Anthropic میں ڈیٹا انجینئر انٹرویو: عمل اور تیاری

آپ کو Anthropic کی طرف سے انٹرویو کی دعوت ملی ہے اور آپ جاننا چاہتے ہیں کہ مراحل میں کیا ہوتا ہے اور اصول کیا ہیں۔ یہ حصہ اس بات کو الگ کرتا ہے جو Anthropic اپنے انٹرویوز کے بارے میں بیان کرتا ہے اور اس چیز کو جو ڈیٹا انجینئرنگ کے کرداروں میں عمومی طریقہ ہے۔ اصول پہلے آتے ہیں، کیونکہ وہی طے کرتے ہیں کہ آپ کو کیسے تیاری کرنی چاہیے۔

Anthropic ہر کردار کے لیے الگ عمل کے بجائے ایسی انٹرویو رہنمائی شائع کرتا ہے جو تمام کرداروں پر لاگو ہوتی ہے۔ وہ جو بیان کرتا ہے:

• درخواست۔ امیدواروں کو اپنی درخواست کا پہلا مسودہ خود لکھنا چاہیے اور وہ اسے بہتر بنانے کے لیے Claude استعمال کر سکتے ہیں۔
• فارمیٹ۔ تمام انٹرویوز Google Meet پر ہوتے ہیں، اور Anthropic مختلف ٹائم زونز کے مطابق ڈھل سکتا ہے۔
• لائیو کوڈنگ۔ تکنیکی کرداروں کے لیے Anthropic Colab اور CodeSignal جیسے لائیو کوڈنگ ٹولز استعمال کرتا ہے۔ امیدوار چیزیں دیکھ سکتے ہیں لیکن بنیادی نحو اور معیاری لائبریریوں سے آرام دہ ہونا چاہیے۔
• گھر لے جانے والے جائزے۔ یہ Claude کے بغیر مکمل کیے جاتے ہیں جب تک کہ Anthropic بصورت دیگر نہ بتائے۔
• لائیو انٹرویوز میں AI کی مدد۔ اجازت نہیں جب تک بصورت دیگر نہ بتایا جائے، کیونکہ Anthropic دیکھنا چاہتا ہے کہ امیدوار حقیقی وقت میں مسائل پر کیسے سوچتے ہیں۔

Anthropic ڈیٹا انجینئرز کے لیے مرحلہ وار عمل شائع نہیں کرتا: نہ راؤنڈز کے نام، نہ انٹرویوز کی تعداد، نہ مقررہ ترتیب۔ اپنے ریکروٹر سے پوچھیں کہ ہر گفتگو کن شعبوں کا احاطہ کرتی ہے، ہر سیشن کون سا کوڈنگ ٹول استعمال کرتا ہے، اور کیا آپ کے عمل میں گھر لے جانے والا جائزہ شامل ہے۔

منصوبہ بندی کے لیے، نیچے دیے گئے مراحل ڈیٹا انجینئرنگ کے کرداروں کے لیے تیاری کی عمومی اقسام ہیں، Anthropic کے راؤنڈز کے نام نہیں:

• ریکروٹر سے گفتگو۔ آپ کا پس منظر، محرک، ٹیم اور شیڈولنگ۔
• تکنیکی اسکرین۔ عموماً لائیو کوڈنگ ماحول میں SQL اور Python، اکثر اس پائپ لائن کے بارے میں سوالات کے ساتھ جو آپ نے چلائی ہو۔
• مینیجر سے گفتگو۔ وہ سسٹمز جن کے آپ مالک رہے، آپ نے ناکامیوں کو کیسے سنبھالا، اور آپ اپنا ڈیٹا استعمال کرنے والوں کے ساتھ کیسے کام کرتے ہیں۔
• گہرے تکنیکی انٹرویوز۔ ڈیٹا ماڈلنگ، پائپ لائن اور سسٹم ڈیزائن، اور مشکل SQL۔
• رویے اور محرک کی گفتگو۔ آپ دوسروں کے ساتھ کیسے کام کرتے ہیں اور آپ یہی کام کیوں چاہتے ہیں۔

Reddit اور Glassdoor کی پوسٹس انفرادی راؤنڈز بیان کرتی ہیں۔ کچھ امیدواروں کے بیانات ایسے SQL سوالات بتاتے ہیں جو دیے گئے اسکیما پر کوئری کرنے کے بجائے اپنا اسکیما ڈیزائن کرنے سے شروع ہوتے ہیں۔ ہر پوسٹ کو ایک ٹیم میں ایک امیدوار کا تجربہ سمجھیں، نہ کہ اس بات کا ثبوت کہ Anthropic ہر ڈیٹا انجینئر کا انٹرویو کیسے لیتا ہے۔

