Направления, темы и вопросы из записей интервью. Фильтры ниже сохраняются в ссылке.
673 вопроса из реальных интервью
В delivery pricing модели нужна фича нагрузки курьеров. Из каких событий и состояний ее считать, чтобы она была пригодна для online decisioning?
Как LLM генерирует ответ токен за токеном и какую роль в этом играет KV cache?
Расскажи базовую архитектуру Transformer: encoder/decoder, self-attention, Q/K/V, positional encoding и отличия GPT/BERT.
Нужно развернуть сервис модерации текста на BERT/DistilBERT. Как спроектировать input/output, policy layer, thresholds и routing actions?
Если пользователь добавил кольцо, стоит ли рекомендовать еще кольца? Как сформулировать цель и ограничения для рекомендаций в корзине?
Ты упомянул сезонность. Как с ней работать в фичах для рекомендационных систем, прогнозов или продуктовой аналитики?
Клиент видит стоимость доставки или порог бесплатной доставки в корзине. Каталог и корзина меняются, а на чек-ауте нельзя показать другую цену и вызвать негатив. Как спроектировать пересчет и где провести границу между точностью, latency и стоимостью?
Какую архитектуру эмбеддингов вы построили для RAG: обычный retrieval pipeline или что-то сложнее?
Модель модерации работает в production. Какие метрики смотреть offline, online и после запуска, чтобы контролировать качество и нагрузку на ручную проверку?
После базовых latency-вопросов интервьюер спрашивает: какие еще аномалии можно заметить в market-data файле?
Есть исторические сделки, логи платформы, больше миллиона поставщиков и около 100 компаний-заказчиков. Какие данные использовать и как масштаб влияет на архитектуру?
Нужно построить модель для оценки или подсказки цены second-hand объявления в marketplace. Какие признаки и baseline стоит предложить?
Какие факты из PDF-отчетов компаний полезны для прогноза добычи, и как отличать их от шумного текста?
После запуска MVP какие события и признаки нужно собирать, чтобы обучить модель ранжирования user-video?
Какие типовые проблемы рекомендательных систем ты бы назвал и как их можно измерять или снижать?
Какие практические техники prompt engineering помогают получать стабильный и проверяемый ответ от LLM?
Какие catalog features нужны для рекомендаций в корзине и какие проблемы бывают с категориями товаров?
Когда стоит использовать классический batch ETL, а когда streaming для рекомендаций, аналитики или ML-фичей?
Как решить, дообучать LLM или ограничиться prompt engineering/RAG, и что меняется при LoRA adapters?
В поиске есть embeddings и полнотекстовый индекс. Когда использовать оба подхода и как их объединять?
В продукте есть поиск по документам/артефактам. Когда использовать full-text, когда векторный поиск, и зачем может понадобиться hybrid retrieval?
Какие метрики использовать для recommender в marketplace, где клики, контакты, сделки и seller exposure имеют разные цели?
Какие offline, online и guardrail-метрики подходят для блока рекомендаций в корзине, если клики не равны покупке?
Как оценивать качество поиска или RAG-системы offline и online?