สัมภาษณ์ Data Engineer ที่ Anthropic: ขั้นตอนและการเตรียมตัว

คุณได้รับคำเชิญสัมภาษณ์จาก Anthropic และอยากรู้ว่าแต่ละขั้นตอนมีอะไรบ้างและมีกฎอะไร ส่วนนี้แยกสิ่งที่ Anthropic ระบุเกี่ยวกับการสัมภาษณ์ของตนเองออกจากแนวปฏิบัติทั่วไปของตำแหน่งวิศวกรข้อมูล กฎมาก่อน เพราะกฎกำหนดว่าคุณควรเตรียมตัวอย่างไร

Anthropic เผยแพร่แนวทางการสัมภาษณ์ที่ใช้กับทุกตำแหน่ง แทนที่จะมีขั้นตอนแยกสำหรับแต่ละตำแหน่ง สิ่งที่ระบุไว้คือ

• ใบสมัคร ผู้สมัครควรเขียนร่างแรกของใบสมัครด้วยตัวเอง และสามารถใช้ Claude ช่วยปรับปรุงได้
• รูปแบบ การสัมภาษณ์ทั้งหมดทำผ่าน Google Meet และ Anthropic สามารถรองรับเขตเวลาที่หลากหลายได้
• Live coding สำหรับตำแหน่งด้านเทคนิค Anthropic ใช้เครื่องมือ live coding เช่น Colab และ CodeSignal ผู้สมัครสามารถค้นหาข้อมูลได้ แต่ควรคล่องไวยากรณ์พื้นฐานและไลบรารีมาตรฐาน
• งานที่ทำที่บ้าน ทำโดยไม่ใช้ Claude เว้นแต่ Anthropic จะระบุเป็นอย่างอื่น
• การใช้ AI ช่วยในการสัมภาษณ์สด ไม่อนุญาต เว้นแต่จะระบุไว้เป็นอย่างอื่น เพราะ Anthropic ต้องการเห็นว่าผู้สมัครคิดแก้ปัญหาอย่างไรแบบเรียลไทม์

Anthropic ไม่ได้เผยแพร่ขั้นตอนทีละรอบสำหรับ data engineer ไม่มีชื่อรอบ ไม่มีจำนวนการสัมภาษณ์ และไม่มีลำดับตายตัว ควรถามผู้รับสมัครงานว่าแต่ละการสนทนาครอบคลุมหัวข้อใด แต่ละรอบใช้เครื่องมือเขียนโค้ดอะไร และงานที่ทำที่บ้านเป็นส่วนหนึ่งของกระบวนการของคุณหรือไม่

เพื่อการวางแผน ขั้นตอนด้านล่างเป็นหมวดหมู่การเตรียมตัวทั่วไปสำหรับตำแหน่งวิศวกรข้อมูล ไม่ใช่ชื่อรอบของ Anthropic

• การสนทนากับผู้รับสมัครงาน ประวัติของคุณ แรงจูงใจ ทีม และการนัดหมาย
• การคัดกรองด้านเทคนิค มักเป็น SQL และ Python ในสภาพแวดล้อม live coding มักมีคำถามเกี่ยวกับ pipeline ที่คุณเคยดูแล
• การสนทนากับผู้จัดการ ระบบที่คุณเคยรับผิดชอบ วิธีรับมือเมื่อเกิดข้อผิดพลาด และวิธีทำงานกับผู้ใช้ข้อมูลของคุณ
• การสัมภาษณ์เทคนิคเชิงลึก การออกแบบโมเดลข้อมูล การออกแบบ pipeline และระบบ และ SQL ที่ยากขึ้น
• การสนทนาด้านพฤติกรรมและแรงจูงใจ วิธีที่คุณทำงานกับผู้อื่น และเหตุผลที่คุณอยากทำงานนี้โดยเฉพาะ

โพสต์บน Reddit และ Glassdoor บรรยายขั้นตอนของแต่ละคน เรื่องเล่าของผู้สมัครบางส่วนระบุว่าคำถาม SQL เริ่มจากการออกแบบ schema เอง แทนที่จะ query จาก schema ที่ให้มา ควรมองแต่ละโพสต์เป็นประสบการณ์ของผู้สมัครหนึ่งคนในหนึ่งทีม ไม่ใช่วิธีที่ Anthropic สัมภาษณ์ data engineer ทุกคน

