مشین لرننگ انٹرویو میں مجھے کن سوالات کی توقع کرنی چاہیے؟

مشین لرننگ انٹرویو کے سلسلے میں عموماً عام سافٹ ویئر انٹرویو سے زیادہ مراحل ہوتے ہیں، اور ہر مرحلہ ایک مختلف سطح کو جانچتا ہے۔ سطح کو سمجھنے سے آپ جان سکتے ہیں کہ انٹرویو لینے والا کس قسم کا جواب چاہتا ہے۔

• بنیادی تصورات۔ سیکھنے، عمومیت اور آپٹمائزیشن سے متعلق نظری سوالات۔ انٹرویو لینے والا یہ سننا چاہتا ہے کہ آپ سمجھتے ہیں کوئی تکنیک کیوں کام کرتی ہے، نہ کہ رٹی ہوئی تعریف۔
• جائزہ اور تجربہ کاری۔ میٹرک کا انتخاب، ویلیڈیشن کی حکمت عملی، آف لائن بمقابلہ آن لائن نتائج، اور یہ کہ آپ یہ ثابت کرنے کے لیے تجربہ کیسے ترتیب دیں گے کہ ماڈل سے فائدہ ہوا۔
• اطلاقی ماڈلنگ۔ فیچر انجینئرنگ، ڈیٹا لیکیج، کلاس کا عدم توازن اور حقیقی ڈیٹاسیٹ کے پیچیدہ حصے۔ یہ سوالات اکثر آپ کے اپنے کسی پروجیکٹ کے گرد تشکیل دیے جاتے ہیں۔
• ML سسٹم ڈیزائن۔ ماڈل کو ڈیٹا کیسے ملتا ہے، اسے کیسے ٹرین اور دوبارہ ٹرین کیا جاتا ہے، پیش گوئیاں کیسے فراہم کی جاتی ہیں، اور پروڈکشن میں اس کی کارکردگی گرنے کا آپ کو کیسے پتا چلے گا۔
• کوڈنگ۔ pandas یا سادہ Python کی مشق، کبھی کسی چھوٹے الگورتھم مثلاً k-means یا لاجسٹک ریگریشن کو ابتدا سے نافذ کرنا۔

رویے سے متعلق سوالات بھی آتے ہیں، اور ان پر بھی کسی دوسرے کردار جیسے اصول لاگو ہوتے ہیں؛ سوالاتی مجموعوں کا موضوع انہیں الگ سے بیان کرتا ہے۔

کمپنیوں کے درمیان الفاظ بدلتے ہیں، مگر بنیادی سوالات دہرائے جاتے ہیں۔ ان کی مشق اس وقت تک کریں جب تک وضاحت سادہ زبان میں بے ساختہ نہ نکلنے لگے۔

• بائس اور ویریئنس: آپ کیسے تشخیص کریں گے کہ ماڈل اوورفٹ ہو رہا ہے یا انڈرفٹ، اور سب سے پہلے کیا بدلیں گے؟ ریگولرائزیشن ماڈل کے ساتھ کیا کرتی ہے، اور آپ L2 کے بجائے L1 کب ترجیح دیں گے؟
• ویلیڈیشن: رینڈم ٹرین ٹیسٹ تقسیم ٹائم سیریز ڈیٹا پر گمراہ کن اسکور کیوں دے سکتی ہے؟ اسٹریٹیفائیڈ یا گروپڈ کراس ویلیڈیشن کب درکار ہوتی ہے؟
• میٹرکس: درستگی کب غلط میٹرک ہوتی ہے؟ کسی پروڈکٹ مینیجر کو پریسیژن، ریکال اور ROC کرو کی وضاحت کریں۔ فراڈ پکڑنے کے لیے آپ کون سا میٹرک بہتر بنائیں گے، اور اس کے ساتھ کس چیز کی نگرانی کریں گے؟
• ڈیٹا کے مسائل: ٹارگٹ لیکیج کیا ہے اور آپ نے اسے کیسے پکڑا؟ مصنوعی ڈیٹا بنائے بغیر کلاس کے شدید عدم توازن کو کیسے سنبھالتے ہیں؟ گم شدہ قدروں کو کیسے سنبھالتے ہیں تاکہ ماڈل حادثاتی طور پر ان کے غائب ہونے ہی سے نہ سیکھے؟
• ماڈلز: ٹیبلر ڈیٹا پر گریڈیئنٹ بوسٹڈ ٹری کب نیورل نیٹ ورک سے بہتر ہوتی ہے؟ ٹرانسفارمر میں اٹینشن میکانزم حقیقت میں کیا حساب لگاتا ہے؟ زیادہ کارڈینیلٹی والے کیٹیگوریکل فیچرز میں ایمبیڈنگز کیوں مدد دیتی ہیں؟
• آپٹمائزیشن: لرننگ ریٹ بہت زیادہ یا بہت کم ہو تو کیا ہوتا ہے؟ بیچ نارملائزیشن ٹریننگ کو آسان کیوں بناتی ہے؟
• سسٹم ڈیزائن: مارکیٹ پلیس کے لیے سفارشی نظام ڈیزائن کریں۔ تعیناتی کے بعد ڈیٹا ڈرفٹ کیسے پکڑیں گے؟ باسی پیش گوئیاں فراہم کیے بغیر ماڈل کو دوبارہ کیسے ٹرین کریں گے؟
• تجربہ کاری: آف لائن میٹرک بہتر ہوا مگر A/B ٹیسٹ میں فرق نہیں آیا؛ آپ کیا جانچیں گے؟

