Выберите отдельное собеседование или весь процесс по компании. Внутри: вопросы, задачи, аудио, разборы и тренировка там, где материал готов к прохождению.
270 найдено из 270
62 процесса с несколькими собеседованиями в одной компании или роли.
Техническое собеседование про инференс LLM, GPU-память, batching, runtime и оптимизацию latency.
Скрининг, техническое собеседование, ML System Design и финальная встреча по задачам команды.
Два технических собеседования: Python/алгоритмы и ML-задачи на временные ряды для HFT.
Технический разбор LTV, когорт и временных рядов, затем финальная встреча по RecSys и работе в команде.
Алгоритмы и Python, ML-задача на градиентный спуск и финальный продуктовый кейс про audio-event feature.
Четыре опубликованных этапа AgeCode: скрининг по HealthTech/LLM ролям, задача на данных на label aggregation, ML theory на английском и ML System Design поиска по статьям/RAG.
Три опубликованных этапа MrBit: скрининг по casino/classic ML роли, math/statistics интервью по A/B и probability, затем ML System Design раннего VIP-прогноза.
Два опубликованных этапа GRII RED: техническое собеседование по мультимодальному поиску и рекомендациям, затем ML System Design рекомендаций в корзине.
Пять технических собеседований: алгоритмы, NumPy, моделирование редких событий, поиск дорожных сцен и self-attention.
Два опубликованных OLX этапа вокруг marketplace ML: platform подробный разбор по рекомендациям и paid fairness, затем техническое собеседование case по pricing, features, validation и A/B.
Три опубликованных этапа Order Capital: C++ algorithms screen, ML coding с конструктивным XOR через ReLU-блоки и HFT case про оптимальную позицию по распределению доходности.
Скрининг по опыту с ML-платформой и техническое собеседование про LLM-агентов, деплой, Kubernetes и RAG.
Скрининг, широкое техническое собеседование, финал с командой Geo Search и обсуждение оффера.
Процесс Diagnocat: PyTorch attention и метрики детекции, теория обучения DL с ML System Design-кейсом по 3D dental CT, разговор с CEO/командой про медицинский ИИ и LLM, затем code review PyTorch.
Технический скрининг по onsite LLM-роли в Дубае: оценка GPU-памяти, стек vLLM/FastAPI и выбор базы данных.
Скрининг на роль RL/LLM Engineer в drug discovery: LoRA, multi-GPU, глубина RL и мотивация к production-задачам.
Опубликованные этапы Seamflow: скрининг с фаундером про ИИ-сертификацию и стартап-ритм, алгоритмическая секция с Excel-like движком формул и зависимостями, затем восстановленный созвон по проектам: CV-антифрод, fashion-рекомендации и контекст задачи на расписание.
Скрининг, алгоритмическая секция, ML1 по вероятности и классическому ML, team fit и обсуждение оффера.
Три опубликованных этапа T-Bank для ML-инженера по рекомендациям: техническое собеседование про fashion-рекомендации, метрики, ALS и SASRec; алгоритмическая секция; и ML System Design-кейс про lifestyle-ленту в банковском приложении.
Скрининг, техническое собеседование с SQL, ML System Design по подбору поставщиков, финал и обсуждение контракта.
Два опубликованных этапа Chinor для ML Lead в распознавании речи: рекрутерский скрининг про компанию, лидерскую траекторию, стартап-контекст и владение ML целиком; затем технический ML System Design-кейс по превращению аудио звонка оператор-клиент в запись на шиномонтаж.
Четыре опубликованных этапа CIAN по поиску, рекомендациям и ML для посуточной аренды: HR-скрининг, широкое техническое собеседование, ML System Design по поиску недвижимости естественным языком и финальный разговор с командой.
Обсуждение оффера: юрлицо для контракта, бенефиты и варианты релокации; точная компенсация не публикуется.
Short English Python скрининг with tuple syntax and function-output quiz fragments.
Short скрининг with location/B2B formal checks, Python experience and техническое собеседование-stage expectations.
Скрининг и техническое собеседование по CV/NLP-базе, мультимодальным моделям и безопасности видео.
Процесс QIC: скрининг на новое направление страхового ML в Катаре, затем техническое собеседование с SQL-задачами по event-таблицам, Pandas-анализом revenue, drift данных, overfitting, стратегией без данных и разговором про продакшен-деплой.
Toloka AI цикл собеседований: скрининг с рекрутером, fit/exchange call, already published coding/theory собеседование and ML System Design for an automatic checking assistant.
