Банк вопросов из реальных собеседований

Что должен сделать ML-инженер, чтобы довести модель до production-сервиса: интерфейс, артефакт, Docker, мониторинг и обновления?

Ответственность за полный цикл деплоя модели

Отладка разрыва между офлайн-оценкой и качеством в продукте

Сравните recall@K, precision@K, coverage и NDCG для candidate generation и ранжирования. Как эти метрики ведут себя при изменении K?

На фото есть вывеска организации. Как построить pipeline, который извлекает текст и использует его в продукте?

Поиск срезов, где LTV-модель ошибается

Нужно сделать блок рекомендаций в корзине для 10 млн пользователей и 100 тыс. товаров. Как сформулировать цель, ограничения и MVP?

В ML System Design кейсе про доставку нужно спроектировать персонализацию минимальной суммы заказа или платной доставки ниже порога. Как задать цель, границы и базовый план системы?

Построение и обновление HNSW/Qdrant пайплайна векторного поиска

За счет чего speculative decoding сохраняет высокий acceptance ratio при нескольких draft tokens?

Компания дала годовой guidance роста добычи. Почему опасно равномерно размазать его по кварталам?

Нужно сделать поиск/подсказки по базе статей или банковских ответов. Почему разумно начать с BM25/TF-IDF, а не сразу с embeddings/RAG?

Нужно прогнозировать retention, revenue или LTV во времени. Как поставить задачу, выбрать горизонт и гранулярность, построить baseline и провести корректную временную валидацию?

Почему в кейсе доставки стоит сначала разложить путь пользователя и операционный процесс заказа, а уже потом выбирать модель?

Роутинг звонков, отсеивание отказов и метрики

Один факт о руднике встречается в годовом отчете, презентации и call transcript. Как объединить эти источники в один forecasting state?

Как перейти от revenue, seller success и buyer value в marketplace к offline-метрикам pricing/recommendation модели?

Как выбирать число draft tokens в speculative decoding и почему больше не всегда лучше?

Для audio-event фичи спрашивают: сколько данных нужно для обучения и как решить, когда переключать камеру/устройство на более дорогой режим обработки?

После набора признаков для marketplace pricing/recommendation модели что делать дальше: target, split, baseline, модель и критерий запуска?

Вы обучили и провалидировали ML-модель. Какие файлы и метаданные нужно версионировать, как упаковать сервис и как безопасно выкатить новую версию?

Какие товары нельзя показывать в рекомендациях корзины и где применять эти ограничения в candidate generation/reranking?

В marketplace кейсе модель может score-ить цену, скидку, карусель или промо-тег. Как четко сформулировать output модели и downstream action?

Цели и метрики рекомендательной ленты в банковском приложении