План подготовки к собеседованию, финальный чек-лист и источники

Финал конспекта: планы подготовки на неделю и на месяц, метод самопроверки, обязательный практический минимум, чек-лист перед интервью и список источников.

75. План подготовки

Как пользоваться этой методичкой

Если у вас 1 неделя

Только темы на 9–10 баллов. По карте приоритетов в начале документа — сверху вниз:

1. Метрики классификации, ROC-AUC vs PR-AUC, порог (темы 12–13).
2. Bias–variance, переобучение, регуляризация (11, 18).
3. Бэггинг vs бустинг, деревья (23–25).
4. Валидация и утечки (16).
5. Логрег с выводом градиента (3, 19).
6. Трансформер и внимание (40–41).
7. RAG целиком + оценка качества (57, 61, 66).
8. LoRA и когда не файнтюнить (53).
9. Проговорить вслух 2 своих проекта.

Если у вас 1 месяц

• Неделя 1 — вся математика и классический ML (темы 1–34). Ежедневно: одна тема на 9–10 баллов + одна на 5–7.
• Неделя 2 — NLP и трансформеры (35–55). Параллельно — алгоритмы, по 2 задачи в день.
• Неделя 3 — LLM-приложения (56–70). Обязательно собрать своими руками: маленький RAG на 100 документах, с eval-набором на 30 вопросов и посчитанными метриками. Это даст материал для половины ответов.
• Неделя 4 — System Design (70, 73), мок-собеседования, поведенческая секция, повторение слабых мест.

Метод самопроверки

Закройте текст после заголовка темы и ответьте вслух за 2 минуты:

1. Что это — определение одной фразой.
2. Зачем — какую проблему решает.
3. Где ломается — ограничения и типовые ошибки.
4. Ваш пример — где вы это применяли или применили бы.

Если по теме на 9–10 баллов не получилось — это ваш пробел, возвращайтесь к ней.

Записывайте себя на диктофон. Главная проблема на реальном собеседовании не знание, а сбивчивая речь: вы знаете ответ, но проговариваете его так, что интервьюер не понимает. Услышать это можно только в записи.

Обязательный практический минимум

Прежде чем идти на собеседование на LLM-роль, соберите своими руками хотя бы раз:

• обучение бустинга на табличных данных с честной кросс-валидацией и объяснением каждого гиперпараметра;
• RAG: загрузка → чанкинг → эмбеддинги → векторная БД → реранкер → промпт;
• eval-набор из 30–50 вопросов и посчитанные метрики поиска и ответа;
• запуск LLM локально (vLLM или Ollama) с оценкой требуемой памяти;
• расчёт стоимости своего решения в токенах и деньгах.

Наличие такого опыта закрывает большинство практических вопросов и даёт то, чего нет у большинства кандидатов, — конкретику.

Финальный чек-лист перед собеседованием

Знаю наизусть и объясняю за минуту:

• ☐ precision / recall / F1 / ROC-AUC / PR-AUC — определения и когда что ломается
• ☐ bias–variance и 5 способов бороться с переобучением
• ☐ почему L1 зануляет веса, а L2 нет — оба объяснения
• ☐ вывод градиента логистической регрессии
• ☐ бэггинг vs бустинг — за 2 предложения
• ☐ формула внимания и почему делим на корень
• ☐ что такое KV-кэш и почему decode упирается в память
• ☐ температура / top-p / top-k и порядок применения
• ☐ RAG-пайплайн целиком и где он ломается
• ☐ чем LoRA отличается от полного файнтюна
• ☐ как измеряю качество LLM-фичи (без «смотрели глазами»)
• ☐ сколько стоит мой запрос в токенах и деньгах

Не говорю никогда:

• «Accuracy 0.99» на дисбалансе без остальных метрик
• «Использую GPT, но качество не мерил»
• «RAG — это просто база и промпт»
• «Порог 0.5» без обоснования
• Придуманный факт вместо «не сталкивался, но рассуждал бы так»

Источники

Методичка собрана по материалам, ориентированным именно на собеседования (август 2026).