Технический созвон с контекстом отказа: probability/Markov reasoning и короткий follow-up по статистике.
Short feedback call after an ML System Design rejection, with gaps around model construction, metrics, deployment and мониторинг.
Три опубликованных этапа Constructor для ML-инженера по ИИ-агентам для покупок: рекрутерский скрининг, NLP-моделирование пунктуации ASR с hiring manager и техническое собеседование с HNSW/Qdrant, RandomizedSet и ML/product кейсом про суммаризацию URL.
Скрининг, разговор с фаундером, алгоритмическая секция и последующее обсуждение роли.
Два опубликованных этапа Tochka: широкое техническое ML-собеседование по CV-проектам, метрикам, линейным моделям, бустингу, Transformers, оптимизации и короткой задаче; затем ML System Design-кейс по извлечению риск-сигналов из банковских PDF-выписок юрлиц с учетом приватности и масштаба.
Опубликованные этапы Adapty для сеньор DS/ML роли в монетизации мобильных приложений: HR-скрининг с расчетом LTV, собеседование по LTV/math, длинный продуктово-технический кейс и обсуждение оффера без личных цифр.
скрининг с рекрутером for Dubai opportunities and super-app recommendation context.
Скрининг про опыт в Avito CV/RecSys, предпочтения по удаленной работе и продуктовые ML-направления.
Собеседование по ML-роли в adtech: опыт кандидата, домен, условия и дальнейшие шаги.
Собеседование по AI-роли для видеоаналитики: CV/VLM-опыт, продуктовые кейсы и детали процесса.
Скрининг, Python/SQL, устное ML-собеседование и ML System Design по рекомендациям похожего контента.
техническое собеседование собеседование around vector retrieval, small coding, LLM инференс and Transformer fundamentals.
Два этапа Palabra.ai: скрининг про speech data и хранение данных, затем длинное data-engineering собеседование про ASR/TTS-пайплайны, ClickHouse, гарантии хранения, контейнеры и оптимизацию инференса.
скрининг for a video analytics platform with RAG/support-assistant discussion and DS ownership boundaries.
Non-interview English-practice recording for процесс phrasing and project-story polishing.
Скрининг в AI stylist стартап: опыт в fashion RecSys/CV и предупреждение о требовательном техническом собеседовании.
Техническое собеседование по CV в продакшене, алгоритмическая секция и финал с perception-командой.
скрининг with a light техническое собеседование check on LLM hyperparameters, generative model families and an agent/RAG role scope.
Два опубликованных этапа GamerAM для роли ML / RecSys Lead: скрининг с продуктовым контекстом и короткими вопросами по рекомендациям и пайплайнам данных, затем широкое техническое собеседование по рекомендациям ленты и матчинга, ML-инфраструктуре, Spark, Redis, Python, A/B-тестам, графовым рекомендациям и выбору labels для матчинга.
Процесс Wheely: HR-скрининг на DS/MLE роли, собеседование по вероятности и статистике, задача на логистическую регрессию, финальный разговор с marketplace-ML командой и созвон по офферу/релокации на Кипр.
скрининг clarifying infra-versus-ML fit, C++ background and algorithmic техническое собеседование interview format.
HR-скрининг на английском: бэкграунд, мотивация и fit для небольшого динамичного стартапа.
Recovered X5 цикл собеседований from the M4A batch: HR скрининг around role fit and infrastructure questions, followed by техническое собеседование coding, SQL and embeddings questions.
Long скрининг с рекрутером with relocation constraints, Python/PyTorch quiz, Avito Auto CV разбор проекта and model-architecture checks.
HR-скрининг по fraud/recommendation ML-направлениям, владению production-задачами и планируемым кодовым/ML-техническим этапам.
Single техническое собеседование ML case about port waiting-time prediction, feature leakage, anomaly checks and interpretability.
Short CV-engineer скрининг about face-editing product context, diffusion/CV expectations and team-size questions.
Рабочая встреча по Airflow/Greenplum-пайплайну, проверке нормы эмбеддингов и автоматизации LogStream.
Скрининг с фаундером и технической частью про видеоаналитику с камер грузовиков, региональные corner cases и баланс research/product.
скрининг about Samokat e-commerce recommendation teams, SQL expectations and first-stage scheduling.
скрининг с рекрутером about relocation constraints, the long WorldQuant процесс and candidate motivation for quant/HFT domains.
Вводный скрининг по fashion AI-роли в Дубае: рекомендации образов, ограниченные данные и передача кандидата менеджеру.
скрининг for a senior/lead DS role in adtech with team-ownership expectations and later Head of DS/CTO stages.
