Банк вопросов из реальных собеседований

Fairmarkit -- маркетплейс для корпоративных закупок: заказчик создает заявку, а система предлагает подходящих поставщиков. Как сформулировать ML-задачу подбора поставщиков перед выбором модели?

Нужно развернуть сервис модерации текста на BERT/DistilBERT. Как спроектировать input/output, policy layer, thresholds и routing actions?

Если пользователь добавил кольцо, стоит ли рекомендовать еще кольца? Как сформулировать цель и ограничения для рекомендаций в корзине?

Ты упомянул сезонность. Как с ней работать в фичах для рекомендационных систем, прогнозов или продуктовой аналитики?

Клиент видит стоимость доставки или порог бесплатной доставки в корзине. Каталог и корзина меняются, но на оформлении заказа нельзя неожиданно показать другую цену. Как организовать пересчёт и провести границу между точностью, задержкой и стоимостью?

Что получает языковая модель на входе, что возвращает на одном шаге и как из этого получается последовательность ответа?

Какую архитектуру эмбеддингов вы построили для RAG: обычный retrieval pipeline или что-то сложнее?

Модель модерации работает в production. Какие метрики смотреть offline, online и после запуска, чтобы контролировать качество и нагрузку на ручную проверку?

После базовых latency-вопросов интервьюер спрашивает: какие еще аномалии можно заметить в market-data файле?

Есть исторические сделки, логи платформы, больше миллиона поставщиков и около 100 компаний-заказчиков. Какие данные использовать и как масштаб влияет на архитектуру?

Какие факты из PDF-отчетов компаний полезны для прогноза добычи, и как отличать их от шумного текста?

После запуска MVP какие события и признаки нужно собирать, чтобы обучить модель ранжирования user-video?

Какие типовые проблемы рекомендательных систем ты бы назвал и как их можно измерять или снижать?

Какие признаки каталога нужны рекомендациям в корзине и какие проблемы качества возникают в товарной таксономии?

Зачем уменьшать точность весов и активаций языковой модели, какие варианты квантизации существуют и какие потери нужно измерять?

Что хранит KV-кеш языковой модели, почему он ускоряет генерацию и какие ограничения создаёт при обслуживании множества запросов?

Как выбрать между улучшением инструкции, поиском по знаниям и дообучением модели, включая адаптеры LoRA?

When would you choose a columnar database over Redis, MongoDB or a row-oriented relational database for ML/data pipelines?

Когда стоит использовать классический batch ETL, а когда streaming для рекомендаций, аналитики или ML-фичей?

В поиске есть embeddings и полнотекстовый индекс. Когда использовать оба подхода и как их объединять?

В продукте есть поиск по документам/артефактам. Когда использовать full-text, когда векторный поиск, и зачем может понадобиться hybrid retrieval?

Как устроить кэширование и распределить бюджет задержки для API рекомендательной системы?

Как использовать локацию и качество изображений в модели цены или рекомендаций, не смешивая состояние товара с качеством фотографии?

With 10,000 calls per day and many quick rejections, how would you structure the pipeline and choose metrics before running an expensive extractor?