วิธีทำสัมภาษณ์จำลองสำหรับ Data Scientist

กระบวนการสัมภาษณ์ของ data scientist แตกต่างกันไปตามแต่ละบริษัทมากกว่าตำแหน่ง analyst และการพยายามเตรียมตัวให้ครอบคลุมทุกความเป็นไปได้คือสาเหตุที่ทำให้ผู้สมัครหมดแรงก่อนถึงรอบสัมภาษณ์ onsite จริง ส่วนนี้จะตัดขอบเขตให้เหลือสี่รอบที่ครอบคลุมกระบวนการส่วนใหญ่ เพื่อให้เวลาที่ใช้ฝึกสัมภาษณ์จำลองของคุณตรงกับสัดส่วนที่เกิดขึ้นจริง

สี่รอบนั้นคือ บทสนทนาด้านสถิติและ Machine Learning เคสเกี่ยวกับการทดลองหรือตัวชี้วัด รอบเขียนโค้ดด้วย SQL และมักจะมี Python ร่วมด้วย และการเจาะลึกโปรเจกต์หนึ่งที่คุณเป็นผู้รับผิดชอบ ตำแหน่งที่เน้น product analytics จะให้น้ำหนักกับรอบเคสมากกว่า ส่วนตำแหน่งที่เน้น Machine Learning จะให้น้ำหนักกับคำถามด้าน modeling มากกว่า และบางครั้งอาจมีบทสนทนาเรื่องการออกแบบระบบ ML ด้วย อ่านรายละเอียดงานแล้วจัดสัดส่วนสัมภาษณ์จำลองของคุณให้สอดคล้องกัน

ในช่วงแรกให้ฝึกแต่ละรอบแยกกัน จากนั้นในสัปดาห์ก่อนสัมภาษณ์จริงให้ฝึกรวมเป็นกระบวนการเต็มรูปแบบ หน้า สัมภาษณ์จำลอง อธิบายวิธีการฝึกเซสชันแบบจับเวลาร่วมกับผู้สัมภาษณ์ AI ที่ถามคำถามต่อเนื่อง

สาเหตุที่ทำให้พลาดตรงนี้ไม่ใช่เพราะขาดความรู้ แต่เป็นเพราะอธิบายสิ่งที่รู้อยู่แล้วได้ไม่ดีเมื่อถูกจับตามอง ให้ฝึกพูดออกเสียงชุดคำถามมาตรฐาน แต่ละข้อในสองระดับความลึก ระดับแรกคือประโยคภาษาง่าย ๆ ที่ product manager ก็ตามทันได้ ระดับที่สองคือเวอร์ชันเชิงเทคนิคที่ระบุสมมติฐานอย่างชัดเจน

• p-value คืออะไรและไม่ใช่อะไร และอำนาจการทดสอบให้ประโยชน์อะไรกับคุณ
• การแลกเปลี่ยนระหว่าง bias กับ variance และ regularization ช่วยปรับสมดุลระหว่างสองสิ่งนี้อย่างไร
• กรณีไหนที่ precision สำคัญกว่า recall พร้อมตัวอย่างที่ชัดเจน
• ทำไมโมเดลที่ได้คะแนนดีตอนทดสอบแบบ offline ถึงยังล้มเหลวได้เมื่อใช้งานจริงใน production
• Overfitting คุณตรวจจับมันอย่างไร และเมื่อพบแล้วต้องปรับอะไรบ้าง

การฝึกสองระดับความลึกนี้สำคัญ เพราะผู้สัมภาษณ์ตัวจริงมักถามคำถามเดียวกันทั้งสองแบบ และการสลับระดับการอธิบายได้อย่างลื่นไหลนี่แหละที่สะท้อนถึงความอาวุโสในสายงาน

รอบเคสจะให้การเปลี่ยนแปลงผลิตภัณฑ์มาหนึ่งอย่าง แล้วให้คุณออกแบบการทดสอบ ให้ฝึกตามโครงสร้างคงที่นี้ เลือกตัวชี้วัดความสำเร็จและตัวหารของมัน เลือกหน่วยการสุ่ม ระบุตัวชี้วัดป้องกันความเสี่ยง ประเมินขนาดของการทดสอบคร่าว ๆ โดยคำนึงถึงอำนาจการทดสอบ และระบุกฎการตัดสินใจก่อนที่ข้อมูลจะมาถึง จากนั้นให้ระบุกับดักคลาสสิก ได้แก่ การแอบดูผลลัพธ์เร็วเกินไป หน่วยการสุ่มที่ไม่ตรงกัน ผลกระทบจากความแปลกใหม่ และการรบกวนกันระหว่างกลุ่มทดลอง

ตัวอย่างการฝึกที่เป็นรูปธรรม: data scientist ที่กำลังเตรียมตัวสำหรับตำแหน่งใน marketplace ให้เวลาตัวเอง 15 นาที เพื่อตัดสินใจว่าควรปล่อยอัลกอริทึมการจัดอันดับใหม่หรือไม่ พูดออกเสียงไล่ตามโครงสร้างทั้งหมด แล้วสุดท้ายตรวจสอบเพียงเรื่องเดียว คือหน่วยการสุ่มที่เลือกไว้จะยังทนต่อการที่ผู้ซื้อและผู้ขายมีปฏิสัมพันธ์กันได้หรือไม่ การตรวจสอบจุดเดียวนี้แหละที่ตัดสินแพ้ชนะของเคสแบบ marketplace และการฝึกซ้อมคือสิ่งที่ทำให้มันกลายเป็นสัญชาตญาณ

โจทย์เคสเพิ่มเติมและชุดคำถามเฉพาะตำแหน่งงานถูกรวบรวมไว้ที่ question banks hub

สัมภาษณ์จำลองที่ไม่มีฟีดแบ็กเป็นลายลักษณ์อักษรจะจางหายไปภายในวันเดียว ให้จบทุกเซสชันด้วยสามบรรทัด สิ่งที่ทำได้ดี สิ่งที่ติดขัด และคำถามหนึ่งข้อที่จะลองใหม่ในครั้งหน้า เริ่มเซสชันถัดไปด้วยคำถามข้อนั้น หลังจากฝึกไปห้าหกเซสชัน สิ่งเหล่านี้จะค่อย ๆ ชี้ไปที่จุดอ่อนที่แท้จริงของคุณ ซึ่งนั่นคือจุดประสงค์ทั้งหมดของการฝึกสัมภาษณ์จำลองแทนที่จะแค่อ่านเฉย ๆ

สำหรับการเจาะลึกโปรเจกต์ ให้ฝึกโปรเจกต์เดียวในสามระดับความลึก สรุป 2 นาที อธิบายละเอียด 10 นาที และการซักถามอย่างเข้มข้น 30 นาทีที่ทุกการตัดสินใจจะถูกโต้แย้ง ผู้สัมภาษณ์จะขุดลึกไปเรื่อย ๆ จนกว่าจะเจอขอบเขตความรับผิดชอบที่แท้จริงของคุณ การรู้ว่าขอบเขตนั้นอยู่ตรงไหนก่อนที่พวกเขาจะเจอจะช่วยให้คุณสงบนิ่งตลอดรอบนี้ หน้า mock interviews hub อธิบายว่าเซสชันแบบเต็มและฟีดแบ็กที่สร้างอัตโนมัติมีหน้าตาเป็นอย่างไร