Восстановленный HR-скрининг по ML-направлениям компании, удаленному контракту, опыту кандидата в ML/CV/RecSys и доступности.
скрининг с рекрутером for a Frankfurt-based AI engineering role at Stifel / a US investment bank: candidate production AI background, LLM/RAG infrastructure experience, location and notice-period logistics, salary mismatch and next steps.
скрининг с рекрутером for a remote Russian-speaking Go/backend blockchain role: team/процесс context, crypto-only payment, salary ceiling, interview stages and expected theory around Go, databases and Ethereum gas.
скрининг с рекрутером for an Applied AI / senior data role at Revolut: relocation constraints, data-team structure, Applied AI discovery track, candidate production AI experience and the next interview процесс.
Principal/staff applied scientist скрининг at Parloa: engineering structure, candidate AI agents/RAG/inference background, LLM evaluation framework ownership, product evaluation design for support automation, compensation and interview процесс.
Короткий скрининг по роли в LLM inference / speculative decoding: self-introduction, research fit, roadmap thinking и один сильный production-фрагмент про adaptive routing для multi-GPU инференс.
Техническое собеседование в EPAM Estonia: вопросы, задачи и разбор этого этапа.
ML System Design в Hera: вопросы, задачи и разбор этого этапа.
AI engineer скрининг with Enam: company model around acquiring service businesses and transforming operations with AI, candidate LLM/RAG/inference background, distributed training/RL check, product-ownership examples, compensation and take-home процесс.
HR-скрининг в Operations1: вопросы, задачи и разбор этого этапа.
HR-скрининг в CNTR / Centure: вопросы, задачи и разбор этого этапа.
скрининг call for a FIN/European role. Telegram notes mention a подробный разбор into a difficult project, precision/recall discussion, and expected next stages around ML and classic ML.
разговор с фаундером for a motion-design AI startup: product pitch, core animation-engine problem, candidate RAG/LLM production background and transition from consulting to startup product ownership.
скрининг call for a European fintech role with NLP/agents focus. Public notes preserve the high-level domain and процесс signal for linking with later техническое собеседование rounds.
Алгоритмические задачи, дополнительный вопрос по complexity и глубокий блок по архитектуре больших языковых и мультимодальных моделей.
Research/infra собеседование про continuous batching, exploration в RL, UCB при большом action space, LoRA memory trade-offs, FP16/BF16 и parallelism.
Легкий публичный marker финального этапа из Telegram #job notes без приватных ссылок и деталей.
CV-собеседование про выбор лучшего фото для категории еды, CLIP vs supervised classifier, датасет/разметку, диагностику low-F1 классов и OCR вывесок.
Технический ML/NLP собеседование вокруг Text2SQL copilot: validation agent, semantic matching NL и SQL, schema linking, BERT, attention и LoRA/adapters trade-offs.
Системный дизайн pricing-policy для доставки с guardrails по конверсии и операционной нагрузке.
Техническое собеседование: SQL по окну дат и последним чекам, дополнительные Spark/SQL вопросы и Python-ранжирование по тегам.
Обсуждение KV cache, speculative decoding, FlashAttention, quantization и distributed vector retrieval.
ML System Design и задача вокруг lead-lag prediction, time grid features и temporal validation.
Финальный технический разговор вокруг LLM/agent платформы: компоненты агента, контекст и tools, eval/business metrics, AI coding процесс и mitigation hallucinations.
Финальная секция: business context для DS, внешние сигналы, сезонность, инициативность и production-итерации.
Технический подробный разбор по RAG-пайплайну: архитектура embeddings/поиск, оценка качества, self-hosted LLM и опыт доведения ML-проектов до production.
ML System Design в Hedge fund AI investing role, company not confirmed: вопросы, задачи и разбор этого этапа.
System design кейс про realtime dashboard CTR рекламных кампаний: оценка потока событий, Kafka/event schema, stream aggregation и OLAP storage.
Прогнозирование LTV/retention по когортам, cold start, temporal validation и пайплайн данных.
Короткая проверка опыта, RecSys foundations, A/B, cold start и production ML.
Технический собеседование с вопросами по LLM inference, agents, LoRA/quantization, Python backend, Git/Linux, pytest fixtures и Docker multistage build.
ML System Design кейс про прогноз производства по отчетам: как использовать LLM для извлечения признаков, валидировать факты из документов и превращать годовой guidance в quarterly features.
Две алгоритмические задачи: обход бинарного дерева зигзагом и LRU cache с get/put.
