Собеседование AI/ML-инженера сочетает две вещи: классическую теорию машинного обучения — ту, которую спрашивают у доски, — и современный стек вокруг Python, PyTorch или TensorFlow, а также всё чаще трансформеры и LLM. Ниже вопросы, которые задают чаще всего, каждый с эталонным ответом. Junior: базовая теория, определения и простые практические кейсы.
Обучение с учителем тренируется на размеченных парах вход-выход, например предсказание цены дома по признакам. Обучение без учителя ищет структуру в неразмеченных данных, например кластеризация клиентов по сегментам. Обучение с подкреплением тренирует агента совершать действия, максимизирующие сигнал вознаграждения со временем, как бот в игре — размеченных примеров нет, только обратная связь от среды.
Переобученная модель слишком хорошо выучила обучающие данные вместе с шумом, поэтому отлично работает на train и плохо на новых данных. Классический признак — большой разрыв между accuracy на train и на validation. Исправление обычно начинают с получения большего объёма данных или упрощения модели, а уже потом переходят к более изощрённой регуляризации.
Функция потерь измеряет, насколько сильно предсказание модели отличается от истинного значения — среднеквадратичная ошибка для регрессии, кросс-энтропия для классификации. Обучение — это буквально процесс подгонки параметров модели, чтобы уменьшить это число. Выбор функции потерь определяет, что модель на самом деле оптимизирует, поэтому неправильный выбор незаметно даёт неправильную модель.
Precision — это: из всего, что модель пометила как положительное, сколько действительно было положительным. Recall — это: из всего реально положительного, сколько модель поймала. Спам-фильтр с упором на precision пропускает меньше настоящих писем, но и пропускает больше спама; с упором на recall ловит больше спама, но чаще ошибочно помечает реальные письма — компромисс всегда есть.
NumPy даёт быстрые операции над массивами в Python, работая с данными как векторизованными массивами вместо медленных Python-циклов — почти все ML-библиотеки построены поверх него. Pandas строится поверх NumPy и даёт DataFrame — размеченные табличные данные, которые можно фильтровать, группировать, соединять и чистить, и именно здесь происходит большая часть реальной работы с данными до того, как модель их увидит.
На собеседовании ты говоришь вслух под давлением. Кем задаст эти же вопросы, оценит каждый ответ и покажет, что именно подтянуть.
Пройти интервью Junior AI/ML Engineer →