ข้อความที่ชัดเจนที่สุดของ Anthropic เรื่องการประเมินคือเหตุผลที่ไม่อนุญาตให้ใช้ AI ช่วยในการสัมภาษณ์สด คือต้องการเห็นว่าผู้สมัครคิดแก้ปัญหาอย่างไรแบบเรียลไทม์ สำหรับ data engineer นั่นทำให้ทุกคำถามด้านเทคนิคเป็นการทดสอบการให้เหตุผลที่มองเห็นได้ หัวข้อด้านล่างเป็นแนวปฏิบัติทั่วไปของตำแหน่งนี้ และตัวอย่างคำถามในหน้านี้เป็นโจทย์ฝึก ไม่ใช่คำถามที่ Anthropic ยืนยันว่าถามจริง

• SQL และการออกแบบ schema join ที่ไม่ทำให้แถวเพิ่มซ้ำ window function การกำจัดข้อมูลซ้ำ และลำดับต่อเนื่องหรือ session ในข้อมูลเหตุการณ์ เตรียมพร้อมออกแบบตารางก่อน query และอธิบาย grain ของแต่ละตาราง
• Python สำหรับข้อมูล การ parse แปลง และรวมข้อมูลด้วยโค้ดที่อ่านง่าย เนื่องจาก Anthropic ต้องการให้คล่องไวยากรณ์พื้นฐานและไลบรารีมาตรฐาน จึงควรฝึกแก้โจทย์โดยใช้เฉพาะไลบรารีมาตรฐาน เผื่อแพ็กเกจที่คุณคุ้นเคยไม่อยู่ในโจทย์
• การออกแบบโมเดลข้อมูล fact เทียบกับ dimension แอตทริบิวต์ที่เปลี่ยนตามเวลา และตารางที่นักวิเคราะห์และนักวิจัยสามารถ query ได้โดยไม่เจอกับดัก
• การออกแบบ pipeline และระบบ batch เทียบกับ streaming การเขียนแบบ idempotent backfill ข้อมูลที่มาช้า การเปลี่ยน schema และการตรวจสอบคุณภาพข้อมูล พร้อมคำถามต่อเนื่องที่เปลี่ยนข้อกำหนดกลางคัน
• วิจารณญาณด้านพฤติกรรม การรับผิดชอบต่อข้อผิดพลาด ความเห็นไม่ตรงกันเรื่องนิยามตัวชี้วัด และการชั่งน้ำหนักระหว่างความเร็วกับความถูกต้อง
• แรงจูงใจ ทำไมถึงเป็นบริษัทนี้ และงานข้อมูลแบบนี้ คำตอบที่เฉพาะเจาะจงซึ่งเชื่อมกับงานที่คุณเคยทำมีน้ำหนักมากกว่าความกระตือรือร้นทั่วไป

คุณไม่จำเป็นต้องนำเสนอตัวเองเป็นผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิง Anthropic บอกว่าพนักงานด้านเทคนิคประมาณครึ่งหนึ่งไม่เคยมีประสบการณ์ ML มาก่อน ดังนั้นพื้นฐานข้อมูลที่แข็งแรงมีประโยชน์กับ data engineer มากกว่าศัพท์ ML ที่ปกป้องไม่ได้เมื่อถูกถามต่อ อย่างไรก็ตาม ควรตรวจสอบประกาศรับสมัครงาน เพราะบางทีมอาจยังต้องการประสบการณ์ที่เกี่ยวข้อง โจทย์ฝึกเพิ่มเติมที่จัดกลุ่มตามทักษะอยู่ในคลังคำถาม

Anthropic ไม่ได้เผยแพร่ความแตกต่างรายตำแหน่ง การเปรียบเทียบตำแหน่งด้านล่างจึงเป็นแนวปฏิบัติทั่วไปของวิศวกรรมข้อมูล