Технический собеседование с теорией ML, вопросом про продуктовые метрики и SQL-задачей на top-50 товаров для каждого пользователя через window functions.
ML System Design интервью по извлечению полей из PDF-инвойсов: native/scanned PDF, OCR, rules/NER/LLM hybrid, latency/cost, gold set, CI/CD и откат версии.
Финальный продуктовые кейсы / system design case про streaming audio classifier, запуск на edge-устройствах и device/data design.
System design поиска по базе статей: BM25 baseline, hybrid retrieval, reranker и offline/online evaluation.
Плотное теоретическое интервью по LLM: BERT vs GPT, sentence embeddings, tokenization, positional embeddings, attention, GQA/SWA, KV cache, long context и DDP all-reduce.
ML System Design casino/продуктовые кейсы: target, horizon, early behavior features, batch scoring и мониторинг.
Ручной вывод loss и градиента для поиска корня квадратного уравнения через gradient descent.
Три алгоритмические задачи на строки/матрицы и короткий Python runtime блок про GC и mutable defaults.
System design cart recommendations: item-item baseline, category complements, fallbacks и online инференс.
Англоязычный ML theory этап: probability approximation, linear regression, trees, ranking metrics и debugging.
Статистический этап: ЦПТ, p-value, confidence intervals, CUPED, bootstrap, binomial distribution и Bayes.
Первичный звонок про Gaming/casino продукт, analytics department, classic ML фокус и будущие этапы.
Реализация single-head self-attention: Q/K/V projections, stable softmax, проверки размерностей и дополнительный вопрос про multi-head attention.
Постановка multi-label rare-event classification, safety-critical metrics, hard-case mining, distillation и production feedback цикл собеседований.
System design text-to-scene retrieval: dual encoder, ANN, temporal segment embeddings, reranker, labeling и drift мониторинг.
NumPy/geometry секция про uniform sampling, локальные координаты, rotation matrix, API и degenerate cases.
техническое собеседование marketplace ML case: бизнес-метрики, признаки цены объявления, temporal validation, модель и A/B новой поверхности.
задача на данных на Pandas: majority voting, annotator quality, self-leakage и weighted aggregation.
Единое embedding-пространство для текстов и изображений, ML-инфраструктура, метрики и rollout.
Quant ML / HFT case: portfolio value, expected return, MSE target и выбор оптимальной позиции.
Первичный звонок про две ML-роли, full-cycle MLE experience, английский и структуру процесса.
Item-to-item / user-to-item API, batch retrieval, realtime reranking, fairness для paid exposure и GenAI user profiles.
Техническая беседа с акцентом на устойчивую обработку ошибок и coding-упражнения на Python; разбирались метрики и архитектурные компромиссы.
Большое RecSys-собеседование для HeadHunter: двухэтапная рекомендательная система, NDCG/MAP, cold start, Transformer-модели, negative sampling, diversity, embeddings и active labeling.
Product/техническое собеседование интервью про LLM-agent продукт: генерация презентаций из текста, структурированные материалы, версирование, vector/полнотекстовый поиск и backend-контур для долгих LLM задач.
Техническое LLM-собеседование про продуктовые агенты: генерация презентаций из текста, состояние артефакта, гибридный поиск, тестирование prompt-ов, LoRA/SFT, memory, latency, cost и мониторинг в продакшене.
Технический screen по Python runtime, классическому ML, Transformer basics, поиск embeddings и agentic-product thinking. Кодинга в этом этапе не было.
EasyOffer-собеседование на руководителя Python-группы: роль tech lead, декомпозиция фич, документация, исследовательская разработка протоколов, отказоустойчивость в двух ДЦ, Kafka, Python highload и разбор медленных SQL-запросов.
Алгоритмическая задача на геометрию, граф пересечений кругов и DSU/DFS-критерий блокировки пути.
Технический разговор вокруг fintech support bot: RAG/MVP архитектура, Python/PyTorch детали, generation parameters, no_grad и threading/multiprocessing. задача по демонстрации экрана требует отдельного visual review.
Конструктивная ML coding задача на представление XOR через линейные операции и ReLU.
Техническое собеседование в RecSys-направление: offline-метрики с учетом денег, типовые проблемы рекомендательных систем, классы моделей, визуальная similarity-задача, DSSM с content embeddings, Transformer и Python internals.
Технический Python/backend собеседование из EasyOffer: highload опыт, оптимизация сервисов, code review, тесты, контракты между сервисами и две расчетные задачи про capacity planning и Kafka partitions.
