Открываем цикл статей про собеседования рассказом о секции по ML-теории.

Вопросы на собеседовании можно разделить на два блока:
🟢Классический ML
🟢DL и специализированный ML

Эти вопросы могут попадать в разные секции, в зависимости от подхода компании:
🔵Объединение классического и специализированного ML
🔵Проведение отдельных секций для каждого блока

А теперь рассмотрим каждый из блоков по отдельности

Классический ML. Эту секцию нужно пройти каждому кандидату, который хочет устроиться на должность Data Science / ML-инженера. На секции проверяют базовые знания ML, без которых сложно выполнять рабочие обязанности, даже если на новой работе предстоит заниматься LLM.

Чтобы успешно пройти этот этап, нужно разбираться в следующих темах:
👉 Типы задач: обучение с учителем, без учителя, с частичным привлечением учителя и тд.
👉 Классы моделей: линейные, «деревянные», метрические, ансамбли, бустинги.
👉 Данные: их представление и качество, табличные данные, типы переменных и тд.
👉 Избранные вопросы: оптимизация, оффлайн-метрики, функции потерь, валидация, переобучение vs. недообучение, bias-variance trade-off, выбор лучших признаков, регуляризация, дисбаланс классов и тд.

DL и специализированный ML. Если кандидат будет работать с более узкими областями ML (NLP, CV, RL, TS, RecSys и тд), ему обязательно зададут соответствующие вопросы, чтобы понять насколько хорошо специалист разбирается в этих сферах.

Во всех областях сейчас активно используют методы глубокого обучения, поэтому ожидайте базовых вопросов по DL: про архитектуру, обучение, функции потерь, инициализацию весов, регуляризацию, оптимизацию, ускорение и тд.

Отметим, заучивание ответов на популярные вопросы — плохой подход! Хороший интервьюер всегда услышит отрепетированный ответ и глубже погрузится в тему, чтобы понять, когда кандидат «поплывёт». Поэтому рекомендую ещё до собеседования лучше изучить темы простых вопросов.

В этом, кстати, могут помочь Gen AI ассистенты — используйте их во время тренировки, но не на собеседовании (это сразу видно).

На этом всё. В следующий раз расскажем про секцию по программированию!

Остался опрос
Я изучаю новую информацию по-старинке: прохожу курсы, читаю книги, смотрю видео и самостоятельно программирую (и для подготовки к собеседованию). А вы?
👾 — Использую Gen AI
✍️ — Занимаюсь по-старинке

💞 Для подготовки к DS собеседованию я создал и поддерживаю репозиторий с материалами, поэтому переходите и прокачивайте знания по ML-теории и другим темам — теперь ваши шансы на успешное собеседование увеличились!

Как метрики могут как спасти команду, так и разрушить её? 🤔

Мы пообщались с Егором Денисовым-Бланчем, исследователем из Стэнфордского университета и автором методологии измерения продуктивности. Он провёл собственное исследование и выяснил, что в IT-компаниях работает около 9,5% «инженеров-призраков» — тех, кто числится в штате, но фактически не имеет задач.

Как он это выяснил, зачем эта модель нужна руководителям и можно ли точно рассчитать продуктивность разработчика — узнайте в новом выпуске AviTalk ⬇️

YouTube
ВК
RuTube

P.S С каждого не «призрака» по реакции!

Крупнейшая AI-конференция восточной Европы

Всем привет! На связи Марк, DS-Engineer в команде LLM. Недавно мы с командой вернулись из Белграда, где посетили OpenTalks.AI 2026 🇷🇸

На этот раз мы приехали практически всей командой LLM — представляли Авито сразу в нескольких докладах.

Что мы привезли. Настя Рысьмятова и Костя Веснин выступили с техническим докладом про A-vibe и A-Vision — наши открытые языковая и мультимодальная модели. Доклад прозвучал в бизнес треке, аудиторию больше всего интересовало:

🔵как именно мы применяем модель внутри Авито,
🔵детали нашего подхода к обучению,
🔵метрики и как подход масштабируется на модели большего размера.

Для аудитории подход с полным циклом обучения модели для нескольких сценариев внутреннего использования показался новым, из зала задавали много вопросов о бизнес-применениях модели. Узнать подробности про A-vibe можно в статье на Хабре.

Что зацепило из чужих докладов. Все выступления были на очень высоком уровне подготовки, но особенно запомнились два:

🟢Про иерархическую модификацию GRPO для диалоговых агентов, как раз та область, в которой мы хотим активно развиваться, так что унесли с собой новые идеи.