جانچ کے بارے میں Anthropic کا سب سے واضح بیان یہ ہے کہ وہ لائیو انٹرویوز میں AI کی مدد کی اجازت کیوں نہیں دیتا: وہ دیکھنا چاہتا ہے کہ امیدوار حقیقی وقت میں مسائل پر کیسے سوچتے ہیں۔ ڈیٹا انجینئر کے لیے اس کا مطلب ہے کہ ہر تکنیکی سوال نظر آنے والی سوچ کا امتحان بن جاتا ہے۔ نیچے دیے گئے شعبے اس کردار کا عمومی طریقہ ہیں، اور اس صفحے پر نمونہ سوالات مشقی سوالات ہیں، وہ سوالات نہیں جن کے پوچھے جانے کی Anthropic نے تصدیق کی ہو۔

• SQL اور اسکیما ڈیزائن۔ ایسے جوائنز جو قطاروں کو دگنا نہ کریں، ونڈو فنکشنز، ڈپلیکیٹ ہٹانا، اور ایونٹ ڈیٹا میں تسلسل یا سیشنز۔ کوئری کرنے سے پہلے ٹیبلز ڈیزائن کرنے اور ہر ایک کی گرین (grain) بیان کرنے کے لیے تیار رہیں۔
• ڈیٹا کے لیے Python۔ واضح کوڈ کے ساتھ ریکارڈز کو پارس، تبدیل اور اکٹھا کرنا۔ چونکہ Anthropic بنیادی نحو اور معیاری لائبریریوں سے آرام دہ ہونے کا کہتا ہے، اس لیے صرف معیاری لائبریری سے مسائل حل کرنے کی مشق کریں، اس صورت میں کہ آپ کے معمول کے پیکجز مشق کا حصہ نہ ہوں۔
• ڈیٹا ماڈلنگ۔ فیکٹس بمقابلہ ڈائمینشنز، وقت کے ساتھ بدلنے والی خصوصیات، اور ایسے ٹیبلز جن پر تجزیہ کار اور محققین بغیر جالوں کے کوئری کر سکیں۔
• پائپ لائن اور سسٹم ڈیزائن۔ بیچ بمقابلہ اسٹریمنگ، آئیڈیمپوٹنٹ رائٹس، بیک فلز، دیر سے آنے والا ڈیٹا، اسکیما تبدیلیاں اور ڈیٹا کوالٹی چیکس، ایسے فالو اپ سوالات کے ساتھ جو درمیان میں تقاضے بدل دیتے ہیں۔
• رویے کا فیصلہ۔ ناکامیوں کی ذمہ داری، میٹرک کی تعریفوں پر اختلافات، اور رفتار اور درستی کے درمیان سمجھوتے۔
• محرک۔ یہ کمپنی اور اس قسم کا ڈیٹا کام ہی کیوں۔ آپ کے کیے ہوئے کام سے جڑا ہوا مخصوص جواب عمومی جوش سے زیادہ وزن رکھتا ہے۔

آپ کو مشین لرننگ کے ماہر کے طور پر خود کو پیش کرنے کی ضرورت نہیں۔ Anthropic کہتا ہے کہ اس کے تقریباً نصف تکنیکی عملے کا پہلے ML کا کوئی تجربہ نہیں تھا، اس لیے مضبوط ڈیٹا بنیادیں ڈیٹا انجینئر کے لیے اس ML الفاظ سے بہتر ہیں جن کا وہ فالو اپ سوالات میں دفاع نہ کر سکے۔ پھر بھی ملازمت کا اشتہار دیکھ لیں، کیونکہ کوئی مخصوص ٹیم متعلقہ تجربہ مانگ سکتی ہے۔ مہارت کے لحاظ سے گروپ کیے گئے مزید مشقی سوالات سوالات کے بینکوں میں ہیں۔

Anthropic کردار بہ کردار فرق شائع نہیں کرتا، اس لیے نیچے کرداروں کا موازنہ ڈیٹا انجینئرنگ کے عمومی طریقے پر مبنی ہے۔

