Кто приходит задачами и кому сдаешь задачи
Что проверяют
Как вы встроены в процесс: работаете ли с заказчиком напрямую или только получаете готовые задачи от тимлида, и понимаете ли, кто и как принимает результат. Его часто задаёт и сам кандидат, чтобы понять устройство команды. Следом обычно спрашивают, что вы делаете, когда задача сформулирована расплывчато.
Как отвечать
Опишите цепочку в своей последней команде: откуда приходит задача, через что проходит, кто её принимает. Для данных и ML она обычно такая:
- источники задач: продуктовые менеджеры, аналитики, бизнес-подразделения (маркетинг, риски, финансы), тимлид или руководитель направления, который приоритизирует общий поток;
- вход: бэклог в Jira или похожем трекере. Хорошо, если вы сами уточняли постановку: какую метрику улучшаем, какие данные нужны, какой срок;
- результат дата-инженера: пайплайн в Airflow или другом оркестраторе, витрина или таблица, модель в dbt. Принимают потребители данных, аналитики и дата-сайентисты. Критерий готовности: работает по расписанию, проходят проверки качества данных, есть описание;
- результат ML-инженера: модель, упакованная в сервис или батч-скоринг и переданная бэкенду или MLOps. Окончательную оценку даёт не метрика на валидации, а онлайн-эксперимент и бизнес-метрика;
- ревью: код-ревью коллегами, иногда отдельная приёмка модели.
Подкрепите примером: задача пришла от маркетинга как «хотим понимать отток», вы превратили её в конкретную постановку, договорились о метрике и сроке, сдали результат и получили обратную связь.
Если спрашиваете вы, слушайте, есть ли у команды единый вход для задач и приоритизация. Когда задачи прилетают от всех напрямую в личку, это обычно означает постоянные переключения и сорванные сроки.
Где спотыкаются
Отвечают одной фразой: «от тимлида, ему и сдаю». Интервьюер хочет увидеть, что вы знаете конечного заказчика и цель задачи.
Считают задачу сданной, когда код влит. Для данных результат это витрина, которой пользуются, а для модели это выкатка и измеренный эффект.
Не упоминают уточнение постановки. В аналитике и ML расплывчатая задача обычное дело, и умение превратить её в проверяемую цель ценится выше, чем знание библиотек.