🟢Про термодинамические аналогии в глубоком обучении — это был номинант на самый неожиданный доклад конференции. Тема казалась нишевой, а собрала полный зал. И было за что. В процессе обучения нейросетей обнаруживается самая настоящая математическая и физическая красота — аналоги температуры, давления, свободной энергии Гиббса. Вау-эффект был у всех 🤯

Белград и нетворкинг. Прогулялись по центральным улицам, съели множество плескавиц и чевапчичей — балканская кухня не подвела. Белград вообще оказался приятным сюрпризом: живой, шумный, с характером. После насыщенных сессий мы выходили в город и наслаждались его богатой архитектурой.

Но пожалуй, самое ценное заключалось в неформальном нетворке с докладчиками и другими участниками. Именно там узнаёшь детали, которые не попадают в слайды: как на самом деле устроены процессы, какие подходы не взлетели, куда смотрят команды дальше.

Если были на OpenTalks или смотрели трансляцию — что зацепило больше всего? Пишите в комментариях ⬇️

Марио в офисе Авито

Как насчёт забега по офису, чтобы проверить свои знания в DS и получить за это мерч? Без паники, выходить из дома для этого не нужно 😀

Мы выпустили свою небольшую игру — Avito Data Quest.

Игра состоит из базовых вопросов по ML и Python, бизнесу и софтам, забега по офису в стиле «Супер Марио» и уже более сложных вопросов по выбранному домену.

Так что тренируем реакцию, переходим по ссылке и следим за турнирной таблицей — 20 марта подведём здесь итоги и 5 игроков с вершины рейтинга получат мерч ⚡️

Продолжаем цикл статей про собеседования — и сегодня расскажем про Python-секцию: что это, зачем и к чему готовиться. Всем привет, с вами Сергей Осокин.

Зачем нужна эта секция? Кто-то скажет, что разработка — удел разработчиков, нейросетей и вайб-кодеров. Но, как и в других компаниях, на плечи DS-инженера в Авито сваливается немало инженерных задач, которые нельзя делегировать. Именно эти навыки мы проверяем на Python-секции. Этап разбит на 2 части: лайв-кодинг и вопросы.

Лайв-кодинг
Кандидат решает задачи на Python в реальном времени в онлайн-редакторе без синтаксических подсказок. Задачи формата leetcode мы сознательно не даём: кандидаты уже научились их щёлкать, а к реальной работе DS-инженера они отношения почти не имеют. Вместо этого даём задачи приземлённые — например, реализовать bag of words (приведено как пример слишком лёгкой задачи). Так мы проверяем и понимание ML, и инженерные способности.

На что обращаем внимание
➡️ Выбор структур данных. Важно понимать, какой тип данных подходит для какой задачи. Хранить словарь для корпуса текстов в связанном списке — ваше право, но общественное осуждение придумано не просто так.

➡️ Качество кода. Любой code style лучше, чем никакой. Имена переменных, сигнатуры функций, camelCase или snake_case — всё влияет на читаемость.

➡️ Понимание задачи. Не бойтесь уточнить условие или разобрать пример «на бумажке». Просто написать код недостаточно — придётся объяснить своё решение.

➡️ Алгоритмическая сложность. Оцениваем асимптотику каждого действия. Ваше решение оптимальное, самое оптимальное или O(N^3)?

На этапе вопросов затрагиваем две области: Python и инфраструктуру.

➡️ Python. Особенности языка нужно знать всем, независимо от специализации (ML/NLP/CV). Кто такой GIL и почему его не зовут на вечеринки? В чём разница между is и ==? Параллелизм, декораторы, нюансы ML-библиотек — всё это в зоне внимания.

➡️ Разработка. Контейнеры, микросервисные архитектуры, CI/CD — инструменты, на которых держится современная инфраструктура (это не только MS Excel).

➡️ Базы данных. В production применяются разные типы БД с разными преимуществами и ограничениями. Даже популярные Python-библиотеки pandas и polars используют разные движки для вычислений.

Опыт разработки (необязательно на Python) — большой плюс, если вы понимаете, зачем выбран тот или иной стек.

Материалы и советы для подготовки
🟢leetcode, codewars и любой другой аналог для подготовки к лайвкодингу

🟢Ваш любимый LLM, который может покритиковать ваш код и подскажет, как лучше отформатировать решение

🟢Если вы никогда не программировали без помощи подсказок IDE, то самое время начать

🟢Обратитесь к документации и гайдам по самым важным инструментам: Docker, SQL, микросервисы, ClickHouse

🟢Списки вопросов наподобие Datacamp для собеседований, где можно найти темы для повторения

P. S. Если у вас есть полезные ссылки на материалы или гайды для подготовки, то поделитесь ими в комментариях. Желаю вам успехов в процессе подготовки!