Какие задачи решал с рекомендательными системами и классическим машинным обучением

Что проверяют

Был ли у вас полный цикл: от постановки задачи до модели в работе и измеренного эффекта. Интервьюер слушает, как вы выбирали метрику и проверяли результат. Следом почти всегда спрашивают, как считали офлайн-метрики и был ли A/B-тест.

Как отвечать

Нужны ваши реальные проекты, по одному на каждую тему. Каркас для каждого: бизнес-задача, данные, бейзлайн, модель, валидация, как внедрили, чем измерили эффект. Цифры только свои и с пояснением, как получены.

Для рекомендаций покажите, что понимаете устройство:

• бейзлайн: популярное за период. Его часто трудно обогнать, и без него любые цифры бессмысленны;
• двухэтапная схема: генерация кандидатов (ALS из implicit, item-kNN, эмбеддинги) и ранжирование бустингом, например CatBoost с YetiRank или LightGBM с lambdarank;
• метрики: офлайн Recall@k, NDCG@k, MAP@k, плюс покрытие каталога и новизна, иначе модель рекомендует всем одни и те же хиты;
• холодный старт: что показывали новым пользователям и новым товарам.

Для классического ML типовые задачи: отток, кредитный скоринг, прогноз спроса. Здесь говорите про признаки, разбиение по времени, работу с дисбалансом, выбор порога под бизнес-стоимость ошибок, калибровку вероятностей и мониторинг дрейфа после выката.

Если опыта с рекомендациями нет, не выдумывайте. Скажите, что в работе были задачи классификации, а рекомендации вы делали на открытом датасете вроде MovieLens, и расскажите, что там узнали: например, почему случайное разбиение завышает метрики.

Где спотыкаются

Приписывают модели бизнес-результат. Модель оттока ничего не сокращает сама, отток снижают удерживающие акции, и их эффект видно только в эксперименте с контрольной группой.

Делят данные случайно. В рекомендациях и прогнозах это утечка из будущего, валидировать нужно по времени.

Хвалятся ROC-AUC на задаче с одним процентом положительного класса. Честнее показать PR-AUC или precision и recall на рабочем пороге.