Насколько интересуют классические задачи машинного обучения или задачи NLP и CV?
Что проверяют
Вопрос разделительный. У команды есть конкретный поток задач, и выясняют, совпадает ли он с вашим интересом, чтобы вы не ушли через полгода со словами «хочу нейросети». Заодно смотрят, различаете ли вы эти области по методам, а не по громким названиям.
Как отвечать
Выберите, а не говорите «интересно всё». Назовите, что ближе, и покажите понимание разницы в работе.
В классических табличных задачах основное время уходит на данные: сбор витрины, признаки, честная валидация с учётом времени, утечки целевой переменной, дисбаланс классов, выбор метрики под бизнес-решение. Градиентный бустинг там часто сильнее нейросети, и это нормально.
В NLP и CV чаще берут предобученную модель и дообучают под домен, поэтому разговор смещается к разметке и её качеству, аугментациям, поведению на длинном хвосте и стоимости инференса.
Подкрепите задачами, которые делали: прогноз оттока, антифрод, скоринг, классификация обращений, поиск дублей, детекция на изображениях. Встречные вопросы: какая доля задач табличная, есть ли своя разметка, кто выводит модели в прод и кто следит за деградацией.
Где спотыкаются
Отвечают, что увлечены всеми тремя направлениями сразу. Сигнала интервьюер не получает, а ответ читается как уклончивый: кандидат подстраивается под вакансию, а не рассказывает про себя.
Путают интерес с опытом. Рассказ про трансформеры по курсу разваливается на вопросе, как строили валидацию и что делали с дрейфом данных, а спрашивают обычно именно это.
Обесценивают классику фразой про скучные табличные задачи. На вакансии, где основное это витрины и модели на табличных данных, такой ответ закрывает собеседование, даже если остальное было сильным.