Anong mga tanong sa panayam sa machine learning ang dapat kong asahan?

Karaniwang mas maraming round ang proseso ng panayam sa machine learning kaysa sa pangkalahatang software, at ibang antas ang sinusubok ng bawat round. Kapag alam mo ang antas, malalaman mo kung anong uri ng sagot ang nais ng tagapanayam.

• Mga batayan. Mga teoretikal na tanong tungkol sa learning, generalization, at optimization. Nais marinig ng tagapanayam na nauunawaan mo kung bakit gumagana ang isang teknik, hindi ang isang isinaulong depinisyon.
• Pagsusuri at pag-eeksperimento. Pagpili ng sukatan, estratehiya sa validation, offline kumpara sa online na mga resulta, at kung paano ka magdidisenyo ng eksperimento upang patunayang nakatulong ang isang modelo.
• Inilalapat na pagmomodelo. Feature engineering, data leakage, class imbalance, at magugulong bahagi ng isang totoong dataset. Madalas na nakabatay ang mga tanong na ito sa isa sa sarili mong proyekto.
• Disenyo ng ML system. Kung paano nakukuha ng modelo ang data nito, paano ito tina-train at muling tina-train, paano inihahatid ang mga prediction, at paano mo mapapansing humihina ang performance nito sa production.
• Coding. Isang exercise sa pandas o karaniwang Python, kung minsan ay pagpapatupad mula sa simula ng maliit na algorithm gaya ng k-means o logistic regression.

May mga behavioral question din, at sinusunod ng mga ito ang parehong tuntunin gaya sa ibang tungkulin; hiwalay na tinatalakay ang mga iyon sa paksa tungkol sa mga question bank.

Nagbabago ang pagkakasabi sa bawat kumpanya, ngunit nauulit ang mga pangunahing tanong. Sanayin ang mga ito hanggang sa maipaliwanag mo nang simple at malinaw.

• Bias at variance: Paano mo tutukuyin kung overfitting o underfitting ang isang modelo, at ano ang una mong babaguhin? Ano ang ginagawa ng regularization sa isang modelo, at kailan mo pipiliin ang L1 kaysa L2?
• Validation: Bakit maaaring magbigay ng mapanlinlang na score ang random na train-test split sa time series data? Kailan mo kailangan ang stratified o grouped cross-validation?
• Mga sukatan: Kailan maling sukatan ang accuracy? Ipaliwanag ang precision, recall, at ROC curve sa isang product manager. Aling sukatan ang io-optimize mo para sa fraud detection, at ano ang sabay mong imo-monitor?
• Mga problema sa data: Ano ang target leakage at paano mo ito natukoy? Paano mo haharapin ang matinding class imbalance nang hindi gumagawa ng imbentong data? Paano mo hahawakan ang mga nawawalang value upang hindi aksidenteng matutuhan ng modelo ang mismong kawalan ng data?
• Mga modelo: Kailan nahihigitan ng gradient-boosted tree ang neural network sa tabular data? Ano talaga ang kinukuwenta ng attention mechanism sa isang transformer? Bakit nakatutulong ang embeddings sa mga high-cardinality categorical feature?
• Optimization: Ano ang mangyayari kapag masyadong mataas o masyadong mababa ang learning rate? Bakit pinadadali ng batch normalization ang training?
• Disenyo ng system: Magdisenyo ng recommendation system para sa isang marketplace. Paano mo matutukoy ang data drift pagkatapos ng deployment? Paano mo muling ita-train ang modelo nang hindi naghahatid ng mga lumang prediction?
• Pag-eeksperimento: Bumuti ang offline metric ngunit walang pagbabago sa A/B test; ano ang susuriin mo?

Kung masasagot mo ang bawat isa gamit ang isang kongkretong halimbawa mula sa sarili mong trabaho, natalakay mo na ang karamihan sa maaaring itanong sa isang fundamentals round.

Normal na alam mo ang paksa ngunit mautal pa rin kapag hinihinging ipaliwanag ito sa isang video call. Binibigyan ka ng seksyong ito ng paraan upang buuin ang pasalitang sagot, at maikli ang balangkas: depinisyon, pasya, halimbawa, limitasyon.

• Depinisyon sa isang pangungusap at payak na salita, bago ang anumang formula.
• Pasya: kailan mo ito gagamitin at ano ang pipiliin mo bilang kapalit, dahil paghatol ang sinusubok ng mga tagapanayam, hindi bokabularyo.
• Halimbawa mula sa isang totoong proyekto: ang dataset, kung ano ang nagkamali, ano ang binago mo, at ano ang umusad.
• Limitasyon: kung saan pumapalya ang teknik, na nagpapakitang sapat mo na itong nagamit upang makita itong mabigo.

Isang data scientist na iniinterbyu para sa tungkuling ML sa isang marketplace company ang tinanong kung bakit napakaganda ng ranking model niya offline ngunit walang naging epekto sa A/B test. Sumagot siya gamit ang apat na hakbang: kung ano ang offline-online gaps, kung bakit position bias sa logged data ang sanhi nito sa kaniyang kaso, ang counterfactual evaluation na idinagdag niya, at ang paalala na wasto lamang iyon kapag sapat ang randomization ng logging. Mas mahalaga ang sagot na iyon kaysa sa perpektong derivation. Ang pagsasanay ng pasalitang sagot mismo ang layunin ng tool na mock interview; nagtatanong ito ng mga follow-up tulad ng isang tunay na tagapanayam.

Sa mga conversational round, oo, ngunit may mga limitasyon. Kinukuha ng native macOS at Windows desktop app ng SubcueAI ang system audio ng tawag at ang iyong mikropono, naririnig ang tanong ng tagapanayam sa Zoom, Google Meet, o Microsoft Teams, at nagpapakita ng maikling mungkahing balangkas sa isang floating overlay na ikaw lamang ang nakakakita. Para sa mga tawag na tumatakbo sa tab ng Chrome o Edge browser, audio lamang ng meeting tab ang kinukuha ng Side Panel ng browser extension, kaya naririnig nito ang tagapanayam ngunit hindi ka nito tina-transcribe. Hindi sumasali bilang bot sa tawag o naglalagay ng anuman sa meeting page ang alinmang interface. Kung na-upload mo ang iyong resume, maaaring banggitin ng mga mungkahi ang sarili mong mga proyekto, na siyang nagpapataas ng marka ng mga sagot sa ML.

Kapareho ang mga limitasyon ng naaangkop sa bawat teknikal na panayam. Ang proctored coding screen, take-home assignment, o session sa device na pinamamahalaan ng kumpanya ay hindi saklaw ng layunin ng SubcueAI, at kailangang ikaw mismo ang gumawa ng whiteboard derivation sa shared screen, dahil makikita ng lahat ang overlay kung ibabahagi mo ang buong screen. Binuo ni Aaron Cao, tagapagtatag ng SubcueAI, ang overlay upang magmungkahi ng balangkas at bokabularyo sa halip na idikta ang mga sagot, dahil sinusundan ng ML interviewer ng tanong ang bawat pahayag at bumabagsak ang hiniram na sagot sa ikalawang tanong. Makikita ang setup para sa dalawang interface sa pahina ng tutorial; inilalarawan naman sa pahina ng paghahambing ang mga praktikal na pagkakaiba ng desktop app at extension.