Задачи DS - Собеседования, Соревнования, ШАД

Как собеседуют в Nebius

Рассказывает наш выпускник, который проходил недавно собеседование на позицию Senior ML Engineer, удалёнка из Европы, все интервью проходило на русском.

Процесс и этапы
HR вышел на меня сам в Linkedin. Первый созвон: обсуждение вакансии, мотивация. Команда раньше тренировала собственные модели, но сейчас фокус сместился на тонкую настройку под клиентов. Уже на этом этапе мне показалось, что описание продукта размыто: непонятно, как именно команда монетизирует AI-Студию. Это, кстати, потом аукнулось.

Второй раунд: классический ML + кодинг.
Сначала задача на скользящее окно (два указателя) - решили быстро. Потом пошли теоретические вопросы:
• логистическая регрессия: формула, loss-функция, смысл параметров;
• методы регуляризации и борьбы с переобучением;
• градиентный спуск: как устроен, формулы обновления весов.
Короче самая база, процесс как в Яндексе)

Третий раунд: NLP и трансформеры.
Тут началось самое интересное. Вопросы:
• как работает BPE-токенизация;
• позиционные эмбеддинги, и особенно как дообучать RoPE на новую длину (я сходу не овтетил);
• устройство self-attention, отличия MHA, MQA, GQA и их влияние на инференс;
• небольшой опыт работы с трансформерами.

А затем 15 минут на кодинг: реализовать механизм внимания на чистом NumPy. С этим справились без проблем. Но на этом не остановились. Пошли детали реализации:
• почему нормируем скалярное произведение на корень из размерности;
• подводные камни Softmax;
• как добавить новые головы в реализацию без лишних матричных умножений.
Вот тут я уже начал плыть. После этого раунда я понял, что дальше, скорее всего, не пройду. И действительно, вскоре пришёл отказ. Финальный этап, если бы он состоялся, был бы чисто алгоритмическим: две задачи на LeetCode.

Что понравилось и что нет

Плюсы:
• HR чётко описал весь процесс, этапы, без сюрпризов;
• можно было брать паузы между раундами, без спешки.

Минусы:
• после трёх раундов так и не сложилась картинка, какую именно проблему решает команда. Интервьюеры не смогли внятно объяснить цель продукта;
• сами вопросы были «заготовлены», на встречные уточнения отвечали неуверенно.

Про зарплату
Я назвал ожидания по общей компенсации: от 200 тысяч долларов в год. В компании сказали, что это в рамках бюджета. Nebius - публичная компания, часть компенсации идёт акциями, которые можно продать. Кстати, после объявления о партнёрстве с Microsoft в сентябре 2025 акции взлетели в два раза, так что 200K+ - вполне реально.

Короче, собеседование очень напоминает формат Яндекса: глубокие технические вопросы, акцент на детали реализации, много теории. В зарубежных компаниях такой уровень технической секции встречается реже, но здесь видимо, наследие "яндекс-корней".

Еще больше собесов в открытом банке собесов, тестовых заданий и пет проектов на нашем сайте.

Подписаться: @zadachi_ds

AI-агенты: анализ рынка

На HHRU по запросу "LLM агенты" выдает более шестисот вакансий. Ещё год назад агентами занимались исследовательские команды Сбера и Яндекса, и на этом список заканчивался. Теперь агента хотят все: строительный стартап, медиахолдинг, доставка еды и так далее.

И зовут на эти вакансии не каких-то жестких ресерч инженеров, а обычных вкатунов.
Вот вакансия, которая называется Junior AI/ML-инженер, компания ELEMENT, 100-120 тысяч. Внутри: LLM-агенты, tool use, RAG, построение evals. И примечательная строчка: опыт с API годится "хотя бы на уровне пет-проектов". То есть по сути: принеси работающего агента, и мы поговорим.

Аксис зовёт инженера с опытом от года на вилку 150-300: оркестрация агентов, tool calling, RAG с указанием источников. У Медийных Технологий открыта позиция, где человек занят исключительно оценкой качества LLM. Тема, которой в типичном курсе отводят полчаса, успела вырасти в отдельную профессию.

Виден и потолок: старший разработчик агентов для Алисы, вилка 253-508. Туда не устраиваются с улицы, туда дорастают. Но весь вопрос в первой ступеньке.

Загвоздка в том, что привычные пет-проекты ступенькой быть перестали. Чат по PDF, собранный за вечер по туториалу, никого не впечатляет: такой же лежит в каждом втором резюме. На собеседовании вас будут спрашивать о другом. Как агент решает, какой инструмент вызвать? Что происходит, когда он зацикливается? Чем вы докажете, что новая версия промпта лучше старой? Это вопросы об инженерии, которая начинается там, где заканчивается туториал. И вот её как раз почти нигде не учат.

