Собес в Сбер · Data Scientist (NLP)

Материал Эйч · Опубликовано 6 августа 2026

Обзор

Junior/Middle DS в команде агентных RAG-систем ИТ B2C: классический ML, NLP/LLM, Python и продакшен-мышление

Классический ML и метрики

NLP и трансформеры

RAG и агентные системы

Python и инженерные практики

Поведенческие вопросы

Фишка: Команда разрабатывает агентные RAG-системы для B2C-продуктов Сбера с реальным продакшеном. Сильный акцент на llm-as-a-judge, бенчмарки, улучшение retrieval и генерации — а не только на обучение моделей с нуля.

Этап	Длительность	Что проверяют
HR-скрининг	20–30 мин	Мотивация, опыт, формат работы (офис/удалёнка), зарплатные ожидания, готовность к релокации в Москву
Технический скрининг	45–60 мин	Базовый ML, метрики классификации, Python, краткий разбор проектов из NLP
Техническое интервью	60–90 мин	NLP/LLM, RAG-пайплайн, трансформеры, эксперименты и оценка качества, задачи на код
Системный дизайн / кейс	45–60 мин	Проектирование RAG- или агентной системы: retrieval, генерация, метрики, вывод в прод
Финал с командой	30–60 мин	Культурный фит, вопросы кандидата, обсуждение роли в команде менторства

Стек и темы

Обязательный минимум

Классический ML: бустинг, регуляризация, кросс-валидация, отбор признаков
Метрики: precision, recall, F1, ROC-AUC и выбор метрики под задачу
NLP: трансформеры, эмбеддинги, задачи классификации/поиска/суммаризации
RAG: retrieval, reranking, chunking, оценка качества, llm-as-a-judge
Python: типы данных, PyTorch, HuggingFace Transformers
Инженерия: git, bash, тесты, код-ревью

Плюсом будет

PySpark / распределённые вычисления
Fine-tuning и LoRA
Векторные БД (FAISS, Milvus и аналоги)
Понимание SOLID и паттернов разработки
Опыт Kaggle/пет-проектов по NLP
pymorphy и морфология русского языка

Классический ML

Что такое ROC-AUC?

Площадь под ROC-кривой (TPR vs FPR). Не зависит от порога, хорош для сравнения ранжирующих моделей. Не подходит при сильном дисбалансе без доп. анализа.

Что такое F1-Score?

Гармоническое среднее precision и recall. Балансирует оба типа ошибок. Полезен при несбалансированных классах.

Что такое precision?

TP / (TP + FP). Доля верных среди предсказанных положительных. Важна, когда цена ложноположительного высока.

В чём разница между F-мерой и ROC-AUC?

F1 зависит от выбранного порога и баланса классов; ROC-AUC — от ранжирования без фиксированного порога.

Как работает градиентный бустинг?

Последовательно добавляет слабые модели (деревья), каждая обучается на остатках предыдущей. Минимизирует loss через градиентный спуск в пространстве функций.

В чём разница в реализации между XGBoost и LightGBM?

XGBoost — level-wise рост деревьев; LightGBM — leaf-wise, GOSS и EFB для ускорения. LightGBM быстрее на больших данных, но склоннее к переобучению.

Что такое регуляризация в машинном обучении?

Штраф за сложность модели (L1/L2, dropout, early stopping). Снижает переобучение, улучшает обобщение.

В чём разницу между L1 и L2 регуляризацией?

L1 (Lasso) — разреженность, отбор признаков. L2 (Ridge) — сжатие весов, все признаки остаются. L1 устойчивее к выбросам в признаках.

Как выполняется кросс-валидация?

Данные делятся на k фолдов; модель обучается на k-1, валидируется на 1. Повторяется k раз. Итог — среднее и дисперсия метрики.

Как отбираешь признаки при их большом количестве?

Filter (корреляция, mutual information), wrapper (RFE), embedded (L1, feature importance в бустинге). Учитывай утечку данных и multicollinearity.

В чём разница между стекингом и блендингом?

Блендинг — усреднение/взвешивание предсказаний базовых моделей. Стекинг — мета-модель обучается на out-of-fold предсказаниях базовых моделей.

Что делать с датасетом перед обучением модели?

EDA, обработка пропусков и выбросов, кодирование категорий, масштабирование, train/val/test split, проверка утечек и дисбаланса.

Фишка: В Сбере часто спрашивают не только определения, но и выбор метрики под бизнес-задачу (модерация, скоринг, рекомендации).