Собеседование по рекомендационной задаче для визуального поиска: векторизация, выбор модели, оценка recall/precision и оптимизация решения.
Stable compaction, границы бинарного поиска и дополнительный вопрос по H-index с bucket/suffix решением.
ML System Design собеседование про модельный pipeline в рекомендательной задаче: метрики, признаки, бэкенд, feature-store и rollout.
Техническая секция по CV-пайплайнам для сравнения изображений и brand protection, плюс восстановимая алгоритмическая задача на подмассив с заданной суммой.
Техническое собеседование про casino/игровые рекомендации: LTV, churn, бонусы, CatBoost target encoding, feature importance, ранжирующие метрики, LightFM, cold start и bandits.
Собеседование про search/ranking платформу: lexical и semantic candidate generation, LTR-ранжирование, бизнес-цели, session personalization, latency и эксперименты.
Технический задача блок вокруг Bloom filter: битовый массив, несколько hash-функций, false positive и корректная проверка membership.
Технич. собеседование с акцентом на LLM/agent кейсы, SQL и одну Python задачу с асинхронностью и resilience. Из записи опубликованы две SQL-задачи и один Python coding блок.
ML System Design-собеседование про AI-ассистента для обучения: сценарии помощи студенту, RAG по урокам, реранкинг, детерминированная маршрутизация, защита скрытого профиля и sandbox для проверки кода.
Техническое CV-собеседование про видео и VR: стабилизация масок, flicker, action prediction, segmentation vs detection, domain adaptation, 2D-to-3D и запуск моделей на edge-устройствах.
Техническое собеседование в Dota 2 AI analytics startup, company not confirmed: вопросы, задачи и разбор этого этапа.
Смешанное техническое собеседование: короткая Python-задача на повторяющиеся символы, затем обсуждение LTV/R365, data drift и multi-output подхода для прогноза на разные горизонты.
Техническое собеседование в WhiteCircle: вопросы, задачи и разбор этого этапа.
Алгоритмическая секция с двумя классическими задачами: разреженный вектор с эффективным dot product и произведение всех элементов массива кроме текущего без деления.
Второе техническое собеседование Waibee с CTO: broad техническое собеседование screen по backend-кругозору, Kubernetes, базам данных под капотом и тому, как проектировать и кодить AI agent product.
ML System Design в Distributed AI infrastructure role, company not confirmed: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Звук: сначала ML System Design-подобный разговор про рекомендации треков, затем Python-вопросы про ссылки, декораторы и генераторы, ревью класса для обработки данных и задача на два указателя.
Техническое собеседование по LLM-платформе: function calling, RAG на больших данных, idempotency, outbox с Kafka, несбалансированная классификация и устное проектирование небольшого движка векторного поиска.
ML System Design-собеседование про поиск на маркетплейсе: бизнес-метрики, генерация кандидатов, реранжирование, online/offline признаки, сезонность и запуск A/B теста.
ML System Design-собеседование про поисковую/RAG-систему: загрузка документов, hybrid поиск, реранжирование, признаки и метрики качества offline/online.
Технический этап по RecSys/search: обсуждение опыта в рекомендациях, генерации кандидатов, метрик, категориальных признаков и того, как новые признаки и модели доезжают до сервиса ранжирования.
Coding-интервью на английском с задачей Word Search: найти слово в таблице символов через DFS/backtracking, затем обсудить follow-up на возврат пути.
техническое собеседование/team-lead собеседование Quantum One с быстрым набором вопросов по математике, ML-теории, статистике, алгоритмической сложности, RAG, SHAP, quantile regression и coin-puzzle через формулу Байеса.
Техническое собеседование на senior data infrastructure / MLOps роль: по Telegram notes основной акцент был на data engineering, Kubernetes и production-инфраструктуре вокруг ML-систем.
Техническое собеседование в Apriori: вопросы, задачи и разбор этого этапа.
Скрининг по опыту и fit роли: CV/RecSys/LLM-бэкграунд, production-история с векторным поиском, владение деплоем, знакомство с MCP/A2A и контекст команды.
Финальное собеседование в inDrive: вопросы, задачи и разбор этого этапа.
Code review multiclass train цикл собеседований: обязанности Dataset/DataLoader, инициализация родителя nn.Module и mutable defaults в Python.
Техническое собеседование в LLM-роль в Dubai, компания не подтверждена: вопросы, задачи и разбор этого этапа.
Разговор с командой после положительного технического фидбека: бизнес-ориентированный ML, идеи medical LLM/RAG и FDA/regulatory документация моделей.