Ровно под этот разрыв мы собрали новый курс по AI-агентам:
Устроен он так. Первым делом пишем ReAct-агента с нуля, на чистом Python, без фреймворков: цикл "рассуждение, действие, наблюдение" нужно один раз собрать руками, иначе он навсегда останется магией. Затем добавляем готовые фреймворки: инструменты, RAG над собственным корпусом, долговременная память. Переносим агента на LangGraph и smolagents и на живом сравнении видим, что фреймворк экономит, а что прячет. Дальше мульти-агентная система с критиком, MCP, браузерный агент, prompt injection и защита от него. А в финале то, ради чего всё затевалось: свой датасет, eval-пайплайн с LLM-судьёй, трейсинг, деплой. Тот самый список из вакансий выше, пункт за пунктом.

Кому курс подойдет:
- джунам и стажёрам, уставшим конкурировать с сотней одинаковых резюме за классические ML-позиции;
- действующим DS-ам, которым выдали задачу "прикрутите нам LLM" без инструкции;
- бэкендерам, которые хотят войти в AI через инженерию, а не через полгода матстата;
- тем, кто метит в middle: спрос на агентный стек сейчас заметно обгоняет предложение

➡️ Записаться

Кейс Авито: как ML модернирует видео, чтобы не пропустить мошенников и 18+

Нашему выпускнику на собеседовании с командой предложили интересный кейс. Что общего у объявления о диване и схемы злоумышленников? Ответ: видео.

Каждый день на Авито загружают тысячи роликов. Раньше их проверяли руками, но с ростом платформы - это стало нереально: 100 000 видео в сутки, 2 минуты на каждое = 3 000+ человеко-часов ежедневно.

Задача: автоматизировать модерацию, не потеряв в качестве и не разорив бизнес.

Бизнес-метрики
В приоритете OPEX (расходы), CAC (привлечение клиентов) и качество сервиса.
Но этого мало, нужны конкретные показатели работы модели:

• Автобан = отменённые апелляции после автобана / все апелляции после автобана. Показывает, насколько модель права, когда банит сама.
• Ручная модерация = подтверждённые нарушения / весь контент на ручной проверке. Показывает эффективность работы модераторов.
• Пропуск = хорошие видео в случайном сэмпле / размер сэмпла. Показывает сколько нарушений модель пропустила (главная метрика безопасности).
• Модерация = контент, не отправленный на ручную проверку / весь контент. Балансирует, чтобы не перегружать людей и не пропускать опасное.

Постановка ML-задачи
Нам нужно бинарно классифицировать видео: 0 - ок, 1 - нарушение.
Но на деле задача распадается на две независимые:
1. Распознавание текста (личные данные, ссылки, нецензурная лексика)
2. Распознавание объектов (оружие, наркотики, 18+ и т.д.)

Распознавание текста: OCR + NLP
Видео разбивается на кадры. Каждый кадр проходит через OCR - детектируем и распознаём текст.
Затем:
- удаляем дубликаты (чтобы не учитывать одно и то же на разных кадрах),
- парсим признаки: has_phone, has_passport, has_url, has_mats и др.,
- отправляем текст в NLP-классификатор - получаем вероятности prob_spam, prob_fraud и т.п.
На выходе вектор признаков для каждого видео.
Дальше либо решаем по порогу, либо подаём в обученную модель.

Схема:
Видео → кадры → OCR → NLP → вектор → результат

Распознавание объектов: CLIP + промпты
Здесь сложнее, но красивее.
- Создаём список текстовых промптов: "пистолет", "нож", "наркотики" и т.д.
- Прогоняем кадры через кодер CLIP → получаем визуальные эмбеддинги.
- Прогоняем каждый промпт через текстовый кодер CLIP → текстовые эмбеддинги.
- Считаем косинусное расстояние между визуальным и текстовыми векторами.

Важно: классы не взаимоисключающие, в видео может быть и пистолет, и нож одновременно. Поэтому вместо Softmax применяем пороговое сравнение (или сигмоиду) для каждого промпта отдельно.

Схема:
Видео → кадры → CLIP (эмбеддинги) → вычисление схожести → пороги / модель → результат
(Аудио пока оставим за скобками — отдельная большая тема.)

Офлайн-метрики
• Precision: качество автобана (меньше ложных срабатываний)
• Recall: сколько нарушений нашли (меньше пропусков)
• F1: гармоническое среднее
• PR-AUC: особенно полезна при сильном дисбалансе классов (нарушений мало)

Данные
• X - признаки из кадров (текстовые и визуальные).
• Y - бинарная метка (1 - нарушение).

Обучаемся на исторических данных ручной модерации.
Чтобы снизить нагрузку, кадры сэмплируем (не все подряд).
При дисбалансе классов используем Focal Loss, он фокусируется на сложных примерах.

Эксплуатация модели
Мониторинг трёх уровней:
- Системный: CPU / RAM / GPU, задержки.
- Качество модели: Data Drift, падение метрик.
- Бизнес-метрики: если резко упали, ищем проблему в данных или инфраструктуре.