• سافٹ ویئر انجینئرنگ کے مقابلے میں۔ الگورتھم کی پہیلیوں پر کم زور، SQL، ڈیٹا ماڈلنگ اور پائپ لائن کی قابل اعتمادی پر زیادہ۔ ڈیزائن کے سوالات اس پر مرکوز ہوتے ہیں کہ ڈیٹا کیسے حرکت کرتا ہے، پہنچتا ہے اور درست کیا جاتا ہے، نہ کہ درخواستیں پوری کرنے والی سروسز پر۔
• ڈیٹا سائنس کے مقابلے میں۔ شماریات اور تجربات کے ڈیزائن پر کم، ان ٹیبلز کی تعمیر پر زیادہ جن پر تجزیہ کار اور محققین انحصار کرتے ہیں۔ پھر بھی آپ سے پوچھا جا سکتا ہے کہ کوئی میٹرک کیسے متعین ہے، کیونکہ ڈیٹا انجینئر اکثر اس کے پیچھے موجود ٹیبل کا مالک ہوتا ہے۔
• اینالیٹکس انجینئرنگ کے مقابلے میں۔ حد دھندلی ہے۔ اینالیٹکس کے کردار رپورٹنگ کے لیے ماڈلنگ اور SQL کی طرف جھکتے ہیں؛ ڈیٹا انجینئر کے کردار انجیشن، تقسیم شدہ پروسیسنگ اور انفراسٹرکچر میں زیادہ گہرائی میں جاتے ہیں۔

دوسری کمپنیوں کے مقابلے میں، Anthropic کے چند بیان کردہ اصول آپ کی تیاری بدل دیتے ہیں۔ اس کی AI پالیسی واضح ہے: لائیو انٹرویوز میں کوئی AI مدد نہیں اور گھر لے جانے والے جائزوں میں کوئی Claude نہیں جب تک Anthropic بصورت دیگر نہ کہے۔ لائیو کوڈنگ کے دوران چیزیں دیکھنے کی اجازت ہے، اس لیے امتحان رٹی ہوئی نحو سے کم اور اس سے زیادہ متعلق ہے کہ آپ کیسے سوچتے ہیں اور اپنی ضرورت کی چیز کتنی جلدی ڈھونڈتے ہیں۔ اور ہر انٹرویو Google Meet پر ہوتا ہے، اس لیے کوئی آن سائٹ دن نہیں جس کے گرد سفر کی منصوبہ بندی کرنی پڑے۔ دوسری کمپنیاں اپنے انٹرویو کیسے ترتیب دیتی ہیں، اس کی رہنمائی کمپنی انٹرویوز کے تحت ہے۔

Anthropic ڈیٹا انجینئر بھرتی کا کوئی ٹائم لائن شائع نہیں کرتا۔ شیڈولنگ ٹیم، آپ کی سطح اور انٹرویو لینے والوں کی دستیابی پر منحصر ہے؛ Anthropic کہتا ہے کہ وہ مختلف ٹائم زونز کے مطابق ڈھل سکتا ہے، جو اس صورت میں مددگار ہے جب آپ ٹیم کے خطے سے باہر سے انٹرویو دے رہے ہوں۔ آپ کا ریکروٹر وہ شخص ہے جس سے پوچھا جائے کہ کتنی گفتگوؤں کی توقع رکھیں اور فیصلے عموماً کتنا وقت لیتے ہیں۔

مشکل کو معیاری طور پر بیان کرنا آسان ہے۔ چیزیں دیکھ سکنا نحو یاد کرنے کا دباؤ کم کرتا ہے، لیکن دوسری جگہوں پر معیار بلند کرتا ہے: جو انٹرویو لینے والا آپ کو دستاویزات دیکھنے دیتا ہے وہ یہ دیکھ رہا ہوتا ہے کہ آپ کیسے سوچتے ہیں، نہ کہ آپ کو فنکشن کا دستخط یاد ہے یا نہیں۔ AI کی مدد کے بغیر، طریقہ، کوڈ اور چیکس آپ خود، بلند آواز سے، تیار کرتے ہیں۔

زیادہ تر امیدواروں کے لیے مشکل حصہ فالو اپ سوالات کے تحت گہرائی ہے۔ آپ ایک پائپ لائن ڈیزائن کرتے ہیں، پھر انٹرویو لینے والا دیر سے آنے والا ڈیٹا شامل کرتا ہے، پھر اسکیما تبدیلی، پھر پوچھتا ہے کہ آپ کو کیسے پتا چلے گا کہ آؤٹ پٹ غلط ہے۔ جن امیدواروں نے پروڈکشن میں پائپ لائنز چلائی ہوں وہ اس بہاؤ کو ان سے بہتر سنبھالتے ہیں جنہوں نے انہیں صرف بنایا ہو۔

