Подготовка к собеседованию

Поиск, реклама, беспилотники, Алиса и рекомендации

ML-задачи Яндекса выросли из поиска и рекламы: ранжирование, обработка языка, речь, зрение и рекомендации на большом трафике. Отсюда и упор на собеседовании — алгоритмическая база, честная работа с метриками и умение довести модель до сервиса, который держит нагрузку.

Скоринг и риски, GigaChat, речь, зрение и промышленный ML

Крупный банк и экосистема: модели работают под регуляторными требованиями и на больших объёмах данных. Кроме качества модели спрашивают про интерпретируемость, стабильность во времени и промышленную эксплуатацию.

Антифрод, скоринг, рекомендации и голосовой помощник

Банк, выросший из технологической компании: почти всё продуктовое решение проходит через эксперимент, а модели работают в реальном времени под нагрузкой. На собеседовании это видно по упору на метрики продукта, A/B-тесты и умение довести модель до онлайн-сервиса с жёстким бюджетом задержки.

Поиск и ранжирование, модерация контента, рекомендации

Классифайд с огромным потоком пользовательского контента: объявления пишут и фотографируют миллионы людей, и почти каждая ML-задача упирается в грязные данные и в масштаб. На собеседовании много спрашивают про поиск и ранжирование, про модерацию мультимодального контента и про то, как измерять качество там, где нет чистой разметки.

Лента и рекомендации, видео, модерация, голосовые сервисы

Соцсеть и медиахолдинг: главный продукт — лента, а значит ранжирование на огромном потоке пользовательского контента. Отсюда акценты отбора: рекомендации и метрики вовлечённости, работа с мультимодальным контентом и умение доводить модель до сервиса, который отвечает миллионам людей одновременно.

Поиск по каталогу, рекомендации, спрос и логистика

Маркетплейс с сотнями миллионов товарных карточек и собственной логистикой. ML здесь начинается с поиска и рекомендаций и заканчивается прогнозом спроса, который решает, что и на каком складе лежит. На собеседовании это видно по вниманию к метрикам продукта и к тому, сколько стоит ошибка прогноза в складских местах.

Каталог и поиск, рекомендации, спрос и качество данных о товарах

Крупнейший по обороту маркетплейс страны: карточки товаров создают сотни тысяч продавцов, и это определяет всю специфику ML. Данные грязные по построению — названия, категории и атрибуты приходится восстанавливать моделями, а прогноз спроса живёт в условиях постоянных акций и быстрой смены ассортимента.

Отток и персонализация, речь и разговорный ИИ, облако и данные

Телеком, выросший в экосистему: связь, финтех, медиа, облако и собственные ИИ-разработки. ML-задачи делятся на две большие группы — работа с абонентской базой (отток, предложения, кредитный скоринг) и речевые технологии с языковыми моделями для контакт-центров и ассистентов.

Скоринг и риски, персонализация, антифрод, ассистенты

Крупнейший частный банк с сильной продуктовой культурой: модели работают в кредитном конвейере, в персональных предложениях и в поддержке клиентов. На собеседовании спрашивают не только про качество модели, но и про её стабильность во времени, объяснимость перед риск-менеджментом и поведение при смене экономических условий.

Кредитный риск, витрины данных, документы и процессы

Второй по размеру банк страны с большой собственной ИТ-разработкой. ML-задачи распределены между риск-блоком, розницей и корпоративным бизнесом, а отдельная большая часть работы — инженерия данных: витрины, качество, регламенты. На собеседовании это заметно по вниманию к тому, откуда берутся данные и кто отвечает за их корректность.

Корпоративные риски, документы и NLP, внутренние ассистенты

Крупный универсальный банк с сильным корпоративным блоком. Отсюда специфика ML: меньше массовых розничных моделей и больше работы с документами, отчётностью и разнородными внешними источниками. Отдельное направление последних лет — языковые модели для внутренних процессов: поиск по регламентам, подготовка документов, помощь аналитику.