Стратегия при Data Drift:
- небольшой → корректируем пороги
- средний → дообучаем модель на новых данных
- сильный → пересобираем пайплайн с нуля

Деплой и версионирование
Используем Canary Deployment:
- новая модель получает 5% трафика,
- старая 95%,
- если метрики стабильны, постепенно увеличиваем долю до 100%,
- при ухудшении откатываемся.
Перед релизом обязательные Unit-, Integration- и Validation-тесты.

Обсудить задачу/спросить совета можно в нашем чате.

Подписаться: @zadachi_ds

Почему новичкам нужно уметь выводить модель в прод

Классическая история вкатуна? закончившего курс по DS в надеждке на 300к/наносек: добавил строчки в резюме, собрал пет-проекты в ноутбуках, пошёл по собесам. И первым же делом выясняется, что модель в Jupyter никому не нужна. Спрашивают, как ты её задеплоишь, как обновишь без даунтайма и как поймёшь, что она сломалась в проде.

Давайте посмотрим на вакансии:
ML-инженер, Росгосстрах: Kubernetes, Docker, Airflow, MLflow, FastAPI
ML-инженер, Уралхим: MLflow, Airflow, CI/CD для моделей, Prometheus и Grafana
MLOps-инженер, В Кадре: MLflow обязателен, DVC, Kubeflow или Airflow
И таких вакансий сотни

Заметьте, это не сеньорские позиции. Это обычный прод, такой стек сейчас в каждой второй вакансии. Джун, который умеет докатить модель до прода, на собесе обходит джуна с десятью юпитер-ноутбуками. А по свежим обзорам рынка средняя вилка ML-инженера в России 280-450 тысяч, и попадают в неё именно те, кто дружит с инфраструктурой.

Поэтому мы тщательно проработали в новом курсе ML PRO тему вывода модели в прод. Кому курс зайдёт:
- Джунам и стажёрам, которые хотят перейти от ноутбуков к боевым сервисам и расширить свой выбор вакансий;
- DS-ам, которых на работе просят "заверни модель в сервис", а как именно, никто не рассказал;
- Тем, кто метит в middle. Без прод-навыков грейд не поднимут, какие бы ни были метрики;

За 6 недель занятий руками собираем полный цикл: сервис на FastAPI, Docker, деплой в Kubernetes, CI/CD на GitHub Actions, MLflow с реестром моделей, DVC, пайплайны в Airflow, мониторинг в Grafana и отлов дрейфа. Отдельно дообучаем LLM и выкатываем её на GPU. Также ботаем такие важные темы как рекомендации, матчинг, MLOps, динамическое ценообразование и так далее. Закрываем всё занятием по карьере: резюме, собесы с HR и техничкой, поиск вакансий в России и зарубежом, LinkedIn.

На выходе у вас репозиторий, который поднимается одной командой, задеплоенная модель и внятные ответы на вопросы про прод. С этим уже можно ходить и на ML-инженера, и на MLOps, и на DS с инженерным уклоном.

➡️ Записаться

Почему AI-стартапы становятся всё более привлекательным местом работы

За последние пару лет работа в стартапах, занимающихся искусственным интеллектом, заметно выросла в престиже. Если раньше такие компании ассоциировались в основном с Кремниевой долиной, то теперь тренд смещается и в Европу. Вот лишь несколько ярких примеров, которые откликаются лично мне: польский ElevenLabs, недавно привлёкший $180 млн в раунде C; французский Mistral AI, на фоне которого Франция анонсировала инвестиции в $112 млрд на создание европейского аналога Stargate; британский Tessl с раундом A на $125 млн, у которого до сих пор нет публичного продукта. У каждого свои мотивы идти в стартап, но я вижу несколько очевидных причин, почему это направление становится всё более логичным выбором:

1. Больше нет "тихой гавани" в бигтехе.
Кризис последних лет показал, что даже такие гиганты, как Google или Meta, могут переживать сложные времена и безжалостно сокращать персонал. Раз гарантированной стабильности больше нет, пропадает и смысл надолго оседать в крупных корпорациях, где, будем честны, во многих командах работа не самая захватывающая.

2. Компенсация сопоставима с FAANG.
Да, так не везде, но в стартапе с хорошим раундом можно найти позицию, где реальные деньги (базовая зарплата) будут не сильно уступать предложениям от бигтеха. А если добавить к этому опционы, то суммарный пакет может оказаться даже привлекательнее.

3. Риски стали ниже.
Когда стартап привлекает крупный раунд, это даёт определённые гарантии его существования на несколько лет вперёд. В текущих реалиях ожидать чего-то большего от любой компании сложно, поэтому разница в стабильности между стартапом и корпорацией уже не так велика.