Ловушка: Не путай precision и recall: для ручной модерации объявлений важнее precision (меньше ложных срабатываний).

NLP и LLM

Как GPT генерирует текст?

Авторегрессия: на каждом шаге предсказывается следующий токен по распределению softmax над словарём. Декодирование: greedy, beam search, top-k/top-p, temperature.

Какие основные подходы и архитектуры трансформеров существуют?

Encoder-only (BERT) — понимание; Decoder-only (GPT) — генерация; Encoder-Decoder (T5, BART) — seq2seq. Attention: self-attention, cross-attention, multi-head.

Какие знаешь методы оценки сходства векторов в NLP?

Cosine similarity, dot product, Euclidean. Для нормализованных эмбеддингов cosine ≈ dot product. BM25 для лексического поиска.

Какое свойство cosine similarity делает его предпочтительным для поиска ближайших соседей?

Инвариантность к длине вектора — сравнивает направление, а не масштаб. Удобно для текстовых эмбеддингов разной длины.

Как быстро отранжировать вектора по близости к запросу?

ANN-индексы: FAISS (IVF, HNSW), ScaNN. Точный поиск O(n), ANN — сублинейный с компромиссом recall.

Какие метрики используешь для оценки качества NLP-модели?

Классификация: accuracy, F1, macro/micro. Генерация: BLEU, ROUGE, BERTScore. Поиск: MRR, nDCG, Recall@k. LLM: human eval, llm-as-a-judge.

Совет: Подготовь 1–2 пет-проекта: текстовая классификация, суммаризация или семантический поиск — это прямое требование вакансии.

Фишка: Команда работает с русскоязычным NLP — знание pymorphy и особенностей морфологии русского будет плюсом.

RAG и агентные системы

Что такое RAG и для каких задач он используется?

Retrieval-Augmented Generation: поиск релевантных документов + генерация ответа LLM с контекстом. Решает галлюцинации, актуальность знаний, доменную специфику.

Как реализовать базовый RAG без LangChain?

1) Chunking документов → 2) Embedding → 3) Vector store → 4) Query embedding → 5) Top-k retrieval → 6) Prompt с контекстом → 7) LLM generation.

Какие проблемы решает RAG?

Актуальность знаний, снижение галлюцинаций, прозрачность (цитирование источников), работа с закрытыми данными без полного fine-tuning.

Как улучшить качество retrieval в RAG?

Лучший chunking (overlap, semantic), reranking (cross-encoder), гибридный поиск (BM25 + dense), fine-tuning эмбеддингов, очистка источников.

Как измерять качество RAG-системы?

Retrieval: Recall@k, MRR. End-to-end: faithfulness, answer relevance, context precision/recall (RAGAS). LLM-as-a-judge с human validation.

Что такое llm-as-a-judge?

LLM оценивает ответы другой LLM по заданным критериям. Быстро и масштабируемо, но требует калибровки с human labels и контроля bias.

Фишка: Это ключевая тема вакансии: команда улучшает агентные RAG-системы в проде — бенчмарки, llm-as-a-judge, retrieval и генерация.

Ловушка: Не ограничивайся теорией: покажи, как бы ты провёл A/B эксперимент или собрал бенчмарк для оценки улучшений.

Python и инженерия

Какие знаешь типы данных в Python?

int, float, str, bool, list, tuple, dict, set, frozenset. Изменяемые vs неизменяемые.

Какие знаешь неизменяемые типы данных в Python?

int, float, str, bool, tuple, frozenset. Нельзя изменить после создания.

В чём разница между copy и deepcopy?

copy — поверхностная копия (вложенные объекты общие). deepcopy — рекурсивная копия всех вложенных объектов.

Работал ли со Spark?

Распределённая обработка больших данных. DataFrame API, lazy evaluation, shuffle. Альтернативы: Dask, Polars, pandas на сэмпле.

Что такое SOLID?

S — Single Responsibility, O — Open/Closed, L — Liskov Substitution, I — Interface Segregation, D — Dependency Inversion. Принципы ООП-дизайна.

Как измеряется сложность алгоритмов?

Big O: O(1), O(log n), O(n), O(n log n), O(n²). Временная и пространственная сложность, worst/average case.

Совет: Вакансия требует код-ревью и тесты — будь готов обсудить, как ты структурируешь ML-код и покрываешь его тестами.

Математика и статистика

Что такое доверительный интервал?

