Pertanyaan wawancara machine learning apa yang perlu saya antisipasi?

Proses wawancara machine learning biasanya memiliki lebih banyak tahap daripada proses wawancara software umum, dan setiap tahap menguji lapisan yang berbeda. Mengetahui lapisannya membantu Anda memahami jenis jawaban yang diinginkan pewawancara.

• Dasar-dasar. Pertanyaan teori tentang pembelajaran, generalisasi, dan optimisasi. Pewawancara ingin mendengar bahwa Anda memahami alasan suatu teknik bekerja, bukan definisi yang sekadar dihafalkan.
• Evaluasi dan eksperimen. Pemilihan metrik, strategi validasi, hasil offline dibandingkan hasil online, serta cara Anda merancang eksperimen untuk membuktikan bahwa suatu model memberikan manfaat.
• Pemodelan terapan. Rekayasa fitur, kebocoran data, ketidakseimbangan kelas, dan bagian rumit dari kumpulan data nyata. Pertanyaan ini sering disusun berdasarkan salah satu proyek Anda sendiri.
• Desain sistem ML. Cara model memperoleh data, dilatih dan dilatih ulang, menyajikan prediksi, serta cara Anda mengetahui jika performanya menurun di lingkungan produksi.
• Coding. Latihan menggunakan pandas atau Python biasa, terkadang berupa implementasi algoritma kecil seperti k-means atau regresi logistik dari awal.

Pertanyaan perilaku juga muncul dan mengikuti aturan yang sama seperti peran lainnya; topik bank pertanyaan membahasnya secara terpisah.

Susunan katanya berbeda antarperusahaan, tetapi inti pertanyaannya berulang. Latihlah pertanyaan berikut sampai Anda dapat menjelaskannya dengan bahasa sederhana.

• Bias dan varians: Bagaimana Anda mendiagnosis apakah suatu model mengalami overfitting atau underfitting, dan apa yang akan Anda ubah terlebih dahulu? Apa dampak regularisasi terhadap model, dan kapan Anda akan memilih L1 daripada L2?
• Validasi: Mengapa pembagian data latih-uji secara acak dapat menghasilkan skor yang menyesatkan pada data deret waktu? Kapan Anda memerlukan validasi silang terstratifikasi atau berkelompok?
• Metrik: Kapan akurasi menjadi metrik yang keliru? Jelaskan presisi, recall, dan kurva ROC kepada manajer produk. Metrik mana yang akan Anda optimalkan untuk deteksi penipuan, dan apa yang akan Anda pantau bersamanya?
• Masalah data: Apa itu kebocoran target dan bagaimana Anda pernah menemukannya? Bagaimana Anda menangani ketidakseimbangan kelas yang parah tanpa menciptakan data? Bagaimana Anda menangani nilai yang hilang agar model tidak tanpa sengaja mempelajari pola kehilangan tersebut?
• Model: Kapan pohon dengan gradient boosting mengungguli jaringan saraf pada data tabular? Apa yang sebenarnya dihitung oleh mekanisme attention dalam transformer? Mengapa embedding membantu menangani fitur kategoris dengan kardinalitas tinggi?
• Optimisasi: Apa yang terjadi ketika learning rate terlalu tinggi atau terlalu rendah? Mengapa batch normalization mempermudah pelatihan?
• Desain sistem: Rancang sistem rekomendasi untuk marketplace. Bagaimana Anda mendeteksi pergeseran data setelah deployment? Bagaimana Anda melatih ulang model tanpa menyajikan prediksi usang?
• Eksperimen: Metrik offline meningkat, tetapi pengujian A/B tidak menunjukkan perubahan; apa yang Anda periksa?

Jika Anda dapat menjawab setiap pertanyaan ini dengan satu contoh konkret dari pekerjaan sendiri, Anda telah mencakup sebagian besar hal yang mungkin ditanyakan dalam tahap dasar-dasar.

Memahami materi tetapi masih tersendat ketika diminta menjelaskannya dalam panggilan video adalah hal yang wajar. Bagian ini memberi Anda cara untuk menyusun jawaban lisan, dengan ringkasan singkat: definisi, keputusan, contoh, batasan.

• Definisi dalam satu kalimat dan dengan kata-kata sederhana, sebelum menggunakan rumus apa pun.
• Keputusan: kapan Anda akan menggunakannya dan apa yang akan Anda pilih sebagai gantinya, karena pewawancara menguji pertimbangan, bukan kosakata.
• Contoh dari proyek nyata: kumpulan datanya, apa yang bermasalah, apa yang Anda ubah, dan hasil apa yang berubah.
• Batasan: kondisi saat teknik tersebut tidak bekerja, yang menunjukkan bahwa Anda cukup berpengalaman menggunakannya hingga pernah melihatnya gagal.

Seorang data scientist yang menjalani wawancara untuk peran ML di perusahaan marketplace ditanya mengapa model pemeringkatannya tampak sangat baik secara offline tetapi tidak berdampak dalam pengujian A/B. Ia menjawab dengan empat langkah: apa itu kesenjangan offline-online, mengapa bias posisi pada data log menyebabkan kesenjangan tersebut dalam kasusnya, evaluasi kontrafaktual yang ia tambahkan, dan batasan bahwa evaluasi itu hanya berlaku ketika pencatatan cukup acak. Jawaban tersebut lebih bernilai daripada penurunan rumus yang sempurna. Melatih jawaban lisan adalah tujuan dari fitur wawancara simulasi; fitur ini mengajukan pertanyaan lanjutan seperti pewawancara sungguhan.

Dalam tahap percakapan, ya, dengan batasan tertentu. Aplikasi desktop native SubcueAI untuk macOS dan Windows menangkap audio sistem dari panggilan dan mikrofon Anda, mendengarkan pertanyaan pewawancara di Zoom, Google Meet, atau Microsoft Teams, lalu menampilkan saran struktur singkat dalam overlay mengambang yang hanya terlihat di layar Anda. Untuk panggilan yang berlangsung di tab browser Chrome atau Edge, Side Panel pada ekstensi browser hanya menangkap audio dari tab rapat, sehingga dapat mendengar pewawancara dan tidak pernah mentranskripsikan ucapan Anda. Keduanya tidak bergabung ke panggilan sebagai bot atau memasukkan apa pun ke halaman rapat. Jika Anda telah mengunggah resume, saran yang diberikan dapat merujuk pada proyek Anda sendiri, yang menjadi bagian penting dalam penilaian jawaban ML.

Batasannya sama dengan yang berlaku dalam setiap wawancara teknis. Tes coding yang diawasi, tugas yang dikerjakan di rumah, atau sesi pada perangkat yang dikelola perusahaan berada di luar tujuan SubcueAI, dan penurunan rumus di papan tulis pada layar bersama harus Anda kerjakan sendiri karena membagikan seluruh layar akan memperlihatkan overlay kepada semua orang. Aaron Cao, pendiri SubcueAI, membangun overlay tersebut untuk memberi petunjuk tentang struktur dan kosakata, bukan untuk mendikte jawaban, karena pewawancara ML akan menindaklanjuti setiap pernyataan dan jawaban pinjaman akan runtuh pada pertanyaan kedua. Petunjuk penyiapan untuk kedua sarana tersedia di halaman tutorial; perbedaan praktis antara aplikasi desktop dan ekstensi dijelaskan di halaman perbandingan.