Техническое собеседование в Insilico Medicine: вопросы, задачи и разбор этого этапа.
Финальное собеседование в Revolut: вопросы, задачи и разбор этого этапа.
Восстановленный дополнительный созвон про проекты, мотивацию и контекст задачи на расписание.
BatchNorm, mixed precision, ROC-AUC и кейс по 3D dental CT для instance segmentation маленьких periapical lesions при ограниченной разметке.
Дизайн ML-пайплайна рекомендаций для социальной ленты в банковском приложении: метрики, представления, retrieval, ранжирование, холодный старт, переобучение и мониторинг.
Behavioral Interview в Fairmarkit: вопросы, задачи и разбор этого этапа.
Дизайн ASR+LLM пайплайна, который извлекает подтвержденные записи из аудио оператор-клиент: адаптация для low-resource языка, шумные метки, VAD, разделение спикеров, продакшен-флоу записи и оптимизация стоимости инференса.
Три алгоритмические задачи: минимизация цены с купонами, первое/последнее вхождение в отсортированном массиве и вертикальная ось симметрии для целочисленных точек.
Финальная встреча про прошлое владение проектами, мотивацию, ожидания от лида, план ML для посуточной аренды, инфраструктуру и совпадение с командой.
Реализовать set/get/sum, хранить формулы как зависимости, отклонять циклы до изменения состояния и рассуждать про undo/redo.
ML System Design в inDrive: вопросы, задачи и разбор этого этапа.
Контекст компании/роли, реализация multi-head attention на PyTorch и дизайн IoU matching метрики для object detection.
Финальное собеседование в Компания не определена: вопросы, задачи и разбор этого этапа.
Техническое собеседование в WinStar: вопросы, задачи и разбор этого этапа.
Финальное собеседование в Revolut: вопросы, задачи и разбор этого этапа.
Тезис компании, опыт кандидата, ожидания по интенсивному стартап-ритму, разговор про equity и следующие технические шаги.
Техническое собеседование на русском: задачу пропустили, дальше были вопросы по CV/ML-теории и production ML case про поиск safe/unsafe видеофрагментов при дисбалансе классов и ограниченных ресурсах.
HR-скрининг в Роль в Germany, компания не подтверждена: вопросы, задачи и разбор этого этапа.
SQL-задачи по video events, Pandas-анализ revenue, проверки аномалий, drift данных, overfitting, стратегия без данных и владение деплоем модели.
Вопросы по рекомендациям: retrieval, ранжирование, разнообразие при переранжировании, офлайн-метрики, утечки валидации, ALS/implicit feedback и основы Transformer/SASRec.
ML System Design в Toloka AI: вопросы, задачи и разбор этого этапа.
ML System Design в inDrive: вопросы, задачи и разбор этого этапа.
Технический скрининг с вопросами по Qdrant/HNSW-пайплайну, задачей RandomizedSet и ML/product кейсом по суммаризации URL или вставленного текста.
Короткий follow-up после первого этапа: рабочий формат и сроки других интервью кандидата.
Техническое собеседование в HFT-роль, компания не подтверждена: вопросы, задачи и разбор этого этапа.
ML System Design в Toska: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Fairmarkit: вопросы, задачи и разбор этого этапа.
Алгоритмическая секция в Toloka AI: вопросы, задачи и разбор этого этапа.
Алгоритмическая секция в Strala: вопросы, задачи и разбор этого этапа.
Дизайн поиска в маркетплейсе: гибридный retrieval, обучение ранкера, монетизация, гео, нагрузка, надежность сервиса, синтетические запросы и дополнительные вопросы по VLM.
ML System Design этап про B2B supplier recommender: candidate generation, ranking, buyer-specific taxonomy, supplier embeddings, cold start и selection bias.
Скрининг про продукт распознавания речи, удаленный формат, лидерскую траекторию, опыт в Авито и музыкальном AI-стартапе, владение задачами, менторство и процесс. Точные компенсационные цифры не публикуются.
ML System Design в inDrive: вопросы, задачи и разбор этого этапа.
Дизайн безопасного document-ML пайплайна: парсинг выписок юрлиц, матчинг подозрительных контрагентов, агрегация доли подозрительного оборота и мониторинг сдвига форматов/модели.
Короткий созвон по условиям. Публичное описание сохраняет критерии решения, но не раскрывает личные компенсационные цифры.
Первый техническое собеседование: обсуждение recommender-системы, feature/data engineering reality check и SQL DENSE_RANK-style задача.
Scope роли, новый ML-департамент, моделирование fraud/loss, cross-sell и upsell, GCP/BigQuery-стек и процесс интервью.
