Занимался ли сбором датасета в проекте

Что проверяют

Понимаете ли вы, что качество модели чаще упирается в данные, а не в архитектуру, и умеете ли пройти путь от «данных нет» до выборки, на которой можно обучаться. Следом обычно спрашивают, как проверяли качество разметки и как делили данные на обучение и тест.

Как отвечать

Возьмите один проект и пройдите по этапам, называя свои решения:

• постановка: что было целевой переменной и как её определили. Например, отток это отсутствие покупок 60 дней, а не удалённый аккаунт, и почему выбрали именно так;
• источники: выгрузки из хранилища через SQL, логи событий, внешние API, парсинг с учётом правил сайта, открытые датасеты. Откуда брали и за какой период;
• разметка: своими силами в Label Studio или через краудсорсинг. Как писали инструкцию, сколько разметчиков смотрели один объект, как считали согласованность (каппа Коэна), был ли контрольный «золотой» набор;
• чистка: дубликаты, включая почти одинаковые тексты и картинки, пропуски, выбросы, противоречивые метки;
• разбиение: данные со временем делят по времени, данные о людях по пользователю, чтобы один человек не попал и в train, и в test;
• версионирование: DVC или хотя бы зафиксированный снимок и скрипт сборки, чтобы датасет можно было пересобрать.

Результат называйте своими цифрами: сколько объектов, сколько ушло при чистке, что изменилось в метрике после исправления разметки. Если датасеты всегда приходили готовыми, скажите честно и расскажите, как вы их проверяли: распределение классов, утечки, дубли между выборками. Это тоже опыт работы с данными.

Где спотыкаются

Рассказывают только про dropna и fillna. Сбор датасета начинается раньше, с определения метки и источника, а чистка идёт последней.

Не замечают утечку целевой переменной: признак, который в момент прогноза ещё неизвестен, даёт отличную метрику на тесте и провал в продакшене.

Забывают про юридическую сторону. Персональные данные подпадают под 152-ФЗ, у парсинга и открытых датасетов есть условия и лицензии, и вопрос «а можно ли было это использовать» задают всё чаще.