4. Больше ответственности и новых вызовов.
В больших компаниях всё заточено под продукт, и исследовательская деятельность сильно ограничена его нуждами (если только вы не попали в research-лабораторию, что маловероятно без академического бэкграунда). В стартапе же постоянно приходится перепридумывать продукт, сталкиваться с неизвестностью и брать на себя более широкую зону ответственности - это сложнее, но и интереснее.

5. Выход стал более реалистичным.
С учётом объёма инвестиций, качества продукта и сильной команды (а без неё большие деньги не дадут) маловероятно, что стартап просто исчезнет. Если он не станет единорогом, то, скорее всего, будет поглощён более крупным игроком. И это тоже неплохой сценарий, не так ли?

Таким образом, работа в AI-стартапе перестала быть экзотикой и превратилась во вполне рациональный карьерный шаг. Свои мысли можно обсудить в нашем чате.

Подписаться: @zadachi_ds

Как устроена секция "ML Coding"

На первый взгляд, ML Coding звучит как "небольшое упражнение по написанию кода, связанного с ML, но не leetcode". Именно так часто формулируют рекрутеры. На практике же сложность и формат могут сильно варьироваться: от десяти строк на PyTorch до полноценного пайплайна обработки данных. Поэтому первый шаг к успеху - вытащить максимум конкретики ещё до интервью.

Где искать информацию
• У HR или рекрутера, проводящего процесс.
• У знакомых, которые проходили собеседования в эту компанию или работают там.
• На платформах вроде Blind или Glassdoor, где люди делятся отзывами.
После того как вы поняли, какой фреймворк (numpy, PyTorch и т.д.) вероятнее всего потребуется, стоит отточить навыки работы с ним и порешать типовые задачи.

Два типа задач
Все задания на ML Coding можно условно разделить на две большие категории: замкнутые и открытые.

Замкнутые задачи
Такие вопросы напоминают алгоритмические задачи с leetcode, только из области машинного обучения. У них есть конкретное решение, которое можно легко проверить. Обычно даётся 25–30 минут. Оценка достаточно объективна: важно ясно объяснять ход мыслей, корректно реализовать суть алгоритма и аргументировать каждый шаг. Конкретная тематика зависит от того, насколько стандартизирован процесс найма в компании.

В технологичных стартапах и компаниях среднего размера часто спрашивают что-то из мира трансформеров. Реальные примеры вопросов:

• Реализовать causal scaled dot product attention на numpy с поддержкой маскирования и dropout. Интерфейс функции:
def scaled_dot_product_attention(query, key, value, dropout_p=0.0,
is_causal=False, scale=None) -> numpy.ndarray:
• Написать Transformer Block на PyTorch по шаблону:
class TransformerBlock(nn.Module):
def __init__(self, model_dim: int, num_heads: int):
super().__init__()
torch.manual_seed(0)
pass
def forward(self, embedded: TensorType[float]) -> TensorType[float]:
torch.manual_seed(0)
pass
• Реализовать nucleus sampling (top-p sampling) для генерации текста.
Подобные задания встречались, например, в Snap. Но это лишь базовый уровень, иногда попадаются и значительно более сложные вещи, вроде:
Реализовать пайплайн подготовки данных для обучения авторегрессионной модели с delay pattern. Предположим, размер кодовой книги равен N. Нужно подготовить входной тензор для модели, затем реализовать forward-проход и вернуть предсказанные логиты формы 
[num_codebooks, batch_size, sequence_length, vocab_size]

В крупных компаниях (FAANG, Revolut и подобных), где ML Coding является частью проверки фундаментальных знаний, обычно дают реализовать классические алгоритмы ML. Чаще всего предоставляют шаблон кода с уже инициализированными параметрами, а от кандидата требуется дописать саму логику. Примеры таких задач:
• K-means кластеризация на Python.
• Forward/backward для логистической регрессии (обычно для бинарной классификации).
• Наивный Байес.
• Дерево решений.

Наш чат.

Гибридный формат: поиск багов
Иногда встречается вариант, когда почти весь код алгоритма уже написан, и нужно найти в нём ошибки. Например, дана реализация GPT или стека трансформеров, и требуется отыскать все недочёты (скажем, модель не использует маскирование токенов при обучении). Такой формат, по отзывам, практикуется в Яндексе.

Открытые задачи
Открытые задания характерны для стартапов ранних стадий или компаний, где процесс найма ещё не отлажен. Здесь нет единственно верного ответа: даётся размытая постановка задачи, и кандидату предлагается вместе с интервьюером спроектировать решение. По сути, это имитация парного программирования: вы с интервьюером как будто тиммейты, вместе пишете код. Длительность такого раунда может достигать часа и даже больше - стартапы заинтересованы в том, чтобы получить максимум сигнала о кандидате, поскольку ресурсы на поиск ограничены.
Пример задачи из LLM-стартапа:
Напишите функцию, которая генерирует выход для предобученной модели, а также выводит статистику latency/throughput для заданного входа.

