Кем занимаетесь на текущем месте работы
Что проверяют
Умеете ли вы за две минуты внятно описать свою роль: чем вы заняты в data/ML-команде, на каком стеке и где ваш личный вклад. Следом почти всегда просят разобрать один проект подробно: откуда брались данные, как вы мерили качество модели и как она попала в прод.
Как отвечать
Держите простой каркас и наполняйте его своими фактами:
- роль и контекст: должность, продукт, размер команды, с кем работаете (аналитики, бэкенд, продакт). «Data engineer в команде из пяти человек, отвечаю за витрины для антифрода» звучит лучше, чем общее «работаю с данными»;
- стек: называйте то, чем пользуетесь каждую неделю. Для инженера данных это SQL, Spark, Airflow, dbt, Kafka, ClickHouse; для ML-инженера Python,
pandas,scikit-learn, CatBoost или PyTorch, MLflow, Docker; - зона ответственности: что именно делаете вы, а что команда. Сбор признаков, обучение, валидация, выкатка, мониторинг дрейфа;
- один проект с результатом: задача, ваше решение, метрика. Метрика нужна и модельная (ROC AUC, MAE), и бизнесовая, если она известна;
- почему ищете новое место: одной фразой и без упрёков текущему работодателю.
Цифры берите только свои и такие, которые сможете объяснить. Если скажете «точность выросла на 15%», вас спросят, на какой выборке, против какого бейзлайна и как это посчитали.
Если опыта в данных пока нет, так и скажите, а потом покажите мост: где на текущей работе вы уже писали SQL, автоматизировали отчёт на Python или считали A/B-тест. Пет-проект с воспроизводимым пайплайном и честной валидацией тоже подходит.
Где спотыкаются
Перечисляют всё подряд: двадцать библиотек и все задачи отдела. Интервьюер не понимает, что из этого делали вы, и начинает проверять каждое слово.
Говорят «мы» вместо «я». Командный результат важен, но нужно ясно отделить свой вклад: кто придумал признак, кто написал DAG, кто выбирал метрику.
Называют эффектные проценты без контекста. Прирост метрики без бейзлайна, размера выборки и способа проверки выглядит как выдумка, и дальше вам верят меньше.