اگر آپ ان میں سے ہر سوال کا جواب اپنے کام کی ایک ٹھوس مثال سے دے سکتے ہیں تو آپ بنیادی تصورات کے مرحلے میں پوچھے جانے والے بیشتر سوالات کا احاطہ کر چکے ہیں۔

مواد جاننے کے باوجود ویڈیو کال پر اس کی وضاحت مانگے جانے پر اٹک جانا معمول کی بات ہے۔ یہ حصہ زبانی جوابات کی ساخت بنانے کا طریقہ دیتا ہے، اور مختصر خاکہ یہ ہے: تعریف، فیصلہ، مثال، حد۔

• تعریف کسی بھی فارمولے سے پہلے ایک جملے اور سادہ الفاظ میں دیں۔
• فیصلہ: اسے کب استعمال کریں گے اور اس کے بجائے کیا چنیں گے، کیونکہ انٹرویو لینے والے الفاظ نہیں بلکہ قوت فیصلہ جانچتے ہیں۔
• مثال کسی حقیقی پروجیکٹ سے دیں: ڈیٹاسیٹ، کیا خرابی ہوئی، آپ نے کیا بدلا اور کیا نتیجہ تبدیل ہوا۔
• حد: تکنیک کہاں ناکام ہوتی ہے؛ اس سے ظاہر ہوتا ہے کہ آپ اسے اتنا استعمال کر چکے ہیں کہ اس کی ناکامی بھی دیکھی ہے۔

مارکیٹ پلیس کمپنی میں ML کردار کے لیے انٹرویو دینے والی ڈیٹا سائنٹسٹ سے پوچھا جاتا ہے کہ اس کا رینکنگ ماڈل آف لائن بہت اچھا کیوں دکھائی دیا مگر A/B ٹیسٹ میں کچھ نہ کر سکا۔ وہ چار مراحل میں جواب دیتی ہے: آف لائن اور آن لائن فرق کیا ہوتے ہیں، لاگ شدہ ڈیٹا میں پوزیشن بائس نے اس کے معاملے میں یہ فرق کیوں پیدا کیا، اس نے کون سا کاؤنٹرفیکچوئل جائزہ شامل کیا، اور یہ احتیاط کہ نتیجہ صرف تب معتبر ہے جب لاگنگ کافی حد تک رینڈم ہو۔ یہ جواب ایک کامل اخذ سے زیادہ قیمتی ہے۔ زبانی جوابات کی مشق ہی وہ کام ہے جس کے لیے فرضی انٹرویو ٹول بنایا گیا ہے؛ یہ حقیقی انٹرویو لینے والے کی طرح ضمنی سوالات پوچھتا ہے۔

گفتگو والے مراحل میں، حدود کے اندر، ہاں۔ SubcueAI کی مقامی macOS اور Windows ڈیسک ٹاپ ایپ کال کی سسٹم آڈیو اور آپ کا مائیکروفون ریکارڈ کرتی ہے، Zoom، Google Meet یا Microsoft Teams پر انٹرویو لینے والے کا سوال سنتی ہے، اور ایک فلوٹنگ اوورلے میں مختصر تجویز کردہ ساخت دکھاتی ہے جو صرف آپ کی اسکرین پر موجود ہوتی ہے۔ Chrome یا Edge براؤزر ٹیب میں چلنے والی کالز کے لیے براؤزر ایکسٹینشن کا سائیڈ پینل صرف میٹنگ ٹیب کی آڈیو ریکارڈ کرتا ہے، لہٰذا یہ انٹرویو لینے والے کو سنتا ہے اور آپ کی گفتگو کبھی نقل نہیں کرتا۔ دونوں میں سے کوئی بھی بوٹ کی حیثیت سے کال میں شامل نہیں ہوتا اور نہ میٹنگ پیج میں کچھ داخل کرتا ہے۔ اگر آپ نے اپنا ریزیومے اپ لوڈ کیا ہے تو تجاویز آپ کے اپنے پروجیکٹس کا حوالہ دے سکتی ہیں، اور ML کے جوابات کو اصل اہمیت وہیں ملتی ہے۔

حدود وہی ہیں جو ہر تکنیکی انٹرویو پر لاگو ہوتی ہیں۔ نگرانی والی کوڈنگ اسکرین، ٹیک ہوم اسائنمنٹ یا کمپنی کے زیر انتظام ڈیوائس پر سیشن SubcueAI کے دائرۂ کار سے باہر ہے، اور مشترکہ اسکرین پر وائٹ بورڈ اخذ آپ ہی کا ہونا چاہیے، کیونکہ پوری اسکرین شیئر کرنے سے اوورلے سب کو دکھائی دے گا۔ SubcueAI کے بانی Aaron Cao نے اوورلے کو جوابات لکھوانے کے بجائے ساخت اور اصطلاحات کی یاد دہانی کے لیے بنایا، کیونکہ ML انٹرویو لینے والا ہر دعوے پر ضمنی سوال پوچھتا ہے اور مستعار جواب دوسرے سوال پر ہی بکھر جاتا ہے۔ دونوں طریقوں کی ترتیب ٹیوٹوریل صفحے پر ہے؛ ڈیسک ٹاپ ایپ اور ایکسٹینشن کے عملی فرق تقابلی صفحے پر بیان کیے گئے ہیں۔