Разговор с founder/CTO: обработка страховых claims, сервисная бизнес-модель, мультимодальные входы, human-in-the-цикл собеседований автоматизация, команда и следующие технические этапы.
Широкое техническое собеседование: CV-модерация, metric learning для сравнения фото авто, ROC-AUC/F1, линейные модели, внутренности бустинга, Transformers, устойчивость градиентов, Adam и задача на форматирование числа.
ML System Design в Toloka AI: вопросы, задачи и разбор этого этапа.
Широкое техническое собеседование: Transformer, нормализация, сжатие моделей, ROC-AUC, Spark, рантайм Python, задача на подмассив, SQL и продакшен-инциденты.
Скрининг с рекрутером: B2B/contracting, право на работу, текущие интервью кандидата и питч Strala.
HR-скрининг в Fairmarkit: вопросы, задачи и разбор этого этапа.
HR-скрининг в Dubai super-app, не подтверждено: вопросы, задачи и разбор этого этапа.
ML System Design в Toloka AI: вопросы, задачи и разбор этого этапа.
HR-скрининг в AdTech company, не подтверждено: вопросы, задачи и разбор этого этапа.
Скрининг про мотивацию, опыт в Авито, варианты команд в CIAN, удаленный формат и этапы интервью.
HR-скрининг в Thank: вопросы, задачи и разбор этого этапа.
ML System Design в Okko: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Focus / Teramind: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Revolut: вопросы, задачи и разбор этого этапа.
Технический скрининг с hiring manager про моделирование: LLM-бейзлайн, sequence labeling, token classification в стиле BERT, метрики и отладка сдвига домена.
Глубокий LTV-кейс: таргет, риск-метрики, признаки из истории подписок, моделирование по нескольким приложениям, срезы ошибок, бустинг, холодный старт, MLOps и дополнительные вопросы по SQL/ClickHouse.
Скрининг про контекст Constructor, удаленный consulting-формат, процесс интервью, оплачиваемый trial и следующий практический NLP-этап.
Алгоритмическая секция в Revolut: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Okko: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Fashion AI startup, не подтверждено: вопросы, задачи и разбор этого этапа.
Длинное техническое собеседование, восстановленное как data-engineering вопросы в тренажере.
Техническое собеседование в Okko: вопросы, задачи и разбор этого этапа.
Техническое собеседование в 3DEYE: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Практика английского: вопросы, задачи и разбор этого этапа.
ML System Design в Revolut: вопросы, задачи и разбор этого этапа.
ML System Design в Okko: вопросы, задачи и разбор этого этапа.
скрининг с рекрутером for an Exness ML Engineer role in Cyprus: company/product context, LLM chatbot and support-copilot team, candidate ML/NLP experience, production engineering routine, relocation/benefits and interview процесс.
Финальное собеседование про fit и seniority: trade-offs метрик детектора, декомпозиция research-проекта, roadmap команды и reservoir sampling из потока.
HR-скрининг в Fashion AI startup, не подтверждено: вопросы, задачи и разбор этого этапа.
Алгоритмическая секция в Navio: вопросы, задачи и разбор этого этапа.
Техническое собеседование в AgentPlace: вопросы, задачи и разбор этого этапа.
Длинное техническое собеседование с интервьюерами по backend/ML-инфраструктуре и data science; код писать не просили, но глубоко проверяли production ML и RecSys.
Созвон на этапе оффера: фидбек, структура пакета, релокация, бенефиты и reference check. Публичный текст не раскрывает личные компенсационные цифры.
Бэкграунд кандидата, сбор аудиоданных в Palabra и вопросы безопасности данных.
Скрининг с рекрутером: продуктовый контекст, пять рекомендательных поверхностей, ожидания от роли и короткие вопросы по RecSys/системам.
HR-скрининг в Pinely: вопросы, задачи и разбор этого этапа.
Контекст роли в мобильной монетизации, опыт кандидата, упражнение на расчет LTV, процесс и формат удаленной работы.
Разговор с командой про marketplace ML проекты, прогноз ETA, динамическое ценообразование, метрики, BI-процессы и зрелость ML-инфраструктуры.
HR-скрининг в Стартап, компания не подтверждена: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Navio: вопросы, задачи и разбор этого этапа.
Python/NumPy задача с транспонированной матрицей признаков, ручной sigmoid/gradient descent и дополнительные вопросы по инициализации, метрикам и утечкам.
Ранее опубликованное техническое собеседование Adapty. Дублирующая запись связана с этой страницей и не публикуется повторно.
