Направления, темы и вопросы из записей интервью. Фильтры ниже сохраняются в ссылке.
72 вопроса из реальных интервью
Объясните scaled dot-product attention, зачем трансформеру нужны позиционные эмбеддинги, как работает BPE-токенизация и в чем идея LoRA при дообучении.
Какие backend-компоненты нужны для LLM-продукта с tools, cache и долгими задачами?
Stream job считает CTR по окнам и падает посередине часа. Как не потерять данные и не задвоить агрегаты?
Есть робот-кассир: пользователь ставит поднос с едой, система делает фото и за пару секунд должна распознать блюда и сформировать чек. Как спроектировать ML-систему?
If the old product used filters rather than free-form text, how would you train a query parser or query encoder before real text-query logs exist?
Design a similar-items recommender for 1M items when the current collaborative model fails on cold-start items and misses semantic similarity.
A video analytics product watches kitchen staff and must check whether people follow location-specific safety protocols. The system needs kitchen rules, time of day and staff context. How would you design the approach?
You have a categorical feature such as port_id. Compare one-hot encoding with historical target aggregates for tree models, and explain the leakage risks.
How would you design an LLM-agent loop that checks a task output using tools such as file reading, web access or document inspection?
Когда для мультимодальной модели нужен RLHF или DPO, и как собрать preference data для такого обучения?
Undo/redo для движка формул как в Excel
How would you handle geography in free-form real-estate queries and keep retrieval fast for millions of listings and high QPS?
A speech product collects user audio. How would you filter and route audio snippets for ASR/TTS training data without poisoning the dataset?
Дизайн сервиса суммаризации URL и текста
Большая нейросетевая RecSys-модель дает хороший offline quality, но ее нужно держать в рантайме. Что оптимизировать?
Проекту нужно повторить плохо документированный legacy-протокол. Как подойти к исследованию и реализации, если часть поведения приходится восстанавливать по трафику и старой системе?
Есть поток биржевых событий: price, exchange timestamp, local timestamp и два канала доставки primary/secondary. Как понять, все ли в порядке с данными?
В ranker нужно добавить новые признаки товара, пользователя и запроса. Что считать offline, а что online?
Как на уровне Kafka/очереди рассуждать про replication, min.insync.replicas, acknowledgements и CAP trade-off, если нужно не терять сообщения при отказах?
Система развернута в двух дата-центрах, целевой SLA выше 99.95. Какие архитектурные решения помогают не уронить весь продукт при отказе одного узла или сервиса?
Представьте два видеосервиса с миллиардами роликов: в одном нужно быстро находить безопасные фрагменты внутри в основном небезопасного контента, в другом - небезопасные фрагменты внутри в основном безопасного контента. Разметки почти нет, ресурсов и времени мало. Как бы вы строили процесс?
В части событий secondary feed приходит быстрее primary. Как охарактеризовать эти случаи и найти причину?
Нужно спроектировать рекомендательную систему или ML-платформу с нуля. Как выбирать архитектуру, данные, candidate generation и ranking?
Шумные ASR-аннотации и агрегация расшифровок