Ποιες ερωτήσεις συνέντευξης μηχανικής μάθησης να περιμένω;

Μια διαδικασία συνέντευξης μηχανικής μάθησης συνήθως έχει περισσότερους γύρους από μια γενική διαδικασία συνέντευξης λογισμικού και κάθε γύρος εξετάζει διαφορετικό επίπεδο. Αν γνωρίζετε το επίπεδο, καταλαβαίνετε τι είδους απάντηση θέλει ο υπεύθυνος της συνέντευξης.

• Βασικές αρχές. Θεωρητικές ερωτήσεις σχετικά με τη μάθηση, τη γενίκευση και τη βελτιστοποίηση. Ο υπεύθυνος θέλει να ακούσει ότι κατανοείτε γιατί λειτουργεί μια τεχνική, όχι έναν αποστηθισμένο ορισμό.
• Αξιολόγηση και πειραματισμός. Επιλογή μετρικής, στρατηγική επικύρωσης, αποτελέσματα εκτός σύνδεσης έναντι αποτελεσμάτων σε πραγματικές συνθήκες και τρόπος σχεδιασμού ενός πειράματος που αποδεικνύει ότι ένα μοντέλο βοήθησε.
• Εφαρμοσμένη μοντελοποίηση. Μηχανική χαρακτηριστικών, διαρροή δεδομένων, ανισορροπία κλάσεων και οι δύσκολες πτυχές ενός πραγματικού συνόλου δεδομένων. Αυτές οι ερωτήσεις συχνά διατυπώνονται γύρω από κάποιο δικό σας έργο.
• Σχεδιασμός συστημάτων ML. Πώς το μοντέλο λαμβάνει τα δεδομένα του, πώς εκπαιδεύεται και επανεκπαιδεύεται, πώς παρέχονται οι προβλέψεις και πώς θα αντιλαμβανόσασταν την υποβάθμισή του στην παραγωγή.
• Προγραμματισμός. Μια άσκηση σε pandas ή απλή Python, μερικές φορές η υλοποίηση από την αρχή ενός μικρού αλγορίθμου, όπως k-means ή λογιστική παλινδρόμηση.

Εμφανίζονται επίσης ερωτήσεις συμπεριφοράς και ακολουθούν τους ίδιους κανόνες με κάθε άλλο ρόλο· η ενότητα τράπεζες ερωτήσεων τις καλύπτει ξεχωριστά.

Η διατύπωση αλλάζει μεταξύ εταιρειών, αλλά οι βασικές ερωτήσεις επαναλαμβάνονται. Εξασκηθείτε σε αυτές μέχρι να μπορείτε να τις εξηγείτε με απλά λόγια.

• Μεροληψία και διακύμανση: Πώς θα διαπιστώνατε αν ένα μοντέλο υπερπροσαρμόζεται ή υποπροσαρμόζεται και τι θα αλλάζατε πρώτο; Τι κάνει η κανονικοποίηση σε ένα μοντέλο και πότε θα προτιμούσατε L1 αντί για L2;
• Επικύρωση: Γιατί ένας τυχαίος διαχωρισμός συνόλου εκπαίδευσης και ελέγχου μπορεί να δώσει παραπλανητική βαθμολογία σε δεδομένα χρονοσειρών; Πότε χρειάζεστε διαστρωματωμένη ή ομαδοποιημένη διασταυρούμενη επικύρωση;
• Μετρικές: Πότε η ακρίβεια είναι η λάθος μετρική; Εξηγήστε την πιστότητα, την ανάκληση και την καμπύλη ROC σε έναν υπεύθυνο προϊόντος. Ποια μετρική θα βελτιστοποιούσατε για τον εντοπισμό απάτης και τι θα παρακολουθούσατε παράλληλα;
• Προβλήματα δεδομένων: Τι είναι η διαρροή μεταβλητής-στόχου και πώς την έχετε εντοπίσει; Πώς αντιμετωπίζετε την έντονη ανισορροπία κλάσεων χωρίς να επινοείτε δεδομένα; Πώς χειρίζεστε τις ελλείπουσες τιμές ώστε το μοντέλο να μη μάθει κατά λάθος από την απουσία τους;
• Μοντέλα: Πότε ένα δέντρο ενίσχυσης βαθμίδας υπερέχει ενός νευρωνικού δικτύου σε πινακοποιημένα δεδομένα; Τι υπολογίζει πραγματικά ο μηχανισμός προσοχής σε έναν μετασχηματιστή; Γιατί οι ενσωματώσεις βοηθούν με κατηγορικά χαρακτηριστικά υψηλής πληθικότητας;
• Βελτιστοποίηση: Τι συμβαίνει όταν ο ρυθμός μάθησης είναι υπερβολικά υψηλός ή χαμηλός; Γιατί η κανονικοποίηση παρτίδας διευκολύνει την εκπαίδευση;
• Σχεδιασμός συστήματος: Σχεδιάστε ένα σύστημα προτάσεων για μια πλατφόρμα αγοραπωλησιών. Πώς θα εντοπίζατε τη μετατόπιση δεδομένων μετά την ανάπτυξη; Πώς θα επανεκπαιδεύατε ένα μοντέλο χωρίς να παρέχετε παρωχημένες προβλέψεις;
• Πειραματισμός: Η μετρική εκτός σύνδεσης βελτιώθηκε, αλλά η δοκιμή A/B δεν έδειξε μεταβολή· τι ελέγχετε;

Αν μπορείτε να απαντήσετε σε καθεμία από αυτές με ένα συγκεκριμένο παράδειγμα από τη δουλειά σας, έχετε καλύψει τα περισσότερα από όσα μπορεί να ζητήσει ένας γύρος βασικών γνώσεων.