Собеседование по DS-базе в формате доски: теорема Байеса, precision/recall, биномиальная вероятность, MLE для Бернулли и дизайн A/B-теста.
Скрининг с рекрутером и короткая техническая проверка: адаптация модели, переобучение, аугментации, сегментация, свертки, токенизация, TF-IDF/embeddings и transformers.
Техническое собеседование в X5: вопросы, задачи и разбор этого этапа.
ML System Design-секция про запуск новой видео-ленты в e-commerce: мало кандидатов, нет истории по новой поверхности, нужно одновременно получить GMV/discovery и собрать корректные логи для будущего ranker.
Техническое собеседование в Автотехника: вопросы, задачи и разбор этого этапа.
HR-скрининг в Trust & Safety направление в Дубае, компания не подтверждена: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Quantum One: вопросы, задачи и разбор этого этапа.
Рекрутер объясняет premium ride-hailing продукт, DS-команды по маркетплейсу/пассажирам, владение задачами целиком и следующие этапы интервью.
HR-скрининг в Gradient: вопросы, задачи и разбор этого этапа.
Техническое собеседование в Wildberries: вопросы, задачи и разбор этого этапа.
HR-скрининг в X5: вопросы, задачи и разбор этого этапа.
HR-скрининг в Smarter AI: вопросы, задачи и разбор этого этапа.
HR-скрининг в Самокат: вопросы, задачи и разбор этого этапа.
HR-скрининг в WorldQuant: вопросы, задачи и разбор этого этапа.
В основном продуктовый и организационный контекст; отдельная техническая задача не восстановлена.
HR-скрининг в PropellerAds / Remobi: вопросы, задачи и разбор этого этапа.
Короткий скрининг с рекрутером из M4A-батча 2026-05-28.
Большое техническое собеседование на ML Engineer: сначала простые Python/pandas-агрегации по заказам, затем ML System Design про модель возврата пользователя и в конце разговор про тяжелую рекомендательную модель в online-сервисе.
Техническое RecSys-собеседование: после рассказа про опыт спрашивают обучение на нескольких GPU, self-attention, метрики ранжирования, нейросетевые рекомендательные архитектуры и рантайм тяжелой модели.
Техническая ML-секция с тимлидом поиска по фото: detection/segmentation, multi-photo representation, open vocabulary атрибуты, metric learning, обновление индекса и VLM-теги.
Две ML System Design-задачи: ранжирование контрольных вопросов в call center с учетом fraud/friction и система предупреждений о phishing для интернет-провайдера.
ML System Design по международному поиску: генерация коротких factual descriptions для объектных ответов, translation baseline, RAG grounding, offline/online evaluation и мультиязычные риски.
Финальная/командная секция вокруг VLM-продуктов: product use cases, multimodal query rewriting, prompting vs fine-tuning, caption evaluation, preference optimization и production инференс.
Большое техническое собеседование Avito: вводная по опыту, широкий блок по ML-теории, задача TF-IDF, вопросы по Python/runtime и короткий системный дизайн детектора контактов в описаниях товаров.
Техническое интервью по data-инфраструктуре для trading/research: биржевые события, exchange/local timestamps, primary/secondary feeds, latency и поиск аномалий в файле.
CV интервью вокруг продукта robot cashier: фото подноса, распознавание блюд, меню конкретной столовой, VLM vs latency, data цикл собеседований и deployment на устройства.
Audio-only техническое собеседование с HFT-style задачами на weighted sampling из histogram и получение равномерного random из потока честных битов через rejection sampling.
Audio-only SQL-фрагмент про среднюю температуру за последние три календарных дня с пропусками дат.
Audio-only SQL-фрагмент про подсчет пользовательских расходов по категориям товаров через join заказов и позиций заказа.
Audio-only технический фрагмент с задачей: для каждого числа из второго массива выбрать число из первого массива, максимизирующее XOR, а затем обсудить оптимизацию через битовый бор.
Audio-only технический скрининг: базовые SQL-вопросы, задача на последнее устройство пользователя и Python-функция для F-score по y_true/y_pred.
Audio-only ML-screen с задачей про ROC-AUC после равномерного дублирования положительных и отрицательных объектов, а также discussion по порогам модерации.
Audio-only техническое собеседование screen с алгоритмической задачей flood fill по матрице и SQL-задачей на top-3 уникальных зарплат по департаменту.
Техническое собеседование с проектным подробный разбор, classic ML вопросами, алгоритмической частью и несколькими probability-задачами.
