मशीन लर्निंग इंटरव्यू में मुझे किन प्रश्नों की अपेक्षा करनी चाहिए?

मशीन लर्निंग की इंटरव्यू प्रक्रिया में आम सॉफ़्टवेयर इंटरव्यू से प्रायः अधिक राउंड होते हैं, और हर राउंड एक अलग स्तर को परखता है। स्तर को समझने से आपको पता चलता है कि इंटरव्यूअर किस तरह का उत्तर चाहता है।

• बुनियादी अवधारणाएँ। लर्निंग, जनरलाइज़ेशन और ऑप्टिमाइज़ेशन से जुड़े सैद्धांतिक प्रश्न। इंटरव्यूअर यह सुनना चाहता है कि आप समझते हैं कि कोई तकनीक क्यों काम करती है, न कि केवल रटी हुई परिभाषा।
• मूल्यांकन और प्रयोग। मेट्रिक का चयन, वैलिडेशन रणनीति, ऑफ़लाइन बनाम ऑनलाइन नतीजे, और यह साबित करने के लिए प्रयोग की रूपरेखा कि मॉडल से लाभ हुआ।
• व्यावहारिक मॉडलिंग। फीचर इंजीनियरिंग, डेटा लीकेज, क्लास असंतुलन और वास्तविक डेटासेट की उलझनें। ये प्रश्न अक्सर आपके किसी प्रोजेक्ट के संदर्भ में पूछे जाते हैं।
• ML सिस्टम डिज़ाइन। मॉडल को डेटा कैसे मिलता है, उसे कैसे ट्रेन और दोबारा ट्रेन किया जाता है, प्रेडिक्शन कैसे सर्व किए जाते हैं, और प्रोडक्शन में उसके प्रदर्शन में गिरावट का पता कैसे लगाया जाएगा।
• कोडिंग। pandas या सामान्य Python का अभ्यास, कभी-कभी k-means या लॉजिस्टिक रिग्रेशन जैसे छोटे एल्गोरिदम को शुरू से लागू करना।

व्यवहार संबंधी प्रश्न भी आते हैं और उन पर किसी भी दूसरी भूमिका जैसे ही नियम लागू होते हैं; प्रश्न बैंक विषय में उन्हें अलग से समझाया गया है।

कंपनियों के बीच प्रश्नों की भाषा बदलती है, लेकिन मूल प्रश्न दोहराए जाते हैं। इनका अभ्यास तब तक करें, जब तक आप इन्हें सरल भाषा में समझा न सकें।

• बायस और वैरिएंस: आप कैसे पता लगाएंगे कि मॉडल ओवरफिट हो रहा है या अंडरफिट, और सबसे पहले क्या बदलेंगे? रेग्युलराइज़ेशन मॉडल पर क्या प्रभाव डालता है, और आप L1 को L2 पर कब प्राथमिकता देंगे?
• वैलिडेशन: टाइम सीरीज़ डेटा पर रैंडम ट्रेन-टेस्ट विभाजन भ्रामक स्कोर क्यों दे सकता है? आपको स्ट्रैटिफाइड या ग्रुप्ड क्रॉस-वैलिडेशन की आवश्यकता कब होती है?
• मेट्रिक्स: एक्यूरेसी कब गलत मेट्रिक होती है? किसी प्रोडक्ट मैनेजर को प्रिसीजन, रिकॉल और ROC कर्व समझाइए। धोखाधड़ी पहचानने के लिए आप कौन-सा मेट्रिक ऑप्टिमाइज़ करेंगे, और उसके साथ किसकी निगरानी करेंगे?
• डेटा समस्याएँ: टारगेट लीकेज क्या है और आपने इसे कैसे पकड़ा है? कृत्रिम डेटा बनाए बिना गंभीर क्लास असंतुलन को कैसे संभालते हैं? मिसिंग वैल्यू को कैसे संभालते हैं ताकि मॉडल अनजाने में उनके गायब होने के पैटर्न को न सीख ले?
• मॉडल: टैबुलर डेटा पर ग्रेडिएंट-बूस्टेड ट्री कब न्यूरल नेटवर्क से बेहतर होता है? ट्रांसफॉर्मर में अटेंशन मैकेनिज़्म वास्तव में क्या गणना करता है? अधिक कार्डिनैलिटी वाले कैटेगोरिकल फीचर्स में एम्बेडिंग क्यों सहायक होती हैं?
• ऑप्टिमाइज़ेशन: लर्निंग रेट बहुत अधिक या बहुत कम होने पर क्या होता है? बैच नॉर्मलाइज़ेशन ट्रेनिंग को आसान क्यों बनाता है?
• सिस्टम डिज़ाइन: किसी मार्केटप्लेस के लिए रिकमेंडेशन सिस्टम डिज़ाइन कीजिए। डिप्लॉयमेंट के बाद डेटा ड्रिफ्ट का पता कैसे लगाएंगे? पुराने प्रेडिक्शन सर्व किए बिना मॉडल को दोबारा कैसे ट्रेन करेंगे?
• प्रयोग: ऑफ़लाइन मेट्रिक बेहतर हुआ, लेकिन A/B टेस्ट में कोई बदलाव नहीं आया; आप क्या जाँचेंगे?