Диапазон, в который с заданной вероятностью (1-α) попадает истинный параметр. Зависит от выборки и уровня значимости.

Как вычислить вероятность при условии (задача на монеты)?

Формула Байеса: P(A|B) = P(B|A)·P(A) / P(B). Разбей задачу на гипотезы, посчитай полную вероятность.

Как определить производную функции потерь для logloss и MSE?

MSE: d/dy (y-ŷ)² = -2(y-ŷ). Logloss (бинарная): -[y·log(ŷ) + (1-y)·log(1-ŷ)], производная через chain rule.

Можно ли использовать линейную регрессию при смещении выборки?

Оценки будут смещёнными (biased). Нужны методы коррекции: веса, propensity score, causal inference, или осознанное ограничение интерпретации.

Ловушка: На задачах по вероятности важно показать ход рассуждений, а не только финальный ответ.

Задачи

Семантический поиск: top-k ближайших документов

Дан список текстов documents и запрос query. Каждый текст представлен вектором эмбеддинга (numpy array). Верни индексы top-k документов, наиболее похожих на query по cosine similarity.

import numpy as np

def top_k_similar(query_vec, doc_vecs, k):
  # Нормализация
  q = query_vec / np.linalg.norm(query_vec)
  docs = doc_vecs / np.linalg.norm(doc_vecs, axis=1, keepdims=True)
  # Cosine similarity = dot product нормализованных векторов
  scores = docs @ q
  top_idx = np.argsort(scores)[::-1][:k]
  return top_idx.tolist()

Сложность: O(n·d + n·log k), где n — число документов, d — размерность

Балансировка метрик: выбор порога классификатора

Дан массив вероятностей pred_proba и бинарных меток y_true. Найди порог t ∈ [0, 1], при котором F1-score максимален.

from sklearn.metrics import f1_score
import numpy as np

best_t, best_f1 = 0.5, 0
for t in np.arange(0.01, 1.0, 0.01):
  preds = (pred_proba >= t).astype(int)
  f1 = f1_score(y_true, preds, zero_division=0)
  if f1 > best_f1:
    best_f1, best_t = f1, t
return best_t, best_f1

Сложность: O(n · s), s — число порогов

Chunking текста для RAG

Реализуй функцию, которая разбивает длинный текст на чанки фиксированного размера (в символах) с перекрытием overlap. Верни список строк.

def chunk_text(text, chunk_size=500, overlap=50):
  if not text:
    return []
  chunks = []
  start = 0
  while start < len(text):
    end = start + chunk_size
    chunks.append(text[start:end])
    start += chunk_size - overlap
  return chunks

Сложность: O(n), n — длина текста

System Design

Спроектируй RAG-систему для ответов на вопросы клиентов банка по внутренней базе знаний
Как бы ты построил пайплайн оценки качества агентной RAG-системы с llm-as-a-judge?
Как масштабировать семантический поиск на миллионы документов?
Спроектируй A/B тест для сравнения двух retrieval-стратегий в RAG

Каркас ответа

Уточни требования: latency, объём данных, язык, offline/online, SLA
Опиши high-level архитектуру: ingestion → indexing → retrieval → reranking → generation → post-processing
Выбери компоненты: embedding model, vector DB, LLM, orchestrator
Определи метрики: offline (Recall@k, faithfulness) и online (CTR, CSAT, escalation rate)
Обсуди риски: галлюцинации, устаревание данных, PII, стоимость inference
План вывода в прод: canary, мониторинг, fallback, версионирование индекса

Поведенческое

Расскажи о себе
Расскажи о своём опыте в NLP/ML
На каком проекте работал? Какую роль выполнял?
Почему решил сменить место работы?
Почему Сбер и эта команда?
Какую работу ищешь для себя?
Готов ли работать в офисе (Москва, Кутузовская)?
Какие у тебя зарплатные ожидания?
Какие у тебя есть вопросы к нам?