Скоринг, взыскание, продуктовая аналитика и эксперименты

Банк, выросший на рознице и рассрочке: большой поток заявок, быстрые решения и прямая связь моделей с экономикой продукта. На собеседовании много внимания к тому, считает ли кандидат деньги — стоимость ошибки, окупаемость коммуникации, эффект изменения в продукте.

Антифрод и комплаенс, ассистенты поддержки, продуктовые модели

Банк для предпринимателей с сильной инженерной культурой и коротким циклом выката. ML здесь плотно встроен в продукт: проверка операций и контрагентов, помощь поддержке, подсказки в интерфейсе. Отбор соответствующий — меньше формальностей, больше вопросов про то, как вы доводили решение до пользователей.

Платёжный антифрод, конверсия платежа, аналитика и эксперименты

Платёжный сервис: через него проходят покупки тысяч интернет-магазинов, и главные ML-задачи связаны с двумя вещами — не пропустить мошенническую операцию и не потерять честного плательщика. Специфика отбора — много вопросов про метрики в реальном времени и про то, как устроено принятие решения за десятки миллисекунд.

Прогноз спроса и заказы, цены и промо, персонализация в лояльности

Технологическая компания крупнейшего продуктового ритейлера: «Пятёрочка», «Перекрёсток», «Чижик». ML здесь управляет физическими процессами — сколько товара привезти в каждый магазин, какую цену поставить, что предложить держателю карты. Ошибка прогноза превращается в списание скоропортящегося товара или в пустую полку.

Ассортимент и спрос, лояльность и персональные предложения

Один из двух крупнейших продуктовых ритейлеров страны с десятками тысяч магазинов в разных форматах. ML-задачи начинаются с планирования ассортимента и заказов и продолжаются в программе лояльности: персональные скидки, купоны, коммуникации. Масштаб — главный источник и сложностей, и выгоды от точности.

Рекомендации в моде, поиск по изображению, атрибуты каталога

Модный онлайн-ритейл: ассортимент обновляется сезонами, у товара десятки визуальных атрибутов, а покупателю важен не только товар, но и размер, посадка и стиль. Отсюда две сильные ML-темы — рекомендации с холодным стартом каждый сезон и компьютерное зрение, которое достаёт из фотографий то, чего нет в описаниях.

Спрос в дарксторах, логистика и сроки доставки, ассортимент

Сервис быстрой доставки: сотни дарксторов, ассортимент под каждый район и обещание доставить за минуты. ML работает на двух фронтах — прогноз спроса с горизонтом в часы и управление курьерской логистикой в реальном времени. Общая черта задач: решение нужно принять быстро и оно сразу превращается в физическое действие.

Прогноз заказов и смен, зрение на кухне, аналитика сети

Сеть пиццерий с собственной ИТ-платформой и публичной инженерной культурой: процессы в ресторанах управляются софтом, а данные по всей сети доступны в почти реальном времени. ML-задачи приземлённые и проверяемые: сколько заказов будет через час, сколько человек ставить в смену, что происходит на кухне по камере.

Ассортимент и закупка, рекомендации, омниканальная аналитика

Крупный непродуктовый ритейл с собственной ИТ-компанией: сотни магазинов, большой интернет-магазин и общая программа лояльности. Специфика ML — сезонные товары с длинным циклом закупки (заказ у поставщика делается за полгода) и омниканальность: покупатель смотрит онлайн, а покупает в магазине.

Матчинг вакансий и резюме, поиск, тексты и модерация

Главная площадка найма в стране: с одной стороны — миллионы резюме, с другой — вакансии, и вся ценность продукта в том, насколько хорошо они находят друг друга. Специфика ML — двусторонний матчинг, где успех измеряется не кликом, а откликом, который привёл к найму, и обратная связь приходит с задержкой в недели.

Оценка недвижимости, ранжирование объявлений, проверка объектов

Классифайд недвижимости: объявления, оценка стоимости, проверка достоверности. Особенность рынка — объекты уникальны, сделок по каждому типу мало, а цена ошибки в оценке измеряется миллионами. Отсюда внимание к геопризнакам, к качеству данных об объекте и к тому, как модель ведёт себя на редких сегментах.

