Machine-Learning-Ingenieure interviewen: Playbook 2026

Warum ML-Einstellungsschleifen aus 2023 nicht mehr funktionieren

Ein Standard-Machine-Learning-Interview von 2023 forderte den Kandidaten auf, Bias-Varianz zu erklären, logistische Regression herzuleiten, k-Means zu programmieren und eine Empfehlungs-Pipeline auf einem Whiteboard zu skizzieren. Im Juni 2026 werden alle vier dieser Fragen in unter dreißig Sekunden von jedem Modell gelöst, das der Kandidat in einem anderen Tab offen hat. Die Fragen sind immer noch gut — das Signal ist weg.

Was nicht verschunden ist, ist das, was Sie tatsächlich einstellen müssen: Urteilsvermögen unter Unsicherheit, MLOps-Fähigkeit, Fähigkeit, ein sich verschlechterndes Modell in der Produktion zu debuggen, und Bereitschaft zu sagen „wir brauchen Machine Learning nicht dafür." Unten ist die Schleife, die wir 2026 bei der Einstellung von ML-Ingenieuren sehen, die Bewertungsmaßstäbe dafür und wo Sie Integritätssignale anwenden, damit KI-Unterstützung die Schleife nicht bedeutungslos macht.

Was sich in den letzten 24 Monaten geändert hat

Drei Verschiebungen, die die Schleife widerspiegeln muss:

• LLMs haben die Grundlagen zur Ware gemacht. Definitionsfragen, klassische Algorithmus-Herleitungen und Standard-Modellauswahl-Writeups sind jetzt Mindestanforderung — jeder Kandidat beantwortet sie richtig, weil das Modell sie richtig beantwortet. Sie sagen Ihnen nichts.
• Produktion ist der Großteil der Arbeit. Das Training eines Modells ist vielleicht 10 % der Arbeit. Der Rest ist Datenpipelines, Drift-Erkennung, Feature-Store-Hygiene, Eval-Harnesses, On-Call für Inferenz-Latenz. Eine Schleife, die Produktionsarbeit nicht untersucht, stellt Forscher in Engineering-Rollen ein.
• „ML-Ingenieur" umfasst jetzt drei Jobs. Klassisches ML / Tabellarisch, Deep Learning / Vision-NLP und angewandte LLM / RAG / Agent-Engineering. Führen Sie nicht dieselbe Schleife für alle drei durch. Wählen Sie die Spur, bevor Sie die Bewertungsmaßstäbe schreiben.

Die Schleife: vier Stufen, insgesamt ca. 5 Stunden

Eine Schleife, die 2026 echtes Signal liefert:

1. Angewandtes ML-Coding (live, 60 Min). Ein kleines, realistisches ML-Problem, das der Kandidat mit einem Interviewer vor Ort bearbeitet.
2. ML-System-Design (live, 60 Min). End-to-End-Design eines Produktionssystems mit expliziter Kosten-, Drift- und Eval-Diskussion.
3. Produktions-Debugging (asynchron + Live-Durchlauf, 90 Min). Eine kaputte Pipeline oder ein sich verschlechterndes Modell, das der Kandidat diagnostiziert.
4. Verhalten / Zusammenarbeit (live, 45 Min). Bisheriges Projektbesitz, Konflikt, On-Call-Erfahrung.

Falls Sie nur zwei Stufen ausführen können, führen Sie #2 und #3 aus. Sie haben die höchste Vorhersagegültigkeit für ML-Engineering-Arbeit und das geringste LLM-Leckagewagen-Risiko.

Stufe 1: Angewandtes ML-Coding — machen Sie es spezifisch, nicht algorithmisch

Ersetzen Sie die klassische Aufgabe „implementiere logistische Regression von Grund auf" durch eine 45-minütige angewandte Aufgabe: hier ist ein kleiner Datensatz, hier ist ein Ziel, bauen Sie eine Baseline auf, rechtfertigen Sie die Metrik und schicken Sie ein Notebook, das ein anderer Ingenieur überprüfen könnte. Der Kandidat verwendet einen echten Editor mit pandas, scikit-learn und PyTorch installiert. Sie werden ermutigt, Dokumentation zu verwenden. Ob sie Vervollständigungen von einem LLM einfügen können oder nicht, ist Ihre Wahl — aber seien Sie explizit auf beiden Seiten (siehe unsere Sicht auf KI-Einsatz in Coding-Runden).