• เมื่อเทียบกับวิศวกรซอฟต์แวร์ เน้นปริศนาอัลกอริทึมน้อยกว่า เน้น SQL การออกแบบโมเดลข้อมูล และความเชื่อถือได้ของ pipeline มากกว่า คำถามออกแบบเน้นที่ข้อมูลเคลื่อนที่ ลงปลายทาง และถูกแก้ไขอย่างไร ไม่ใช่บริการที่ตอบสนองคำขอ
• เมื่อเทียบกับวิทยาศาสตร์ข้อมูล สถิติและการออกแบบการทดลองน้อยกว่า เน้นการสร้างตารางที่นักวิเคราะห์และนักวิจัยพึ่งพามากกว่า คุณอาจยังถูกถามว่าตัวชี้วัดถูกนิยามอย่างไร เพราะ data engineer มักเป็นเจ้าของตารางที่อยู่เบื้องหลัง
• เมื่อเทียบกับ analytics engineer เส้นแบ่งค่อนข้างเลือน ตำแหน่ง analytics เอนไปทางการออกแบบโมเดลและ SQL สำหรับรายงาน ตำแหน่ง data engineer ลึกลงไปถึงการนำเข้าข้อมูล การประมวลผลแบบกระจาย และโครงสร้างพื้นฐาน

เมื่อเทียบกับบริษัทอื่น กฎบางข้อที่ Anthropic ระบุไว้เปลี่ยนวิธีเตรียมตัวของคุณ นโยบาย AI ชัดเจน คือไม่มี AI ช่วยในการสัมภาษณ์สด และไม่ใช้ Claude กับงานที่ทำที่บ้าน เว้นแต่ Anthropic จะบอกเป็นอย่างอื่น อนุญาตให้ค้นหาข้อมูลระหว่าง live coding ดังนั้นการทดสอบไม่ได้เน้นไวยากรณ์ที่ท่องจำ แต่เน้นวิธีที่คุณให้เหตุผลและความเร็วในการหาสิ่งที่ต้องการ และทุกการสัมภาษณ์ทำผ่าน Google Meet จึงไม่มีวันไปสัมภาษณ์ที่สำนักงานที่ต้องวางแผนเดินทาง คู่มือเกี่ยวกับวิธีที่บริษัทอื่นจัดขั้นตอนอยู่ในการสัมภาษณ์ตามบริษัท

Anthropic ไม่ได้เผยแพร่ไทม์ไลน์การจ้าง data engineer การนัดหมายขึ้นอยู่กับทีม ระดับของคุณ และความพร้อมของผู้สัมภาษณ์ Anthropic บอกว่ารองรับเขตเวลาที่หลากหลายได้ ซึ่งช่วยหากคุณสัมภาษณ์จากนอกภูมิภาคของทีม ผู้รับสมัครงานคือคนที่ควรถามว่าจะมีกี่การสนทนาและปกติใช้เวลาตัดสินใจนานเท่าไร

ความยากอธิบายเชิงคุณภาพได้ง่ายกว่า การค้นหาข้อมูลได้ช่วยลดแรงกดดันในการท่องไวยากรณ์ แต่ยกมาตรฐานในด้านอื่น ผู้สัมภาษณ์ที่ให้คุณเปิดเอกสารกำลังดูวิธีที่คุณให้เหตุผล ไม่ใช่ว่าคุณจำลายเซ็นของฟังก์ชันได้หรือไม่ เมื่อไม่มี AI ช่วย คุณต้องสร้างแนวทาง โค้ด และการตรวจสอบด้วยตัวเอง พร้อมพูดออกเสียง

ส่วนที่ยากสำหรับผู้สมัครส่วนใหญ่คือความลึกเมื่อถูกถามต่อ คุณออกแบบ pipeline จากนั้นผู้สัมภาษณ์เพิ่มข้อมูลที่มาช้า แล้วเพิ่มการเปลี่ยน schema แล้วถามว่าคุณจะรู้ได้อย่างไรว่าผลลัพธ์ผิด ผู้สมัครที่เคยดูแล pipeline บน production มักรับมือกับการเปลี่ยนแปลงนี้ได้ดีกว่าผู้ที่เคยแต่สร้าง