Прогноз цен на билеты, ранжирование предложений, поиск направлений

Метапоиск авиабилетов: пользователь ищет не рейс, а поездку, а цены меняются несколько раз в день и зависят от загрузки борта, дат и глубины покупки. Отсюда две характерные ML-задачи — предсказание динамики цен и ранжирование предложений, где дешевле не значит лучше.

Геопоиск, данные о городе, зрение для карт и навигация

Городской справочник и карты: данные о зданиях, организациях, входах и дорогах собираются и проверяются постоянно. ML здесь работает с географией — поиск по нечёткому запросу с учётом местоположения, распознавание объектов на панорамах и снимках, оценка времени в пути. Много задач, где правильный ответ определяется физическим миром, а не логами.

Отток и предложения, геоаналитика, качество сети

Федеральный оператор связи: десятки миллионов абонентов и сеть, которая ежесекундно порождает события. ML-задачи делятся на абонентские (отток, тарифы, предложения) и сетевые (качество, нагрузка, планирование). Вторая группа реже встречается в вакансиях, но именно там самые интересные данные — телеметрия базовых станций и геоаналитика.

Продукты на данных, отток и маркетинг, платформа больших данных

Оператор с одним из старейших в стране подразделений больших данных: на данных строятся не только внутренние модели, но и продукты для внешних заказчиков — геоаналитика, скоринговые сервисы, таргетирование. Отсюда в отборе заметная доля вопросов про инженерию: данные здесь не только вход модели, но и сам товар.

Видеоаналитика, качество сети, отток и сервисы для бизнеса

Крупнейшая по выручке ИТ- и телеком-компания страны: связь, инфраструктура, облака, видеонаблюдение и проекты для государства. ML-задачи разнообразны — от классической абонентской аналитики до видеоаналитики на тысячах камер, где решают не только метрики, но и стоимость инференса и требования к хранению.

Детектирование вредоносного ПО, поведенческий анализ, исследования

Международная компания по кибербезопасности с сильной исследовательской школой. ML здесь работает в условиях, которые редко встречаются в продуктовых компаниях: противник целенаправленно изучает вашу модель, ложное срабатывание на системном файле — это инцидент у миллионов пользователей, а модель должна работать на устройстве клиента при ограниченных ресурсах.

Детекты и аналитика SOC, приоритизация событий, LLM в безопасности

Разработчик продуктов для защиты корпоративной инфраструктуры: мониторинг событий, анализ трафика, поиск уязвимостей. ML здесь редко работает автономно — он помогает аналитику центра мониторинга: снижает поток событий, объединяет их в цепочки и подсказывает, с чего начать разбор. Поэтому и метрики измеряются работой аналитика, а не только качеством классификатора.

Антифрод и защита от ботов, аналитика угроз, потоковые данные

Компания по управлению цифровыми рисками: защита сервисов от мошенничества и автоматизированных атак, мониторинг и расследование инцидентов. ML-задачи крутятся вокруг поведения — отличить человека от скрипта, обычного клиента от мошеннической схемы — и почти всегда в реальном времени, на потоке событий.

ИИ-помощники в бизнес-приложениях, документы, прогнозы в учёте

Разработчик самой распространённой в стране платформы учёта и управления. ML приходит в продукты, которыми ежедневно пользуются сотни тысяч бухгалтеров, кадровиков и руководителей: подсказки при вводе документов, распознавание первички, прогноз остатков и продаж. Специфика — очень высокая цена ошибки в учётных данных и требование работать в контуре клиента.

Документы и OCR, проверка контрагентов, продуктовый ML

Разработчик сервисов для бизнеса: отчётность, электронный документооборот, проверка контрагентов, бухгалтерия. ML встроен в продукты, которыми пользуются сотни тысяч компаний: распознавание документов, поиск рисков в данных о юрлицах, подсказки в интерфейсе. Отбор инженерный, с упором на аккуратность и на понимание предметной области.

