Собирали ли вы данные самостоятельно
Что проверяют
Работали ли вы с сырыми данными или только с готовым датасетом из учебной задачи. Самостоятельный сбор показывает сразу многое: понимаете ли, откуда берётся смещение, думаете ли про воспроизводимость и про то, что вообще законно собирать.
Как отвечать
Назовите способ и объясните выбор. Основные варианты:
- выгрузка из внутренних баз и продуктовых логов, часто с предварительным заведением событий, которых ещё нет;
- публичные и партнёрские API с их лимитами и квотами;
- разбор страниц, когда API нет;
- ручная разметка и опросы, когда целевой переменной не существует в природе.
Дальше самое ценное: как вы отвечали за качество. Сырые ответы сохраняются как есть и отдельно от обработанных, чтобы разбор можно было переделать без повторного похода к источнику. Сбор описан кодом и расписанием, а не разовым запуском из ноутбука. Есть проверки на входе: доля пропусков, дубликаты, диапазоны значений, изменение доли классов от партии к партии.
Обязательно скажите про смещение выборки. Данные с одной площадки или за один сезон дают модель, которая работает только там, а разбиение на обучение и контроль по времени или по сущности, а не случайное, спасает от подглядывания в будущее.
И про правовую сторону: персональные данные, условия использования источника, ограничения на частоту запросов. Кандидат, который поднимает эту тему сам, выглядит взрослее.
Где спотыкаются
Смешивают сбор данных и чтение готовых счётчиков. Смотреть отчёт системы веб-аналитики это не собирать данные, и такую подмену интервьюер слышит сразу.
Второе: делают один снимок и не могут его повторить. Через месяц структура страницы или формат ответа поменялись, датасет не воспроизводится, эксперимент не перепроверить.
Третье: молчат про происхождение и права. Рассказ про разбор чужого сайта без единого слова о правилах источника и персональных данных читается как риск для компании.