Was Sie bewerten:

• Problem-Framing. Haben sie gefragt, wofür die Vorhersage dient, bevor sie etwas trainiert haben?
• Eval-Wahl. Warum diese Metrik? Wie sieht die Verwirrungsmatrix am Betriebsschwellenwert aus?
• Iterations-Disziplin. Haben sie die Baseline validiert, bevor sie gestimmt haben? Haben sie die Test-Menge durchgesickert?
• Code-Qualität. Reproduzierbar? Ein zweiter Ingenieur könnte dieses Notebook ausführen? Machen Zellen Sinn?

Ein Kandidat, der stillschweigend acht Zellen der Modell-Abstimmung ausführt und einen AUC von 0,94 erzeugt, hat Ihnen nichts gezeigt. Ein Kandidat, der das Problem rahmt, eine dumme Baseline aufbaut und mit klarer Begründung zu 0,78 kommt, ist ein stärkerer Kandidat für die Einstellung.

Verwenden Sie einen strukturierten Bewertungsmaßstab, damit zwei Interviewer, die dasselbe Notebook bewerten, zu einem Ergebnis konvergieren.

Stufe 2: ML-System-Design — die höchste Signal-Stunde, die Sie ausführen werden

Wählen Sie ein Problem, das Ihrer tatsächlichen Produktoberfläche entspricht: „Entwerfen Sie eine tägliche Churn-Prediction-Pipeline, die das Lifecycle-Marketing-System speist." Oder für LLM-Rollen: „Entwerfen Sie ein RAG-System für Support-Tickets mit einem 200-ms-p95-Latenz-Budget."

Der Kandidat muss durchsprechen:

• Datenquellen, Aktualitätsanforderungen, Schema-Entwicklung
• Feature Engineering, Leckageschutz, Feature-Store-Wahl (oder kein Feature Store und warum)
• Modellauswahl mit explizitem Kosten- / Latenz- / Genauigkeits-Tradeoff
• Eval-Harness: Offline-Metriken, Online-Metriken, die Lücke zwischen ihnen
• Bereitstellung: Shadow Mode, Canary, Rollback-Kriterien
• Überwachung: Datendrift, Vorhersage-Drift, Business-Metrik-Drift, Alarmschwellenwerte
• On-Call: was jemanden weckt, welchem Runbook folgen sie

Ein häufiger Fehlermodus: Kandidaten beschreiben die Architektur, aber geben nie eine einzige Zahl an — kein QPS-Ziel, kein Latenz-Budget, keine Umschulungskadenz. Drängen Sie auf Zahlen. ML-System-Design ohne Zahlen ist kreatives Schreiben.

Diese Stufe ist das nächste Analogon zur Arbeit, die der Ingenieur am Montag leisten wird. Gewichten Sie sie am stärksten in Ihrer Bewertungskarte.

Stufe 3: Produktions-Debugging — was der LLM nicht faken kann

Senden Sie dem Kandidaten eine Take-Home-Aufgabe: hier ist ein Notebook + ein kleiner Datensatz + ein Modell-Artefakt. Die Eval-Metrik des Modells auf dem Holdout-Set sieht großartig aus. Die Produktions-Metrik des Modells verschlechtert sich stillschweigend seit sechs Wochen. Finden Sie den Fehler.

Pflanzen Sie einen realistischen Fehler: ein Feature, das früher zu 99 % der Zeit gefüllt wurde, ist jetzt zu 60 % gefüllt, wobei die fehlenden Werte stillschweigend mit dem Spalten-Mittelwert gefüllt werden (und der Mittelwert ist falsch). Oder die Trainingsdaten zeigten das Label durch ein nahezu doppeltes Feature durch. Oder das Embedding-Modell, das das Team verwendet, wurde auf eine neue Version gewechselt und der Index wurde nicht neu aufgebaut.