यदि आप इनमें से हर प्रश्न का उत्तर अपने काम के एक ठोस उदाहरण के साथ दे सकते हैं, तो आपने बुनियादी अवधारणाओं वाले राउंड के अधिकांश संभावित प्रश्नों की तैयारी कर ली है।

विषय की जानकारी होने के बावजूद वीडियो कॉल पर उसे समझाते समय अटकना सामान्य है। यह भाग बोले गए उत्तरों को व्यवस्थित करने का तरीका देता है, जिसका संक्षिप्त रूप है: परिभाषा, निर्णय, उदाहरण, सीमा।

• परिभाषा किसी भी सूत्र से पहले, सरल शब्दों में एक वाक्य में दें।
• निर्णय: आप इसका उपयोग कब करेंगे और इसके बजाय क्या चुनेंगे, क्योंकि इंटरव्यूअर शब्दावली नहीं, निर्णय क्षमता परखते हैं।
• उदाहरण किसी वास्तविक प्रोजेक्ट से दें: डेटासेट, क्या गलत हुआ, आपने क्या बदला और किस परिणाम में बदलाव आया।
• सीमा: यह तकनीक कहाँ विफल होती है; इससे संकेत मिलता है कि आपने इसे इतना इस्तेमाल किया है कि इसकी विफलता भी देखी है।

एक मार्केटप्लेस कंपनी में ML भूमिका के लिए इंटरव्यू दे रही डेटा साइंटिस्ट से पूछा जाता है कि उसका रैंकिंग मॉडल ऑफ़लाइन बहुत अच्छा क्यों दिखा, लेकिन A/B टेस्ट में कोई प्रभाव क्यों नहीं पड़ा। वह चार चरणों में उत्तर देती है: ऑफ़लाइन-ऑनलाइन अंतर क्या होते हैं, लॉग किए गए डेटा में पोज़िशन बायस से उसके मामले में यह समस्या क्यों हुई, उसने कौन-सा काउंटरफैक्चुअल मूल्यांकन जोड़ा, और यह सावधानी कि वह केवल तभी मान्य है जब लॉगिंग पर्याप्त रूप से रैंडम हो। ऐसा उत्तर एक त्रुटिहीन डेरिवेशन से अधिक मूल्यवान है। बोले गए उत्तरों का अभ्यास करने के लिए ही मॉक इंटरव्यू टूल बनाया गया है; यह वास्तविक इंटरव्यूअर की तरह पूरक प्रश्न पूछता है।

बातचीत वाले राउंड में, हाँ—कुछ सीमाओं के भीतर। SubcueAI का नेटिव macOS और Windows डेस्कटॉप ऐप कॉल के सिस्टम ऑडियो और आपके माइक्रोफ़ोन को कैप्चर करता है, Zoom, Google Meet या Microsoft Teams पर इंटरव्यूअर का प्रश्न सुनता है, और केवल आपकी स्क्रीन पर दिखाई देने वाले फ्लोटिंग ओवरले में उत्तर की एक छोटी सुझाई गई संरचना दिखाता है। Chrome या Edge ब्राउज़र टैब में चलने वाली कॉल के लिए, ब्राउज़र एक्सटेंशन का Side Panel केवल मीटिंग टैब का ऑडियो कैप्चर करता है, इसलिए वह इंटरव्यूअर को सुनता है और आपकी बात कभी ट्रांसक्राइब नहीं करता। दोनों में से कोई भी माध्यम बॉट के रूप में कॉल में शामिल नहीं होता या मीटिंग पेज में कुछ जोड़ता नहीं है। यदि आपने अपना रिज़्यूमे अपलोड किया है, तो सुझाव आपके प्रोजेक्ट का संदर्भ दे सकते हैं, और ML के उत्तरों को यहीं अंक मिलते हैं।

सीमाएँ वही हैं जो हर तकनीकी इंटरव्यू पर लागू होती हैं। प्रॉक्टर्ड कोडिंग स्क्रीन, टेक-होम असाइनमेंट या कंपनी द्वारा प्रबंधित डिवाइस पर होने वाला सत्र SubcueAI के उपयोग के दायरे से बाहर है। साझा स्क्रीन पर व्हाइटबोर्ड डेरिवेशन आपका अपना होना चाहिए, क्योंकि पूरी स्क्रीन साझा करने पर ओवरले सभी को दिखेगा। SubcueAI के संस्थापक Aaron Cao ने ओवरले को उत्तर निर्देशित करने के बजाय संरचना और शब्दावली का संकेत देने के लिए बनाया, क्योंकि ML इंटरव्यूअर हर दावे पर पूरक प्रश्न पूछता है और उधार लिया हुआ उत्तर दूसरे प्रश्न पर ही ढह जाता है। दोनों माध्यमों की सेटअप जानकारी ट्यूटोरियल पेज पर है; डेस्कटॉप ऐप और एक्सटेंशन के व्यावहारिक अंतर तुलना पेज पर बताए गए हैं।