера это вопрос не столько про синтаксис, сколько про умение писать переиспользуемый код вокруг моделей: трансформеры, датасеты, обёртки над инференсом. Проверяют, знаете ли вы, что жёсткой приватности в Python нет, и понимаете ли соглашения библиотек, с которыми работаете каждый день. Следом могут попросить написать свой трансформер для scikit-learn.

Как отвечать

Сначала база: в Python нет private и protected, инкапсуляция держится на именах и протоколе атрибутов.

• _name: внутренняя деталь по соглашению, интерпретатор доступ не запрещает;
• __name: name mangling превращает имя в _ClassName__name. Это защита от конфликта имён при наследовании, а не приватность;
• @property: вычисляемый атрибут или проверка при записи с синтаксисом обычного поля;
• __slots__ и @dataclass(frozen=True): фиксированный набор полей и неизменяемые конфиги экспериментов.

Затем покажите, как это выглядит в ML-стеке:

• scikit-learn: в __init__ параметры сохраняются как есть, без валидации, потому что get_params() и clone() читают их по сигнатуре конструктора. Всё, что вычислено в fit, получает суффикс подчёркивания: coef_, classes_, n_features_in_. По таким атрибутам check_is_fitted понимает, обучена ли модель;
• PyTorch: nn.Module перехватывает __setattr__ и регистрирует присвоенные параметры и подмодули. Тензор, который должен ехать с моделью на устройство и в state_dict, но не обучаться, оформляют через register_buffer;
• pydantic: схемы входа и выхода сервиса инференса, валидация данных на границе модели.

Практический смысл: предобработка, спрятанная внутри Pipeline или класса модели, не расходится между обучением и продом.

Где спотыкаются

Валидируют или преобразуют параметры в __init__ своего трансформера. Тогда clone() внутри GridSearchCV либо падает с ошибкой, либо перебор идёт не по тем значениям.

Называют __name приватным полем, которое нельзя прочитать. Оно доступно по искажённому имени.

Хранят служебный тензор обычным атрибутом nn.Module. Он не попадает в state_dict и не переезжает на GPU вместе с model.to(device).