План подготовки

3 дня

Повтори метрики классификации и выбор метрики под задачу (precision vs recall)
Разбери архитектуру RAG end-to-end и напиши базовую реализацию без фреймворков
Подготовь 2-минутный питч и 5-минутный разбор лучшего NLP-проекта
Реши 2–3 задачи на Python (векторный поиск, порог классификатора)

7 дней

Пройди вопросы по бустингу, регуляризации, кросс-валидации
Изучи трансформеры: BERT vs GPT, attention, fine-tuning
Разбери llm-as-a-judge и метрики RAG (RAGAS, faithfulness)
Подготовь ответы на поведенческие вопросы по STAR
Потренируй system design: RAG для клиентского сервиса

14 дней

Сделай мини-проект: RAG на открытых данных с оценкой качества
Повтори PyTorch + Transformers: загрузка модели, inference, tokenization
Изучи ANN-индексы (FAISS) и гибридный поиск BM25 + dense
Подготовь вопросы к интервьюеру про команду, стек, метрики в проде, менторство
Пройди mock-интервью с таймером на 60 мин

Блок	Готов, если...
Классический ML	можешь объяснить ROC-AUC, F1, бустинг и выбрать метрику под бизнес-задачу
NLP и LLM	можешь описать, как работает GPT, и назвать метрики для классификации и генерации
RAG	можешь нарисовать пайплайн RAG без LangChain и объяснить, как измерять качество
Python	решаешь задачи на векторы, типы данных и complexity за 15–20 мин
System Design	можешь за 45 мин спроектировать RAG-систему с метриками и планом вывода в прод
Поведенческие	есть 2–3 STAR-истории про NLP-проекты с цифрами результата

В день собеседования

Перечитай описание вакансии и ключевые требования (RAG, агенты, NLP)
Подготовь вопросы про бенчмарки, llm-as-a-judge и roadmap команды
Проверь связь, камеру, тихое место (для удалённого этапа)
Держи под рукой примеры кода и схему RAG-пайплайна

Профессия

Data Scientist

Темы

Классический ML и метрики

NLP и трансформеры

RAG и агентные системы

Python и инженерные практики

Поведенческие вопросы

Компания

Сбер

Сопроводим до оффера

Умножим шансы на каждом этапе поиска и поможем получить выгодный оффер

Узнать больше

Собес в Сбер · Data Scientist (NLP)

Материал Эйч · Опубликовано 6 августа 2026

Обзор

Junior/Middle DS в команде агентных RAG-систем ИТ B2C: классический ML, NLP/LLM, Python и продакшен-мышление

Классический ML и метрики

NLP и трансформеры

RAG и агентные системы

Python и инженерные практики

Поведенческие вопросы

Этап	Длительность	Что проверяют
HR-скрининг	20–30 мин	Мотивация, опыт, формат работы (офис/удалёнка), зарплатные ожидания, готовность к релокации в Москву
Технический скрининг	45–60 мин	Базовый ML, метрики классификации, Python, краткий разбор проектов из NLP
Техническое интервью	60–90 мин	NLP/LLM, RAG-пайплайн, трансформеры, эксперименты и оценка качества, задачи на код
Системный дизайн / кейс	45–60 мин	Проектирование RAG- или агентной системы: retrieval, генерация, метрики, вывод в прод
Финал с командой	30–60 мин	Культурный фит, вопросы кандидата, обсуждение роли в команде менторства

Стек и темы

Обязательный минимум

Классический ML: бустинг, регуляризация, кросс-валидация, отбор признаков
Метрики: precision, recall, F1, ROC-AUC и выбор метрики под задачу
NLP: трансформеры, эмбеддинги, задачи классификации/поиска/суммаризации
RAG: retrieval, reranking, chunking, оценка качества, llm-as-a-judge
Python: типы данных, PyTorch, HuggingFace Transformers
Инженерия: git, bash, тесты, код-ревью

Плюсом будет

PySpark / распределённые вычисления
Fine-tuning и LoRA
Векторные БД (FAISS, Milvus и аналоги)
Понимание SOLID и паттернов разработки
Опыт Kaggle/пет-проектов по NLP
pymorphy и морфология русского языка

Классический ML

Что такое ROC-AUC?

Что такое F1-Score?

Гармоническое среднее precision и recall. Балансирует оба типа ошибок. Полезен при несбалансированных классах.

Что такое precision?

TP / (TP + FP). Доля верных среди предсказанных положительных. Важна, когда цена ложноположительного высока.

В чём разница между F-мерой и ROC-AUC?

F1 зависит от выбранного порога и баланса классов; ROC-AUC — от ранжирования без фиксированного порога.

Как работает градиентный бустинг?

В чём разница в реализации между XGBoost и LightGBM?

Что такое регуляризация в машинном обучении?

Штраф за сложность модели (L1/L2, dropout, early stopping). Снижает переобучение, улучшает обобщение.

В чём разницу между L1 и L2 регуляризацией?

Как выполняется кросс-валидация?

Как отбираешь признаки при их большом количестве?

