Співбесіда AI/ML-інженера поєднує дві речі: класичну теорію машинного навчання — ту, яку питають біля дошки, — і сучасний стек навколо Python, PyTorch чи TensorFlow, а також дедалі частіше трансформери й LLM. Нижче питання, які ставлять найчастіше, кожне з еталонною відповіддю. Junior: базова теорія, визначення та прості практичні кейси.
Навчання з учителем тренується на розмічених парах вхід-вихід, наприклад передбачення ціни будинку за ознаками. Навчання без учителя шукає структуру в неразмічених даних, наприклад кластеризація клієнтів за сегментами. Навчання з підкріпленням тренує агента здійснювати дії, що максимізують сигнал винагороди з часом, як бот у грі — розмічених прикладів немає, лише зворотний зв'язок від середовища.
Перенавчена модель занадто добре вивчила тренувальні дані разом з шумом, тому чудово працює на train і погано на нових даних. Класична ознака — великий розрив між accuracy на train і на validation. Виправлення зазвичай починають з отримання більшого обсягу даних або спрощення моделі, а вже потім переходять до вигадливішої регуляризації.
Функція втрат вимірює, наскільки сильно передбачення моделі відрізняється від істинного значення — середньоквадратична помилка для регресії, крос-ентропія для класифікації. Навчання — це буквально процес підгонки параметрів моделі, щоб зменшити це число. Вибір функції втрат визначає, що модель насправді оптимізує, тому неправильний вибір непомітно дає неправильну модель.
Precision — це: з усього, що модель позначила як позитивне, скільки справді було позитивним. Recall — це: з усього реально позитивного, скільки модель упіймала. Спам-фільтр з упором на precision пропускає менше справжніх листів, але й пропускає більше спаму; з упором на recall ловить більше спаму, але частіше хибно позначає реальні листи — компроміс є завжди.
NumPy дає швидкі операції над масивами в Python, працюючи з даними як векторизованими масивами замість повільних Python-циклів — майже всі ML-бібліотеки побудовані поверх нього. Pandas будується поверх NumPy і дає DataFrame — розмічені табличні дані, які можна фільтрувати, групувати, зʼєднувати і чистити, і саме тут відбувається більшість реальної роботи з даними до того, як модель їх побачить.
На співбесіді ти говориш вголос під тиском. Кем поставить ті самі питання, оцінить кожну відповідь і покаже, що саме підтягнути.
Пройти інтерв'ю Junior AI/ML Engineer →