Кандидат предлагает архитектуру решения, пишет код, затем отвечает на уточняющие вопросы и добавляет новые фичи. Часто разрешается пользоваться интернетом и копировать фрагменты кода, чтобы смоделировать реальные рабочие условия. Такие раунды самые интенсивные и интересные, но исход менее предсказуем: многое зависит от коммуникации и вовлечённости интервьюера. Открытые вопросы очень любят в Seed / Round A стартапах.

Как готовиться эффективно
Ну стандартные советы:
1. Соберите информацию о формате конкретной компании.
2. Освежите базовые алгоритмы ML (кластеризация, линейные модели, деревья) - их просят часто.
3. Потренируйтесь писать код на numpy/torch без подсказок IDE, чтобы уверенно чувствовать себя на интервью.
4. Для стартапов практикуйте открытые задачи: берите реальную проблему (например, генерация текста с замером скорости) и реализуйте прототип, объясняя каждый шаг.
5. Цените маму

Подписаться: @zadachi_ds

Щёлкать собесы в бигтехи или работать в международке?

Можно успеть попробовать и то, и другое! Сегодня мы хотим познакомить вас с Аней Аналитессой-разработчицей: она знает не понаслышке и о том, как проходят отборы в топовые компании на рынке РФ, и о том, как найти работу за границей.

За 6+ лет опыта она сама поработала в 📱, 🏦, 💙, 😎, а также провела десятки технических собеседований аналитиков-разработчиков и несколько отборов студентов в ШАД и ААА.

➡️ Разборы задач и тем с реальных собесов😎
Разбор задачки про интервал движения поездов
Популярная Leetcode Medium из бигтехов
Основы О-оценки сложности для собесов
Факты про А/В тесты, которые лучше понять, чем заучить

➡️ Аналитика ситуации на рынке в эпоху ИИ🤖
Разбор рекламы в метро про зарплаты 290к у выпускников
Про романтизацию продуктовой аналитики
Как меняется работа аналитика с приходом ИИ

➡️ Про поиск удалённой и международной работы🌎
Можно ли уехать за границу, оставшись работать на РФ?
Простые первые шаги к поиску удалённой работы
Вещи, которые мешают найти тебе международную работу

Нам нравится Анин канал за то, что там есть и нотка оптимизма — например, посты о том, почему айти ещё не В С Ё вопреки заголовкам, и почему не стоит бояться увольнения 👍

➡️ @analytess 😺

Как проходят собеседования в стартапах

Речь пойдёт о стартапах, которые уже привлекли раунд Seed (от $5M) или A (от $25M) и имеют в команде примерно 10–50 человек. Такие компании уже доказали состоятельность идеи перед инвесторами, у них есть работающий пилот, и они могут переманивать сильных специалистов.

Может показаться, что в небольшой команде наём должен быть простым, но на деле всё наоборот. Интервью-процесс здесь интенсивнее и требует от кандидата больше времени. Причина проста: ранний стартап не может массово нанимать людей, поэтому каждый новый человек критичен. Команда стремится собрать максимум сигналов о кандидате, чтобы понять, каким коллегой он будет в ежедневной работе бок о бок. В этом есть и плюсы, и минусы. Если вы уверенно проходите этапы и производите сильное впечатление как специалист и как личность, шансы на оффер растут. Но будьте готовы потратить заметно больше времени, чем при отборе в крупную компанию.

1. Разговор с основателем (30–45 минут)
Вас могут соединить с фаундером или ко-фаундером, особенно если вы претендуете на одну из первых ролей в команде (например, Founding ML Engineer). Это скорее беседа для взаимного знакомства: основатель рассказывает о видении продукта и перспективах компании, а вы оцениваете, насколько это вам созвучно. Главное прочувствовать энергетику лидера и понять, хотите ли вы вместе строить этот продукт.

2. Беседа с техническим лидером (30–45 минут)
Разговор с CTO или опытным техлидом. Обычно это человек с солидным бэкграундом (часто 5–10+ лет в крупных технологических компаниях; если это не так, стоит задуматься). Фокус здесь на вашем техническом опыте и прошлых проектах. У вас будет много пространства для вопросов, поэтому важно понять, насколько вам близок технологический путь стартапа, как планирует развиваться команда и насколько глубоко люди понимают то, что делают.

НАШ ЧАТ

3. Тестовое задание (минимум 4–6 часов)
А вот здесь начинается серьёзная проверка. Кандидату выдают домашнее задание, которое, по скромным оценкам, занимает 4–6 часов. Но если вы хотите действительно выделиться и показать высокий уровень, закладывайте 8+ часов. Формат зависит от роли: реализовать мини-сервис, построить ML-пайплайн, воспроизвести статью и т.д.
Такой объём требует реальной заинтересованности в компании. Но именно здесь кроется преимущество стартапа: большие корпорации не могут позволить себе столь глубокую проверку, а стартап может, и это ваш шанс блеснуть мастерством и серьёзно оторваться от других кандидатов.