Είναι φυσιολογικό να γνωρίζετε το αντικείμενο και παρ’ όλα αυτά να δυσκολεύεστε όταν σας ζητούν να το εξηγήσετε σε μια βιντεοκλήση. Αυτή η ενότητα προσφέρει έναν τρόπο δόμησης των προφορικών απαντήσεων και η σύνοψη είναι σύντομη: ορισμός, απόφαση, παράδειγμα, περιορισμός.

• Ορισμός σε μία πρόταση, με απλά λόγια, πριν από οποιονδήποτε τύπο.
• Απόφαση: πότε θα το χρησιμοποιούσατε και τι θα επιλέγατε εναλλακτικά, επειδή οι υπεύθυνοι συνέντευξης εξετάζουν την κρίση και όχι το λεξιλόγιο.
• Παράδειγμα από πραγματικό έργο: το σύνολο δεδομένων, τι πήγε στραβά, τι αλλάξατε και ποιο αποτέλεσμα μεταβλήθηκε.
• Περιορισμός: πού αποτυγχάνει η τεχνική, κάτι που δείχνει ότι την έχετε χρησιμοποιήσει αρκετά ώστε να δείτε τις αδυναμίες της.

Μια επιστήμονας δεδομένων που δίνει συνέντευξη για ρόλο ML σε εταιρεία πλατφόρμας αγοραπωλησιών ερωτάται γιατί το μοντέλο κατάταξής της φαινόταν εξαιρετικό εκτός σύνδεσης, αλλά δεν είχε κανένα αποτέλεσμα στη δοκιμή A/B. Απαντά με τα τέσσερα βήματα: τι είναι οι αποκλίσεις μεταξύ εκτός σύνδεσης και πραγματικών συνθηκών, γιατί η μεροληψία θέσης στα καταγεγραμμένα δεδομένα προκάλεσε τη δική της απόκλιση, την αντιγεγονοτική αξιολόγηση που πρόσθεσε και την επιφύλαξη ότι ισχύει μόνο όταν η καταγραφή είναι επαρκώς τυχαιοποιημένη. Αυτή η απάντηση αξίζει περισσότερο από μια τέλεια μαθηματική παραγωγή. Η εξάσκηση σε προφορικές απαντήσεις είναι ακριβώς ο σκοπός του εργαλείου προσομοίωσης συνέντευξης· κάνει διευκρινιστικές ερωτήσεις όπως ένας πραγματικός υπεύθυνος συνέντευξης.

Στους γύρους συζήτησης, ναι, εντός ορίων. Η εγγενής εφαρμογή υπολογιστή του SubcueAI για macOS και Windows καταγράφει τον ήχο συστήματος της κλήσης και το μικρόφωνό σας, ακούει την ερώτηση του υπεύθυνου συνέντευξης στο Zoom, το Google Meet ή το Microsoft Teams και εμφανίζει μια σύντομη προτεινόμενη δομή σε ένα αιωρούμενο πλαίσιο που υπάρχει μόνο στην οθόνη σας. Για κλήσεις που εκτελούνται σε καρτέλα του προγράμματος περιήγησης Chrome ή Edge, το Side Panel της επέκτασης καταγράφει μόνο τον ήχο της καρτέλας συνάντησης, επομένως ακούει τον υπεύθυνο συνέντευξης και ποτέ δεν μεταγράφει εσάς. Καμία από τις δύο επιφάνειες δεν συμμετέχει στην κλήση ως bot ούτε εισάγει οτιδήποτε στη σελίδα της συνάντησης. Αν έχετε ανεβάσει το βιογραφικό σας, οι προτάσεις μπορούν να αναφέρονται στα δικά σας έργα, κάτι που είναι καθοριστικό για την αξιολόγηση των απαντήσεων ML.

Τα όρια είναι τα ίδια που ισχύουν για κάθε τεχνική συνέντευξη. Μια επιτηρούμενη δοκιμασία προγραμματισμού, μια εργασία για το σπίτι ή μια συνεδρία σε συσκευή διαχειριζόμενη από την εταιρεία βρίσκονται εκτός του σκοπού του SubcueAI, ενώ μια μαθηματική παραγωγή σε ασπροπίνακα μέσω κοινόχρηστης οθόνης πρέπει να είναι δική σας, καθώς η κοινοποίηση ολόκληρης της οθόνης σας θα εμφάνιζε το πλαίσιο σε όλους. Ο Aaron Cao, ιδρυτής του SubcueAI, δημιούργησε το πλαίσιο για να υποδεικνύει δομή και λεξιλόγιο, όχι για να υπαγορεύει απαντήσεις, επειδή ένας υπεύθυνος συνέντευξης ML κάνει διευκρινιστικές ερωτήσεις για κάθε ισχυρισμό και μια δανεική απάντηση καταρρέει στη δεύτερη ερώτηση. Η ρύθμιση και των δύο επιφανειών βρίσκεται στη σελίδα εκμάθησης· οι πρακτικές διαφορές μεταξύ της εφαρμογής υπολογιστή και της επέκτασης περιγράφονται στη σελίδα σύγκρισης.