Какие роли были в команде
Что проверяют
Где в цепочке от сырых данных до модели в проде стояли вы и где заканчивалась ваша зона ответственности. По составу команды интервьюер понимает масштаб проекта и то, придётся ли вам здесь делать то, что раньше делал кто-то другой. Следом обычно спрашивают: «Кто отвечал за модель после выкатки?»
Как отвечать
Назовите размер команды, затем пройдитесь по ролям через то, что каждая передавала дальше:
- data engineer: источники, пайплайны в Airflow или аналогах, хранилище, качество и свежесть данных;
- data scientist: постановка задачи в терминах ML, признаки, эксперименты, выбор офлайн-метрики;
- ML engineer или MLOps: обучение в продовом контуре, реестр моделей (например, MLflow), сервинг, мониторинг дрейфа и деградации;
- аналитик: бизнес-метрики, дизайн A/B-теста и разбор его результатов;
- продакт: зачем модель нужна бизнесу и какой прирост считается успехом;
- бэкенд и разметчики: интеграция модели в сервис и подготовка обучающей выборки, если она размечается вручную.
Дальше скажите, какую роль занимали вы и что совмещали. В небольших командах data scientist часто сам собирает витрины и заворачивает модель в сервис, и это нормально, если вы честно разделяете, что делали сами, а что вместе с коллегами. Хороший ход: один сквозной пример, как задача прошла через все роли и где был самый медленный стык. Если ролей было мало, так и скажите и объясните, кто закрывал недостающие.
Где спотыкаются
Перечисляют роли как из учебника, не называя, кто конкретно чем занимался в их проекте. Интервьюер спрашивает про вашу команду, а не про рынок.
Размывают свой вклад: «мы построили модель». Следом прозвучит «а что делали лично вы», и лучше ответить на это заранее.
Не могут назвать, кто владел моделью в проде и следил за её качеством после запуска. Для data-ml это частый признак того, что модель так и не дошла до пользователей.