Filter (корреляция, mutual information), wrapper (RFE), embedded (L1, feature importance в бустинге). Учитывай утечку данных и multicollinearity.

В чём разница между стекингом и блендингом?

Что делать с датасетом перед обучением модели?

Ловушка: Не путай precision и recall: для ручной модерации объявлений важнее precision (меньше ложных срабатываний).

NLP и LLM

Как GPT генерирует текст?

Какие основные подходы и архитектуры трансформеров существуют?

Encoder-only (BERT) — понимание; Decoder-only (GPT) — генерация; Encoder-Decoder (T5, BART) — seq2seq. Attention: self-attention, cross-attention, multi-head.

Какие знаешь методы оценки сходства векторов в NLP?

Cosine similarity, dot product, Euclidean. Для нормализованных эмбеддингов cosine ≈ dot product. BM25 для лексического поиска.

Какое свойство cosine similarity делает его предпочтительным для поиска ближайших соседей?

Как быстро отранжировать вектора по близости к запросу?

ANN-индексы: FAISS (IVF, HNSW), ScaNN. Точный поиск O(n), ANN — сублинейный с компромиссом recall.

Какие метрики используешь для оценки качества NLP-модели?

Классификация: accuracy, F1, macro/micro. Генерация: BLEU, ROUGE, BERTScore. Поиск: MRR, nDCG, Recall@k. LLM: human eval, llm-as-a-judge.

Фишка: Команда работает с русскоязычным NLP — знание pymorphy и особенностей морфологии русского будет плюсом.

RAG и агентные системы

Что такое RAG и для каких задач он используется?

Как реализовать базовый RAG без LangChain?

1) Chunking документов → 2) Embedding → 3) Vector store → 4) Query embedding → 5) Top-k retrieval → 6) Prompt с контекстом → 7) LLM generation.

Какие проблемы решает RAG?

Как улучшить качество retrieval в RAG?

Лучший chunking (overlap, semantic), reranking (cross-encoder), гибридный поиск (BM25 + dense), fine-tuning эмбеддингов, очистка источников.

Как измерять качество RAG-системы?

Retrieval: Recall@k, MRR. End-to-end: faithfulness, answer relevance, context precision/recall (RAGAS). LLM-as-a-judge с human validation.

Что такое llm-as-a-judge?

Python и инженерия

Какие знаешь типы данных в Python?

int, float, str, bool, list, tuple, dict, set, frozenset. Изменяемые vs неизменяемые.

Какие знаешь неизменяемые типы данных в Python?

int, float, str, bool, tuple, frozenset. Нельзя изменить после создания.

В чём разница между copy и deepcopy?

copy — поверхностная копия (вложенные объекты общие). deepcopy — рекурсивная копия всех вложенных объектов.

Работал ли со Spark?

Распределённая обработка больших данных. DataFrame API, lazy evaluation, shuffle. Альтернативы: Dask, Polars, pandas на сэмпле.

Что такое SOLID?

S — Single Responsibility, O — Open/Closed, L — Liskov Substitution, I — Interface Segregation, D — Dependency Inversion. Принципы ООП-дизайна.

Как измеряется сложность алгоритмов?

Big O: O(1), O(log n), O(n), O(n log n), O(n²). Временная и пространственная сложность, worst/average case.

Математика и статистика

Что такое доверительный интервал?

Как вычислить вероятность при условии (задача на монеты)?

Формула Байеса: P(A|B) = P(B|A)·P(A) / P(B). Разбей задачу на гипотезы, посчитай полную вероятность.

Как определить производную функции потерь для logloss и MSE?

MSE: d/dy (y-ŷ)² = -2(y-ŷ). Logloss (бинарная): -[y·log(ŷ) + (1-y)·log(1-ŷ)], производная через chain rule.

Можно ли использовать линейную регрессию при смещении выборки?

Ловушка: На задачах по вероятности важно показать ход рассуждений, а не только финальный ответ.