Der Kandidat schickt eine schriftliche Diagnose und einen vorgeschlagenen Fix, verteidigt ihn dann in einem 30-minütigen Durchlauf. Dies ist die Runde, in der Sie herausfinden, ob sie tatsächlich ein Produktionssystem besessen haben. Es ist auch die Runde, in der LLM-Unterstützung am wenigsten hilft — der Fehler ist nicht im Code, sondern in den Daten und der Bereitstellungs-Geschichte. Der Kandidat muss über ein System nachdenken, nicht eine Definition ausspucken.

Folgen Sie dem Durchlauf-Muster: fragen Sie gezielt, verlangen Sie, dass sie ihre Hypothese verteidigen, fragen Sie, was sie zuerst versandt hätten.

Stufe 4: Verhalten — wählen Sie Zusammarbeit und Incident-Geschichten

Überspringen Sie „erzählen Sie mir von einer Zeit, in der Sie ein Projekt geleitet haben." Fragen Sie stattdessen:

• „Gehen Sie mir durch den letzten Produktions-Incident, den Sie besaßen. Was brach, was versandten Sie, was änderten Sie danach im Prozess?"
• „Erzählen Sie mir von einer Zeit, in der Sie sich entschieden, Machine Learning NICHT für ein Problem zu verwenden. Was haben Sie stattdessen versandt?"
• „Wann haben Sie zuletzt ein Modell in Produktion abgeschossen? Warum?"

Diese Fragen filtern nach Ingenieuren, die versandt haben, nicht nach Forschern, die veröffentlicht haben. Bewertung mit einem strukturierten Bewertungsmaßstab, damit es nicht zu Stimmungen zusammenbricht.

Es ehrlich halten: wo Integritätssignale am meisten zählen

Die Grundlagen-Runde ist weg, weil LLMs sie gemeistert haben; das lässt Stufen 1 und 3 als die Runden, in denen KI-Unterstützung das Signal wesentlich verzerrt. Zwei Dinge zu tun:

• Führen Sie Keystroke Biometrics und Code Coherence in der angewandten Coding-Runde durch. Burst-Paste-Ereignisse, Autoren-Drift in der Mitte des Notebooks und Code-Kommentar-Flüssigkeits-Mismatches kommen alle in dem Integritätsbericht auf.
• Verwenden Sie den Produktions-Debug-Durchlauf als echte Überprüfung. Ein Kandidat, der seine Diagnose von einem LLM eingefügt hat, kann sich nicht verteidigen, wenn Sie fragen „welches Experiment würde ich als nächstes durchführen?" Der Durchlauf ist zuverlässiger als jeder Klassifizierer.

Das Ziel ist nicht, KI-Unterstützung zu verbieten — Ingenieure verwenden sie bei der Arbeit. Das Ziel ist, zu bestätigen, dass die Person, die Sie einstellen, die Person ist, die die Arbeit leisten kann.

Was zu überspringen ist

• „Programmiere lineare Regression von Grund auf." Jeder kann das einfügen. Es sagt Ihnen nichts.
• „Was ist der Unterschied zwischen L1- und L2-Regularisierung?" Dasselbe.
• LeetCode-artige algorithmische Rätsel. ML-Ingenieure brauchen gelegentlich Datenstrukturen, aber ein tägliches Leet-Grind sagt ML-Engineering nicht voraus. Wenn Sie einen Coding-Screen wollen, verwenden Sie stattdessen ein kleines Datenbearbeitungs-Problem mit Pandas.
• Zweistündige Take-Homes ohne Durchlauf. Der Durchlauf ist das, was die Take-Home funktioniert.

Was kommt als nächstes

Wählen Sie die Spur (Tabellarisch / DL / LLM-angewendet), schreiben Sie einen Bewertungsmaßstab für jede Stufe, bevor das erste Interview, und führen Sie die Schleife end-to-end auf einem internen Ingenieur durch, um zu kalibrieren. Verfolgen Sie Ergebnis-zu-Performance-Korrelation bei sechs Monaten — diese Rückkopplungsschleife ist das, was die Schleife besser nächstes Quartal macht.

Die Teams, die 2026 gut einstellen, stellen keine schwierigeren Fragen. Sie stellen Fragen, bei denen die Antwort erfordert, dass der Kandidat laut denkt, Entscheidungen verteidigt und über Systeme nachdenkt, die der LLM noch nie gesehen hat. Die obige Schleife ist um dieses Prinzip herum gebaut.