سینئر امیدواروں کو فیصلے پر زیادہ وزن کی توقع رکھنی چاہیے: کیا نہ بنایا جائے اس کا انتخاب، غیر تکنیکی ساتھی کو سمجھوتہ سمجھانا، اور ماضی کی غلطی کی ذمہ داری قبول کرنا۔

تیاری کو ان شرائط کے گرد بنائیں جو Anthropic بیان کرتا ہے، کیونکہ مختلف حالات میں مشق غلط عادتیں بناتی ہے۔

• AI کے بغیر مشق کریں۔ ہر مشقی مسئلہ بغیر اسسٹنٹ کے حل کریں، کیونکہ لائیو انٹرویوز میں ایسی اجازت نہیں جب تک بصورت دیگر نہ بتایا جائے۔ دستاویزات دیکھنا ٹھیک ہے؛ تیار کردہ جوابات نہیں۔
• ملتے جلتے ٹولز میں مشق کریں۔ براؤزر پر مبنی نوٹ بک اور آن لائن کوڈ ایڈیٹر میں کام کریں تاکہ ماحول جانا پہچانا لگے۔ بنیادی نحو اور معیاری لائبریری ہاتھ کی انگلیوں پر رکھیں، اور سرکاری دستاویزات میں جواب جلدی ڈھونڈنے کی مشق کریں۔
• SQL، پہلے اسکیما۔ ہر مشقی مسئلے کے لیے کوئری لکھنے سے پہلے ٹیبلز ڈیزائن کریں، اور چلانے سے پہلے ہر نتیجے کی گرین (grain) بلند آواز سے بیان کریں۔
• ماڈلنگ اور پائپ لائنز۔ اپنے جانے پہچانے شعبے کے لیے پائپ لائن کا خاکہ بنائیں، پھر اسے دباؤ میں ڈالیں: جزوی ناکامی کے بعد دوبارہ چلانا، بیک فل، دیر سے آنے والا بیچ، نام بدلا ہوا کالم۔
• بلند آواز سے سوچیں۔ مسئلہ حل کرتے ہوئے خود کو ریکارڈ کریں اور خاموش وقفوں کو سنیں۔ حقیقی وقت میں استدلال وہی ہے جو Anthropic کے مطابق وہ دیکھنا چاہتا ہے۔
• گھر لے جانے والا جائزہ، اگر دیا جائے۔ اسے Claude کے بغیر مکمل کریں جب تک بصورت دیگر نہ بتایا جائے۔ ٹیسٹ، اپنے مفروضوں کے ساتھ مختصر README، اور خراب ان پٹ کا واضح انتظام شامل کریں۔
• رویہ اور محرک۔ ایک پائپ لائن ناکامی جس کے آپ مالک تھے، میٹرک کی تعریف پر ایک اختلاف، اور اس کام میں آپ کی دلچسپی کی ایک مخصوص وجہ تیار رکھیں۔

ایک ایسے ڈیٹا انجینئر کا تصور کریں جو برسوں سے اپنے ایڈیٹر میں ہر وقت کھلے AI اسسٹنٹ کے ساتھ ویئر ہاؤس ٹیبلز بنا رہا ہے۔ اسکرین سے پہلے، وہ ہر مشقی سیشن کے لیے اسے بند کر دیتا ہے اور SQL اور Python کے مسائل صرف دستاویزات کے ساتھ حل کرتا ہے، ہر قدم بلند آواز سے بیان کرتے ہوئے۔ ابتدائی سیشن سست لگتے ہیں، لیکن انٹرویو تک وہ کسی تجویز کا انتظار کیے بغیر بلند آواز سے استدلال کر سکتا ہے۔

مشقی ٹولز مشق ہی میں ہونے چاہییں۔ SubcueAI کا مشقی انٹرویو صفحہ آپ کو پہلے سے ڈیٹا انجینئرنگ کے سوالات بلند آواز سے دہرانے دیتا ہے؛ اصل لائیو انٹرویو میں Anthropic کے اصول پر چلیں: کوئی AI مدد نہیں جب تک بصورت دیگر نہ بتایا جائے۔