4. Ревью тестового задания (1,5–2 часа)
После выполнения задания вас ждёт живая встреча, на которой 2–3 человека (включая CTO) будут глубоко разбирать ваше решение. Придётся объяснять, почему вы приняли те или иные решения, защищать выбор архитектуры и демонстрировать мышление. Это отличная возможность не только показать умение убедительно доносить идеи, но и почувствовать реальный вайб команды.

5. Онсайт-визит (2–5 часов)
Если предыдущие этапы пройдены успешно, вас, скорее всего, пригласят в офис на полдня или даже на целый день. Если домашка сделана отлично, этот этап часто становится проверкой на адекватность: умеете ли вы чётко излагать мысли, владеете ли системным дизайном, комфортно ли с вами коллегам.

Что может ждать на онсайте:
- ML-кодинг (формат может быть как у доски с маркерами, так и за ноутбуком с интервьюером);
- Сессия по ML/System Design;
- Бихевиоральное интервью с лидами. Будут спрашивать про ценности, отношение к переработкам, горящим дедлайнам (и это почти гарантированно);
- Обед с командой. Используйте как возможность неформально пообщаться с будущими коллегами;
- Обсуждение компенсации с HR и/или фаундером. Важный момент, торг здесь уместен.

Если всё сложилось, оффер вы получите в течение пары дней. Мариновать, как в бигтехе, не станут.

Стоит ли игра свеч?
Стартапы по определению несут больше рисков: экономическая турбулентность бьёт по ним раньше, чем по гигантам. Но в AI-пространстве скорость изменений колоссальная, и стартапы здесь выигрывают за счёт мобильности. Они быстрее адаптируются и могут протестировать несколько идей за короткое время. Визуально риски провала снижаются по мере роста внедрения AI-технологий. К тому же именно в небольшой компании часто находишь то, чего не хватало: реальное влияние на продукт, высокую ответственность, технологический драйв и меньше бюрократии при большем количестве настоящего кода. Каждый находит свою причину.

Подписаться: @zadachi_ds

ЧЕМ ПОЛЕЗЕН КАНАЛ?

Поступашки — образовательный проект по математике и IT. Мы уже 5 лет помогаем поступать в ШАД, проходить в сильные магистратуры и получать офферы BigTech.

Что можно найти на канале?

📌 Карьерные курсы

12 карьерных курсов от A/B-тестов до бэкенда— готовим к собеседованиям, помогаем уверенно выйти на рынок с сильным портфолио и резюме

📌Собеседования и стажировки

Все стажировки и аналитические школы
— список актуальных стажек, где можно начать карьеру
Подготовка к собеседованиям
— гайды, тестовые, пет-проекты по востребованным направления

📌 ШАД, AI Masters, ААА

Все о школах анализа данных
— разборы, варианты, гайды для подготовки
Курсы подготовки к ШАД
— готовим по 4 направлениям: алгосы / теорвер / матан / линал

📌 Магистратуры по Data Science

Список ВУЗов и актуальных программ
— подробно про отборы, процесс обучения и перспективы

📌 Индивидуальные занятия и консультации

Индивидуальные консультации и занятия
— для тех, кому нужна персональная стратегия и прогресс.
Разберём вашу ситуацию, выстроим план и определим приоритеты подготовки. Напишите со своим запросом @vice22821

Наши дополнительные ресурсы
🟦Наш YouTube где много бесплатных разборов
🟦Чат комьюнити и боталка для бота

По всем вопросам и рекламе: @vice22821
По покупке курсов можно обратиться к менеджеру.

Интервью в Avito: Middle+/Senior ML/DS Engineer. 350–400 тыс. Июнь 2026

Наш выпускник проходил собеседование на позицию ML Engineer в Avito. Уровень заявлялся как Middle+/Senior с предполагаемым доходом 350–400 тыс. Формат занятости гибкий: от гибридного до полной удаленки, зависит от договоренностей с командой.
Авито славится своими высоко организованными процессами, высоким уровнем спецов и высокими зарплатами, большим количеством интервью. Также славятся тем, что пытаются срезать грейд. И кстати Авито начинает заходить в страны СНГ, поэтому компания может быть интересна еще и будущим релокантам. Короче, в посте обсудим ключевые этапы отбора.

Первичное знакомство и организационные моменты
Скрининг и логистика оставили смешанные чувства. Изначально нас предупреждали, что процесс компактный, но на деле он растянулся почти на месяц. Трижды переносили встречи то из-за болезней интервьюеров, то из-за пересечения таймслотов, то просто не было подходящих окон. Ирония в том, что две секции в итоге все-таки провели в один день. Компания старается быть быстрой, но реальность, как обычно, вносит свои коррективы. Однако сами собеседования проходили в спокойном ключе: по одному интервьюеру на этап, приятная и адекватная атмосфера, возможность подумать и уточнить вопросы.