Платформа для ML, ассистенты для администраторов, инфраструктура

Разработчик операционной системы и инфраструктурного ПО: развёртывание, виртуализация, управление парком машин, средства защиты. ML-задачи здесь платформенные — обеспечить средствами работы с моделями тех, кто строит системы на этой платформе, и встроить помощников в администрирование. Отбор инженерный, с сильным уклоном в эксплуатацию.

Платформа данных, распределённые вычисления, ML на данных заказчика

Разработчик платформы управления данными: хранилища, озёра, потоковая обработка, инструменты аналитики. Здесь ML-инженер работает не столько с моделями, сколько с тем, что под ними: как данные хранятся, как считаются признаки на объёмах в петабайты и как это всё живёт у заказчика. Отбор соответствующий — инженерия данных весит больше, чем модели.

Вычислительная инфраструктура, обучение больших моделей, эффективность

Разработчик вычислительной и телеком-инфраструктуры: серверы, системы хранения, процессоры, оборудование связи. Для ML-специалиста здесь редкая специфика — работа близко к железу: как эффективно занять ускорители, сколько стоит обучение большой модели, как ускорить инференс на конкретной архитектуре. Отбор с сильным инженерным уклоном.

ML-платформа и инференс, надёжность сервисов, прогноз нагрузки

Провайдер облачной инфраструктуры и выделенных серверов, включая аренду карт для обучения и инференса. ML-специалист здесь работает по обе стороны: строит сервисы для клиентов, которые обучают свои модели, и применяет модели внутри — для прогноза нагрузки, планирования мощностей и обнаружения отказов оборудования.

Облачные ML-сервисы, модели как сервис, платформа для обучения

Облачный провайдер с большим направлением ИИ-сервисов: доступ к моделям по API, платформа для обучения и дообучения, инструменты для работы с данными. Специфика работы — вы строите то, чем пользуются другие ML-команды, поэтому вопросы на собеседовании смещены от «как обучить модель» к «как сделать, чтобы тысяча клиентов обучала модели одновременно».

Корпоративные внедрения, документы и ассистенты, платформы данных

Крупный технологический холдинг и системный интегратор: разработка и внедрение решений для банков, промышленности и государства. Специфика ML — проектная работа у заказчика: модель должна встроиться в чужие процессы, пройти согласования и работать без вашей команды рядом. Это меняет требования к решению сильнее, чем кажется со стороны продуктовой разработки.

Геология и добыча, переработка, промышленная оптимизация

Нефтяная компания с одним из самых заметных в отрасли цифровых подразделений. ML здесь работает с физическими процессами: интерпретация геофизических данных, режимы работы скважин, оптимизация переработки и логистики. Специфика — данные с датчиков, ограниченное число наблюдений по дорогим объектам и обязательная физическая осмысленность результата.

Предиктивное обслуживание, качество продукции, оптимизация производства

Нефтехимический холдинг с зрелой цифровой функцией: на заводах работают модели предиктивного обслуживания, виртуальные анализаторы и системы советующего управления. Специфика для ML-специалиста — непрерывное производство, где эксперимент нельзя поставить произвольно, а внедрение означает работу рядом с технологами.

Зрение в контроле качества, оптимизация производства, спрос и логистика

Металлургическая компания с большой цифровой командой: на производстве работают системы машинного зрения для поиска дефектов проката, модели оптимизации режимов и планирования. Специфика для кандидата — задачи, где качество модели проверяется на физическом продукте, а внедрение идёт в цехе, а не в вебе.

Промышленный ИИ, документооборот и NLP, вычисления и моделирование

Госкорпорация с большим ИТ-контуром: цифровые продукты для собственных предприятий, промышленное ПО, суперкомпьютерные вычисления. ML-задачи охватывают производство (контроль качества, обслуживание оборудования), документооборот огромного объёма и научные расчёты, где модели соседствуют с физическим моделированием.