Русскоязычные разборы собеседований:

• Хабр: «Топ вопросов с NLP собеседований: трансформеры и внимание до малейших деталей» — самый подробный разбор архитектуры под собес
• Хабр: «Топ вопросов с NLP собеседований: архитектуры LLM, инференс и оптимизация» — prefill/decode, KV-кэш, FlashAttention, MoE, квантизация
• Хабр: «Топ вопросов по LLM: стратегии генерации текста и метрики оценки» — декодирование и метрики, ~90 вопросов
• Хабр: «Топ вопросов с NLP собеседований: обучение LLM, prompt-engineering и alignment» — SFT, RLHF, DPO, данные
• Хабр: «Фундаментальные вопросы по ML/DL, часть 1» и «часть 2» — линейные модели, Байес, регуляризация, SVD/PCA, bias-variance, деревья, бустинг
• Хабр: «DS-собеседование в 2026: 6 ошибок, из-за которых отказывают даже сильным кандидатам»
• Хабр: «Вопросы для собеседований по RL в 2026 году» — GRPO, DAPO, on-policy distillation
• Хабр: «Как устроен процесс найма на позицию Machine Learning Engineer» — этапы, включая code review
• Хабр: «Что спрашивают на собесах в 2025–2026: данные с 9 247 интервью»
• Хабр: «Возвращение RAG в 2026 году»
• Хабр: «Материалы для подготовки к собеседованию Data Scientist. Дизайн систем машинного обучения»
• DeepSchool: «Attention и трансформеры в NLP: что спрашивают на собеседованиях»
• DeepSchool: «Токенизация и эмбеддинги: что спрашивают на собеседованиях»
• DeepSchool: «RAG — от первой версии к рабочему решению» и «Большой обзор LLM-бенчмарков»
• ITMO AI: «Classic ML на собеседовании: что нужно знать ML Engineer и Data Scientist»
• Яндекс: «Как мы нанимаем ML-специалистов» и «Секция базовых технических навыков ML-инженеров»
• Т-Банк: ML System Design секция
• GitHub: epishchik/ML-Interview — вопросы с реальных собеседований
• shakhbanov.org — вопросы по классическому ML

YouTube — мок-собеседования и разборы:

• karpov.courses — «Junior ML-инженер | Собеседование» и выпуск 2 — полный формат ML-секции
• «Mock-собеседование на позицию Junior ML Engineer» — собеседует ML Engineer из Авито
• «Мок-собеседование на Junior ML-разработчика»
• Плейлист «Собеседования ML» — Python, ML, CS, NLP
• Edureka «Top 30 LLM Interview Questions (2026)» и «Top 25 AI/ML Engineer Questions (2026)»

Как смотреть: ставьте паузу на каждом вопросе, отвечайте вслух сами, потом сравнивайте с ответом кандидата и реакцией интервьюера.

Англоязычные базы вопросов:

• DataCamp: Top 36 LLM Interview Questions, Top 30 RAG Questions, NLP Interview Questions, MCP Interview Questions
• Exponent: ML Interview Questions — с указанием компаний, которые их задавали
• MyEngineeringPath: 30 Senior LLM Engineer Questions
• Let's Data Science: 50 AI Engineer Questions for 2026 — с разбивкой по уровням
• The AI Engineer Interview Playbook — 80 вопросов по 13 блокам
• GitHub: KalyanKS-NLP/LLM-Interview-Questions-and-Answers-Hub, Devinterview-io/llms-interview-questions, ather-techie/rag-interview-system (548 вопросов, 41 тип RAG, 9 режимов отказа)
• KORE1: AI Engineer Interview Questions 2026 — что именно оценивают работодатели
• Analytics Vidhya: Top 40 ML Interview Questions
• 365 Data Science: NLP Interview Questions
• InterviewBit: LLM Interview Questions
• Huru: LLM Engineer Questions — RAG, Prompting, Evaluation
• MockExperts: AI Engineer Interview Roadmap 2026

Технические справочники (для фактической точности):

• vLLM: Anatomy of a High-Throughput LLM Inference System
• Chroma: Context Rot — как деградирует длинный контекст
• HuggingFace: Guide to LLM Post-Training — PPO, DPO, GRPO
• Evidently AI: LLM-as-a-judge — полное руководство
• OWASP Top 10 для LLM-приложений
• BigDataBoutique: HNSW vs IVFFlat

Методичка составлена в августе 2026 года. Область меняется быстро: разделы про модели, инференс и агентные архитектуры проверяйте на актуальность перед собеседованием. Фундамент — математика, классический ML, трансформеры — устаревает медленно.

Часть 17 из 17 конспекта для подготовки к собеседованиям на NLP/LLM-разработчика. Остальные части — в разделе «Собесы».