1. ML-теория
Час плотного, но не запредельного диалога. Опросили по трансформерам: принципы работы, разница между энкодером и декодером, внутреннее устройство механизма внимания (self-attention) и общая логика обработки последовательностей. По классике затронули линейную и логистическую регрессию: от принципов работы и функций потерь до аналитического решения. Про ансамбли: глубоко копали bagging и boosting, их отличия и влияние на смещение и дисперсию. Затронули метрики качества: интерпретацию и сценарии применения. По сути, это был хороший тест на фундаментальную базу без попыток завалить редкими деталями, но требовал четкого понимания.

2. Python-интервью
Час практической работы. Как я понял, у них есть типовой шаблон: написать реализацию логистической или линейной регрессии с нуля. Дальше обсуждаются возможные улучшения, ограничения и пути оптимизации. Также проверили базовое понимание архитектуры языка: GIL, асинхронность, ООП. Вопросы были именно в разрезе продакшен-разработки, а не проверки на знание экзотических функций.

3. Секция ML System Design
Этот этап ожидаемо оказался самым интенсивным. Заявлено было полтора часа, но по факту уложились в час. Для проектирования это невероятно сжатые сроки. За это время пришлось затронуть и бизнес-контекст, и метрики, и данные, архитектуру, SLA, мониторинг, риски и стратегию раскатки. По сути, это был блиц-опрос на скорость мышления.
Момент, который вызвал внутреннее удивление: обсуждение бизнес-составляющей свернули очень быстро и практически сразу ушли в технические рельсы. В классическом MLSD бизнес-метрики - это фундамент, на котором строится всё решение. Здесь же интервьюер сфокусировался на железе, архитектуре и способах реализации, оставив продуктовую логику за скобками. На тот момент мне показалось, что это странный подход, но в итоге это оказалось частью их стресс-теста.

Фидбек и долгожданный оффер
Несмотря на непривычный формат, через пару дней после секции я получил приглашение на заключительный созвон с HR, а уже через неделю: подтверждение о прохождении и оффер.

Коммуникация
В отличие от затянутого старта (где собеседования переносили), финальный этап прошел максимально быстро и прозрачно. На созвоне с командой (тимлид и ведущий инженер) у нас состоялся откровенный разговор. Удалось обсудить не только будущие задачи, но и их внутренние процессы, стек, а также то, как команда справляется с текущими вызовами. Отвечал про жизнь в компании без прикрас, рассказывали и о плюсах, и о сложностях. Это подкупает, потому что показывает зрелость компании: они не рисуют "золотые горы", а нанимают людей, готовых работать с продуктом здесь и сейчас.

Если же хотите выйти на такой уровень, то советую, то советую наши курсы старт, на который мы продлили финальные скидки на 24 часа.
➡️ Записаться

Подписаться: @zadachi_ds

Почему без алгоритмов - ты первый кандидат на сокращение

Часто слышу от зумеров: "Я же модели обучаю, зачем мне эти ваши Дейкстры и динамическое программирование?"
Сейчас разложу по полочкам, почему без алгоритмов ты - не ML-специалист, а пользователь sklearn и первый кандидат на сокращение.

Собеседование
В любую крупную российскую или зарубежную компанию (Яндекс, Т-банк, HFT, FAANG+) техсобес состоит из двух частей: ML-секция и алгоритмическая (лайв-кодинг).
Можно идеально отвечать про градиентный бустинг и attention, но запороть банальную задачку на словари или графы и всё, до свидания. Твоё место в Алабуге.

ML - это не только fit и predict
Как только уходишь чуть дальше ноутбука, начинается:
• написание кастомных функций потерь и слоёв,
• эффективные пайплайны обработки данных,
• инференс в продакшене с жёсткими ограничениями по памяти и скорости.
Без понимания сложности, хеш-таблиц, деревьев и очередей ты либо закопаешь сервер, либо будешь ждать ответа три секунды. Пользователь ждать не будет. Понимание таких смежных вещей особенно важно в эпоху нейросетей, когда fit-predict может написать любой ChatGPT.

Структура мышления
Я раньше тоже думал, что это сказки бабушек типа "математика ум в порядок приводит»" но сейчас, проведя сотню+ собесов и поменторив сотню джунов/стажеров, понимаю, что в этом реально что-то есть. По образу мысли сразу понятно, ботал ли человек алгоритмы или нет.
Всё-таки алгоритмы - это гимнастика для ума. Динамическое программирование учит разбивать задачу на подзадачи, графы - видеть скрытые зависимости, жадные алгоритмы - быстро оценивать компромиссы. Все эти навыки переносятся напрямую на дизайн ML-систем.

