Cum să intervievezi ingineri Machine Learning: Un Ghid Practic pentru 2026

De ce buclele de recrutare ML din 2023 nu mai funcționează

O interviere standard din 2023 pentru machine learning cerea candidatului să explice bias-variance, să derive o regresie logistică, să codifice k-means și să schițeze o pipeline de recomandare pe o tablă. În iunie 2026, toate patru întrebări sunt rezolvate în mai puțin de treizeci de secunde de orice model pe care candidatul îl poate avea deschis într-o altă filă. Întrebările sunt în continuare bune — semnalul a dispărut.

Ce nu a dispărut este lucrul pe care tu cu adevărat trebuie să-l angajezi: judecată sub incertitudine, cunoaștere MLOps, capacitatea de a depana un model care se degradează în producție și voia să spui „nu avem nevoie de machine learning pentru asta". Mai jos este bucla pe care o vedem funcționând în 2026 pentru angajarea inginerilor ML, rubrica pentru a o puncta și unde să aplici semnale de integritate pentru ca asistența IA să nu facă bucla lipsită de sens.

Ce s-a schimbat în ultimele 24 de luni

Trei schimbări pe care bucla trebuie să le reflecte:

• LLM-urile au comoditizat fundamentele. Întrebările definitionale, derivările clasice ale algoritmilor și expunerile standard ale selecției modelelor sunt acum bază pentru masă — fiecare candidat le înțelege corect pentru că modelul le înțelege corect. Nu-ți spun nimic.
• Producția este cea mai mare parte a jobului. Antrenarea unui model este poate 10% din muncă. Restul este pipeline-uri de date, detecție derivă, igienă magazin de caracteristici, harnesuri eval, call-on pentru latență inferență. O buclă care nu sondează munca în producție angajează cercetători în roluri de inginerie.
• „Inginer ML" acoperă acum trei joburi. ML clasic / tabular, deep learning / viziune-NLP și ML LLM aplicat / RAG / inginerie agenți. Nu rula aceeași buclă pentru toți trei. Alege banda înainte de a scrie rubrica.

Bucla: patru etape, ~5 ore în total

O buclă care produce semnal real în 2026:

1. Codificare ML aplicată (live, 60 min). O problemă ML mică și realistă pe care candidatul o lucrează cu un intervievator prezent.
2. Proiectare sistem ML (live, 60 min). Proiectare end-to-end a unui sistem în producție, cu discuție explicită despre cost, derivă și eval.
3. Depanare în producție (async + walk-through live, 90 min). O pipeline ruptă sau un model degradat pe care candidatul le diagnostichează.
4. Comportament / colaborare (live, 45 min). Proprietate proiect în trecut, conflict, experiență on-call.

Dacă poți rula doar două etape, ruleaza #2 și #3. Acestea au cea mai mare validitate predictivă pentru munca de inginerie ML și cel mai mic risc de scurgere LLM.

Etapa 1: Codificare ML aplicată — fă-o specifică, nu algoritmică

Înlocuiește clasicul „implementează regresie logistică de la zero" cu o sarcină aplicată de 45 de minute: iată un set mic de date, iată o țintă, construiește o linie de bază, justifică metrica și trimite un notebook pe care un alt inginer ar putea să-l revizuiască. Candidatul folosește un editor real cu pandas, scikit-learn și PyTorch instalate. Sunt încurajați să folosească documentația. Dacă pot sau nu lipici completări dintr-un LLM este alegerea ta — dar fii explicit indiferent (vezi opinia noastră despre utilizarea IA în rondurile de codificare).

Ce punctezi:

• Rama problemei. Au întrebat pentru ce este predicția pentru înainte de a antrena orice?
• Alegere eval. De ce această metrică? Cum arată matricea confuziei la pragul de operare?
• Disciplina iterației. Au validat linia de bază înainte de ajustare? Au scurs setul de test?
• Calitatea codului. Reproductibil? Un al doilea inginer ar putea rula acest notebook? Celulele au sens?

Un candidat care rulează în tăcere opt celule de ajustare model și produce un AUC 0,94 nu ți-a arătat nimic. Un candidat care rama problema, construiește o linie de bază proastă și ajunge la 0,78 cu raționament clar este o angajare mai puternică.

Folosește o rubric structurată pentru ca doi intervievatori care punctează același notebook să converge la un scor.

Etapa 2: Proiectare sistem ML — ora cu cel mai mare semnal pe care o vei rula

Alege o problemă care se mapează pe suprafața produsului tău real: „proiectează o pipeline de predicție churn care rulează zilnic și alimentează sistemul de marketing al ciclului de viață." Sau pentru roluri LLM: „proiectează un sistem RAG pentru tichetele de suport cu un budget latență p95 de 200ms."

