Какие технологии и направления вам ближе всего — классический ML, DS или NLP
Что проверяют
Есть ли у вас осознанный профиль и совпадает ли он с задачами команды. Интервьюеру важно, чтобы выбор был подкреплён опытом, а не модой. Следом обычно просят рассказать о проекте в выбранном направлении и о том, почему не два других.
Как отвечать
Сначала коротко покажите, что понимаете разницу между направлениями:
- классический ML: табличные данные, градиентный бустинг (CatBoost, LightGBM, XGBoost), scikit-learn, работа с признаками, валидация по времени, калибровка. Скоринг, отток, прогноз спроса, ранжирование;
- DS в аналитическом смысле: статистика, A/B-тесты, продуктовые метрики, причинно-следственный анализ. Результат здесь чаще решение бизнеса, а не модель в продакшене;
- NLP: сегодня это прежде всего трансформеры и LLM. Эмбеддинги, поиск и RAG, дообучение через LoRA, оценка качества генерации, экосистема Hugging Face, vLLM для инференса. NLTK и правила на регулярках остались для предобработки и учебных задач.
Дальше выберите одно направление и обоснуйте его опытом: «ближе классический ML, несколько лет делал скоринговые модели на бустинге и довёл их до продакшена с мониторингом дрейфа». Смежный опыт назовите одной фразой, чтобы было видно, что вы не замкнуты на одном.
Сверьтесь с вакансией. Если команда строит поиск на LLM, а вам ближе табличный ML, скажите это прямо и объясните, что готовы перенести: оценку моделей, работу с данными, MLOps.
Если опыта в продакшене нет, опирайтесь на соревнования, пет-проекты и диплом, но называйте свои метрики и то, что пробовали, а не только библиотеки.
Где спотыкаются
Отвечают «ближе всё», перечисляя три направления с одинаковым весом. Это читается как отсутствие специализации.
Путают DS с «работой с данными вообще» и говорят про pandas как про отдельное направление, хотя это инструмент во всех трёх.
Описывают NLP через TF-IDF и NLTK без упоминания трансформеров и LLM. TF-IDF по-прежнему годится как бейзлайн, но как основной стек в 2026 году он выглядит устаревшим.