ML-дизайн и архитектура
На секции system design в топ-проектах любят копать вглубь: интервьюер хочет понять, шаришь ты или нет, потянешь или нет. Когда проектируешь рекомендательную систему или поиск, нужно понимать, как организовать индексы, как быстро искать ближайших соседей (ANN), как строить граф знаний, как шардировать данные.
Алгоритмы и структуры данных - это скелет, на котором держится вся ML-инфраструктура. Думайте.

Скорость разработки
Представь: тебе нужно найти топ-100 похожих товаров среди 10 миллионов за 50 мс.
Без знаний LSH, HNSW, KD-деревьев ты либо напишешь брутфорс (и ляжешь спать на часок), либо просто не пройдёшь system design-интервью. Конечно, можно спросить у GPT, что тут придумать, но без понимания алгоритмов ты не сможешь критически оценить его решение и рискуешь уронить прод. Всё-таки GPT не панацея: он может решать учебные задачки про коня в вакууме, но на реальных задачах навалит кринжа, потому что банально не знает всей специфики твоей задачи.

Реальная задача
Помнишь тот кейс из X5 Digital: «Есть миллион заказов, надо в реальном времени пересчитывать матрицу цен доставки в зависимости от загрузки» (https://t.me/zadachi_ds/388)? Да, там RL, но обёртка вся на алгоритмах: очереди, графы маршрутов, быстрое обновление Q-функции. Без алгоритмов модель даже не долетит до прода.

Короче
Алгоритмы - это то, что отделяет реального ML-специалиста, который будет расти и развиваться, от человека-функции, которого уже завтра заменят нейросети. Хочешь расти, развиваться и не остаться на помойке? Прокачивай фундамент, на котором всё строится. Для этого советую наш курс по алгоритмам, на который действует финальная скидка до конца выходных: 6 495 ₽. А если возьмёшь комбо: ML + алгоритмы, то тебя ждёт очень приятная цена: 9 900 ₽. ➡️ Записаться

Подписаться: @zadachi_ds

ML-кейс компании X5Digital (динамическое ценообразование)

Нашему выпускнику на собеседовании с командой предложили интересный кейс с историей.
У доставки еды возникает проблема: когда клиентов очень много, приложение показывает «повышенный спрос, время ожидания увеличено». Клиент может уйти к конкурентам или просто дойти до магазина сам. Итого потеря денег и лояльности.

Как решали без ML
Сначала аналитики через A/B-тесты вручную подбирали для каждого магазина матрицу цен доставки при разных уровнях загруженности и порогах корзины. Похоже не самый удачный подход: данные быстро устаревают - магазин расширился, радиус доставки изменился, и всю матрицу надо пересчитывать заново. Долго, нудно и негибко.

Как решили с помощью ML
Применили концепцию обучения с подкреплением (Reinforcement Learning). Без сложных агентов, но сама логика такая:

Среда - система доставки.
Состояние (State) - текущая загруженность курьеров и сборщиков.
Действие (Action) - на сколько процентов увеличивать цену доставки при высоком спросе.
Reward (вознаграждение) = c × РТО – (1 – c) × CTD

Разберём компоненты:
• РТО - розничный товарооборот (выручка от проданных товаров). Хотим её растить.
• CTD - Click to Delivery, быстрота доставки. Если обещали 30 минут, а доставили за 60, CTD = 2 → это плохо. Если за 15 минут, CTD = 0.5 → отлично. Чем CTD меньше, тем лучше, поэтому в формуле вознаграждения перед CTD стоит минус: большое CTD штрафует reward.
• c - весовой коэффициент баланса. При c → 1 приоритет на выручке, при c → 0 - на скорости доставки. Это tradeoff, который бизнес настраивает под свои цели.

Для предсказания reward ввели функцию Q(s, a) (назвали так условно, это не из Q-learning). Она обучается на исторических данных: по текущей загруженности и проценту наценки модель прогнозирует, какое вознаграждение мы получим. Затем для каждого периода времени выбирается наилучшее действие: a = argmax Q(s, a). То есть модель сама решает, насколько повысить цену, чтобы максимизировать reward.

Итог
Сначала внедрение привело к тому, что РТО немного просел (на несколько процентов), а CTD улучшилось: доставка стала быстрее, но выручка упала. Затем подобрали гиперпараметр c, дообучили модель - и РТО вернулся к исходному уровню, при этом CTD остался ниже изначального. Выручка не изменилась, а эффективность доставки выросла. Это прямой профит: клиент не уходит к конкурентам, растут LTV и Retention, что критически важно для бизнеса.

Вывод
ML в этом кейсе не просто «делает прогнозы», а автоматически адаптирует ценообразование к меняющейся загрузке, избавляя от ручного пересчёта матриц. Компаниям всё чаще нужны специалисты, способные связать математику с реальной бизнес-метрикой. Кстати, на нашем курсе ML-про можно разобраться с динамическим ценообразованием на практике - рекомендую!

Подписаться: @zadachi_ds