Як Провести Пробну Співбесіду для Data Scientist

Процеси співбесід для data scientist відрізняються між компаніями сильніше, ніж для аналітиків, і готуватися до об'єднання всього і одразу — це спосіб, яким кандидати вигорають ще до onsite. Цей розділ зводить усе до чотирьох раундів, які охоплюють більшість процесів, тож ваш час на пробні співбесіди відповідає реальному розподілу.

Ці чотири: розмова зі статистики та машинного навчання, кейс з експерименту або метрик, раунд кодування на SQL і часто на Python, і глибокий розбір одного проєкту, за який ви відповідаєте. Ролі з великим акцентом на продуктову аналітику надають більшої ваги раунду з кейсом; ролі з великим акцентом на ML надають більшої ваги питанням з моделювання і іноді розмові про дизайн ML-систем. Прочитайте опис вакансії і розставте акценти у своїй пробній співбесіді так само.

Спочатку проводьте раунди окремо, а за тиждень до співбесід — як один повний процес; сторінка пробна співбесіда розповідає, як проводити сесії з таймером із AI-інтерв'юером, який ставить уточнювальні запитання.

Тут типова помилка — не брак знань, а погане пояснення відомих речей під наглядом. Відпрацюйте стандартний набір питань уголос, кожне на двох рівнях глибини: одне речення простою мовою, яке зрозуміє product manager, а потім технічну версію з названими припущеннями.

• Що таке p-значення, а що ні, і що дає статистична потужність.
• Bias проти variance, і як regularization балансує між ними.
• Коли precision важливіша за recall, на конкретному прикладі.
• Чому модель, яка добре показує себе offline, усе одно може підвести в production.
• Overfitting: як ви його виявляєте і що змінюєте, коли знаходите.

Вправа на двох рівнях глибини важлива, бо справжні інтерв'юери ставлять те саме питання обома способами, і плавний перехід між рівнями сприймається як ознака досвіду.

Раунд із кейсом дає вам зміну в продукті і просить розробити тест. Відпрацюйте стійкий каркас: оберіть метрику успіху та її знаменник, оберіть одиницю рандомізації, назвіть guardrail-метрики, приблизно оцініть розмір тесту з урахуванням потужності, і сформулюйте правило прийняття рішення ще до появи будь-яких даних. Далі назвіть класичні пастки: заглядання в дані завчасно, невідповідні одиниці рандомізації, ефекти новизни (novelty) та інтерференцію між варіантами.

Конкретний приклад: data scientist, яка готується до ролі в компанії типу marketplace, дає собі 15 хвилин на рішення, чи варто випускати новий алгоритм ранжування, вголос проходить каркас, а потім перевіряє одну річ: чи витримує її одиниця рандомізації, коли покупці й продавці взаємодіють між собою. Саме ця одна перевірка вирішує, виграні чи програні кейси marketplace, і саме практика робить це автоматичним.

Більше прикладів кейсів і наборів питань під конкретні ролі зібрано в хабі баз питань.

Пробна співбесіда без письмового фідбеку зникає з пам'яті за день. Завершуйте кожну сесію трьома пунктами: що вдалося, що застопорилося, і одне питання, яке варто повторити наступного разу. Починайте наступну сесію саме з цього питання. Упродовж п'яти-шести сесій це збігається до ваших реальних слабких місць, і саме в цьому весь сенс пробних співбесід, а не простого читання.

Для глибокого розбору проєкту відпрацюйте один проєкт на трьох рівнях глибини: 2-хвилинний підсумок, 10-хвилинний детальний виклад і 30-хвилинний допит із запереченнями щодо кожного рішення. Інтерв'юери копають, поки не знайдуть межу вашої відповідальності (ownership); знання, де ця межа, ще до того, як її знайдуть вони, тримає раунд спокійним. Як виглядають повні сесії та згенерований фідбек, описано в хабі пробних співбесід.