Candidatul trebuie să vorbească despre:

• Surse de date, cerințe de prospețime, evoluția schemei
• Inginerie caracteristici, protecție scurgeri, alegere magazin caracteristici (sau nici un magazin caracteristici și de ce)
• Selecția modelului cu compromisuri explicite cost / latență / acuratețe
• Harness eval: metrici offline, metrici online, lacuna dintre ele
• Implementare: mod umbră, canary, criterii de rollback
• Monitorizare: derivă date, derivă predicție, derivă metrică de afaceri, praguri alertare
• On-call: ce pagină trezește pe cineva, ce runbook urmează

Un mod de eșec comun: candidații descriu arhitectura dar nu numesc niciun număr — fără QPS țintă, fără budget latență, fără cadență reentrainare. Împinge pentru numere. Proiectarea sistemului ML fără numere este scriere creativă.

Această etapă este cea mai apropiată analogie cu munca pe care inginerul o va face luni. Pezează-o cel mai greu în scorecard.

Etapa 3: Depanare în producție — ce nu poate fake LLM-ul

Trimite candidatului un take-home: iată un notebook + un set mic de date + un artefact model. Metrica eval a modelului pe setul de reținere arată excelent. Metrica producție a modelului se degradează în tăcere de șase săptămâni. Găsește bug-ul.

Plantează o eșec realist: o caracteristică care obișnuia să fie populată 99% din timp este acum populată 60%, iar valorile lipsă sunt umplute în tăcere cu media coloanei (și media este greșit). Sau datele de antrenare au scurs eticheta printr-o caracteristică cvasi-duplicată. Sau modelul de încorporare pe care echipa îl folosește a fost schimbat la o versiune nouă și indexul nu a fost reconstruit.

Candidatul trimite o diagnosticare scrisă și o reparație propusă, apoi o apără într-o prezentare live de 30 de minute. Aceasta este runda în care descoperi dacă au deținut de fapt un sistem în producție. Este, de asemenea, runda în care asistența LLM ajută cel mai puțin — bug-ul nu este în cod, este în date și în povestea implementării. Candidatul trebuie să raționeze despre un sistem, nu să regurgiteze o definiție.

Urmează modelul de walk-through: sondează în mod specific, cere să-și apere ipoteza, întreabă ce ar fi trimis mai întâi.

Etapa 4: Comportament — alege povestiri de colaborare și incident

Omite „spune-mi despre o dată când ai condus un proiect." Întreabă:

• „Merge-mă prin ultimul incident de producție pe care l-ai deținut. Ce s-a rupt, ce ai trimis, ce ai schimbat în proces după?"
• „Spune-mi despre o dată când ai decis să nu folosești ML pentru o problemă. Ce ai trimis în schimb?"
• „Când a fost ultima dată când ai ucis un model în producție? De ce?"

Aceste întrebări filtrează inginerii care au trimis, nu cercetători care au publicat. Punctează cu o rubric structurată pentru ca să nu se prăbușească în vibracții.

Ținând-o onestă: unde contează cel mai mult semnalele de integritate

Runda de fundamentale a dispărut pentru că LLM-urile au ace-o; asta lasă etapele 1 și 3 ca rundele în care asistența IA distorsionează material semnalul. Două lucruri de făcut:

• Ruleaza biometrie tastatură și coerență cod pe runda de codificare aplicată. Evenimentele lipire rafală, derivă de autoritate mid-notebook și nepotriviri de fluență cod-comentariu se suprafață toate în raportul de integritate.
• Folosește prezentarea de depanare în producție ca verificarea reală. Un candidat care și-a lipit diagnosticarea dintr-un LLM nu poate să o apere când întrebi „care este următorul experiment pe care l-ai rula?" Prezentarea este mai fiabilă decât orice clasificator.

Scopul nu este să interzici asistența IA — inginerii o folosesc la muncă. Scopul este să confirmi că persoana pe care o angajezi este persoana care poate face munca.

Ce să omiți

• „Codifică regresie liniară de la zero." Oricine poate lipi asta. Nu-ți spune nimic.
• „Care este diferența dintre regularizare L1 și L2?" La fel.
• Puzzle-uri algoritmice de tip LeetCode. Inginerii ML au nevoie ocazional de structuri de date, dar o meditație zilnică leet nu prezice ingineria ML. Dacă vrei o ecran de codificare, folosește în schimb o problemă mică de manipulare de date cu pandas.
• Take-home-uri de două ore fără walk-through. Walk-through-ul este ceea ce face ca take-home-ul să funcționeze.

Ce să faci mai departe

Alege banda (tabular / DL / LLM-aplicat), scrie o rubric pentru fiecare etapă înainte de prima interviere și ruleaza bucla end-to-end pe un inginer intern pentru calibrare. Urmărește corelația scor-la-performanță la șase luni — acea buclă de feedback este ceea ce face ca bucla să fie mai bună în trimestrul următor.

Echipele care angajează bine în 2026 nu pun întrebări mai grele. Ei pun întrebări în care răspunsul necesită candidatului să gândească cu voce tare, să-și apere alegerile și să raționeze despre sisteme pe care LLM-ul nu le-a văzut niciodată. Bucla de mai sus este construită în jurul acestui principiu.