ผู้สมัครระดับอาวุโสควรคาดหวังน้ำหนักด้านวิจารณญาณมากขึ้น เช่น การเลือกสิ่งที่ไม่ควรสร้าง การอธิบายการแลกเปลี่ยนให้คู่งานที่ไม่ใช่สายเทคนิค และการยอมรับความผิดพลาดในอดีต

วางการเตรียมตัวรอบเงื่อนไขที่ Anthropic ระบุไว้ เพราะการฝึกภายใต้เงื่อนไขอื่นจะสร้างนิสัยที่ผิด

• ฝึกโดยไม่ใช้ AI ทำทุกโจทย์ฝึกโดยไม่มีผู้ช่วย เพราะการสัมภาษณ์สดไม่อนุญาต เว้นแต่จะระบุไว้เป็นอย่างอื่น การเปิดเอกสารทำได้ แต่คำตอบที่ AI สร้างขึ้นทำไม่ได้
• ฝึกในเครื่องมือที่คล้ายกัน ทำงานในโน้ตบุ๊กบนเบราว์เซอร์และตัวแก้ไขโค้ดออนไลน์เพื่อให้สภาพแวดล้อมคุ้นเคย ให้ไวยากรณ์พื้นฐานและไลบรารีมาตรฐานอยู่ปลายนิ้ว และฝึกหาคำตอบในเอกสารทางการให้เร็ว
• SQL ออกแบบ schema ก่อน ในแต่ละโจทย์ฝึก ให้ออกแบบตารางก่อนเขียน query และพูดออกเสียงถึง grain ของแต่ละผลลัพธ์ก่อนรัน
• การออกแบบโมเดลและ pipeline ร่าง pipeline สำหรับโดเมนที่คุณรู้จัก แล้วทดสอบความทนทาน เช่น รันซ้ำหลังล้มเหลวบางส่วน backfill แบตช์ที่มาช้า คอลัมน์ที่ถูกเปลี่ยนชื่อ
• คิดออกเสียง บันทึกเสียงตัวเองขณะแก้โจทย์ และฟังช่วงที่เงียบ การให้เหตุผลแบบเรียลไทม์คือสิ่งที่ Anthropic บอกว่าต้องการเห็น
• งานที่ทำที่บ้าน หากได้รับมอบหมาย ทำให้เสร็จโดยไม่ใช้ Claude เว้นแต่จะมีคำสั่งเป็นอย่างอื่น เพิ่มการทดสอบ README สั้น ๆ ที่ระบุสมมติฐานของคุณ และการจัดการอินพุตที่ไม่ดีอย่างชัดเจน
• พฤติกรรมและแรงจูงใจ เตรียมกรณี pipeline ล้มเหลวที่คุณรับผิดชอบ ความเห็นไม่ตรงกันเรื่องนิยามตัวชี้วัด และเหตุผลเฉพาะที่ทำให้คุณสนใจงานนี้

ลองนึกถึง data engineer ที่สร้างตารางคลังข้อมูลมาหลายปีโดยเปิดผู้ช่วย AI ไว้ในตัวแก้ไขตลอด ก่อนถึงรอบคัดกรอง เขาปิดมันในทุกรอบการฝึก และแก้โจทย์ SQL และ Python โดยใช้เพียงเอกสาร พร้อมเล่าทุกขั้นตอน รอบแรก ๆ รู้สึกช้า แต่พอถึงวันสัมภาษณ์ เขาสามารถให้เหตุผลออกเสียงได้โดยไม่ต้องรอคำแนะนำ

เครื่องมือฝึกเหมาะกับการฝึก หน้าสัมภาษณ์จำลองของ SubcueAI ให้คุณซ้อมตอบคำถามวิศวกรรมข้อมูลออกเสียงล่วงหน้า ส่วนในการสัมภาษณ์สดจริง ให้ทำตามกฎของ Anthropic คือไม่ใช้ AI ช่วย เว้นแต่จะระบุไว้เป็นอย่างอื่น