Расскажите про опыт работы с машинным обучением и проекты

Что проверяют

Умеете ли вы рассказать проект так, чтобы было понятно, какую задачу решали и чем всё кончилось. Интервьюер вылавливает вашу личную роль и то, дошла ли модель до пользователей или осталась в блокноте с расчётами.

Как отвечать

Возьмите один или два проекта и держите структуру:

• бизнес-задача и как вы перевели её в задачу машинного обучения. Что предсказываем, на каком объекте, с каким горизонтом, какое решение принимается по прогнозу;
• данные: откуда, сколько, как размечены, что с качеством и дисбалансом. Этот пункт обычно и есть содержание работы;
• бейзлайн. Правило, константа или простая модель, с которыми сравнивали;
• модель и валидация: схема разбиения, подбор гиперпараметров внутри кросс-валидации, метрика и почему именно она;
• внедрение: где крутится, какая задержка ответа, как признаки считаются в бою и совпадают ли они с обучающими;
• что дальше: мониторинг качества и дрейфа, переобучение, что сломалось после запуска.

Про свою роль говорите точно: где вы автор, где помогали, где взяли чужой пайплайн. Признание «разметку делала другая команда» это не минус, а признак того, что вы понимаете процесс целиком.

Где спотыкаются

Перечисляют библиотеки вместо задачи. Список из pandas, scikit-learn и пары фреймворков не отличает один проект от другого, а интервьюер ждёт, что нетривиального было в данных и в постановке.

Второе: приносят выдуманные доли прироста. Любая такая цифра тянет за собой вопрос, как измеряли, был ли A/B-тест, что было контролем, и на этом рассказ рассыпается.

Третье: заканчивают историю на метрике валидации. Без ответа, что модель делает в продакшене и как проверяли, что она приносит пользу, проект выглядит учебным, даже если таким не был.