Задачи

Семантический поиск: top-k ближайших документов

import numpy as np

def top_k_similar(query_vec, doc_vecs, k):
  # Нормализация
  q = query_vec / np.linalg.norm(query_vec)
  docs = doc_vecs / np.linalg.norm(doc_vecs, axis=1, keepdims=True)
  # Cosine similarity = dot product нормализованных векторов
  scores = docs @ q
  top_idx = np.argsort(scores)[::-1][:k]
  return top_idx.tolist()

Сложность: O(n·d + n·log k), где n — число документов, d — размерность

Балансировка метрик: выбор порога классификатора

Дан массив вероятностей pred_proba и бинарных меток y_true. Найди порог t ∈ [0, 1], при котором F1-score максимален.

from sklearn.metrics import f1_score
import numpy as np

best_t, best_f1 = 0.5, 0
for t in np.arange(0.01, 1.0, 0.01):
  preds = (pred_proba >= t).astype(int)
  f1 = f1_score(y_true, preds, zero_division=0)
  if f1 > best_f1:
    best_f1, best_t = f1, t
return best_t, best_f1

Сложность: O(n · s), s — число порогов

Chunking текста для RAG

def chunk_text(text, chunk_size=500, overlap=50):
  if not text:
    return []
  chunks = []
  start = 0
  while start < len(text):
    end = start + chunk_size
    chunks.append(text[start:end])
    start += chunk_size - overlap
  return chunks

Сложность: O(n), n — длина текста

System Design

Спроектируй RAG-систему для ответов на вопросы клиентов банка по внутренней базе знаний
Как бы ты построил пайплайн оценки качества агентной RAG-системы с llm-as-a-judge?
Как масштабировать семантический поиск на миллионы документов?
Спроектируй A/B тест для сравнения двух retrieval-стратегий в RAG

Каркас ответа

Уточни требования: latency, объём данных, язык, offline/online, SLA
Опиши high-level архитектуру: ingestion → indexing → retrieval → reranking → generation → post-processing
Выбери компоненты: embedding model, vector DB, LLM, orchestrator
Определи метрики: offline (Recall@k, faithfulness) и online (CTR, CSAT, escalation rate)
Обсуди риски: галлюцинации, устаревание данных, PII, стоимость inference
План вывода в прод: canary, мониторинг, fallback, версионирование индекса

Поведенческое

Расскажи о себе
Расскажи о своём опыте в NLP/ML
На каком проекте работал? Какую роль выполнял?
Почему решил сменить место работы?
Почему Сбер и эта команда?
Какую работу ищешь для себя?
Готов ли работать в офисе (Москва, Кутузовская)?
Какие у тебя зарплатные ожидания?
Какие у тебя есть вопросы к нам?

План подготовки

3 дня

Повтори метрики классификации и выбор метрики под задачу (precision vs recall)
Разбери архитектуру RAG end-to-end и напиши базовую реализацию без фреймворков
Подготовь 2-минутный питч и 5-минутный разбор лучшего NLP-проекта
Реши 2–3 задачи на Python (векторный поиск, порог классификатора)

7 дней

Пройди вопросы по бустингу, регуляризации, кросс-валидации
Изучи трансформеры: BERT vs GPT, attention, fine-tuning
Разбери llm-as-a-judge и метрики RAG (RAGAS, faithfulness)
Подготовь ответы на поведенческие вопросы по STAR
Потренируй system design: RAG для клиентского сервиса

14 дней

Сделай мини-проект: RAG на открытых данных с оценкой качества
Повтори PyTorch + Transformers: загрузка модели, inference, tokenization
Изучи ANN-индексы (FAISS) и гибридный поиск BM25 + dense
Подготовь вопросы к интервьюеру про команду, стек, метрики в проде, менторство
Пройди mock-интервью с таймером на 60 мин

Блок	Готов, если...
Классический ML	можешь объяснить ROC-AUC, F1, бустинг и выбрать метрику под бизнес-задачу
NLP и LLM	можешь описать, как работает GPT, и назвать метрики для классификации и генерации
RAG	можешь нарисовать пайплайн RAG без LangChain и объяснить, как измерять качество
Python	решаешь задачи на векторы, типы данных и complexity за 15–20 мин
System Design	можешь за 45 мин спроектировать RAG-систему с метриками и планом вывода в прод
Поведенческие	есть 2–3 STAR-истории про NLP-проекты с цифрами результата

В день собеседования

Перечитай описание вакансии и ключевые требования (RAG, агенты, NLP)
Подготовь вопросы про бенчмарки, llm-as-a-judge и roadmap команды
Проверь связь, камеру, тихое место (для удалённого этапа)
Держи под рукой примеры кода и схему RAG-пайплайна

Профессия

Data Scientist

Темы

Классический ML и метрики

NLP и трансформеры

RAG и агентные системы

Python и инженерные практики

Поведенческие вопросы

Компания

Сбер

Сопроводим до оффера

Умножим шансы на каждом этапе поиска и поможем получить выгодный оффер

Узнать больше