Собес в X5 Tech · Middle+/Senior ML Engineer (Коммерция, Ассортимент)

Расскажи про градиентный спуск: какие виды бывают?

Batch / SGD / mini-batch; momentum, Adam; learning rate schedule; когда SGD шум помогает generalization.

Зачем нужна нелинейность в нейронных сетях?

Без нелинейных активаций композиция слоёв — одна линейная модель; ReLU/GELU дают аппроксимацию сложных границ.

Расскажи про Layer Norm

Нормализация по признакам внутри одного токена/объекта; стабилизирует обучение, отличается от Batch Norm по оси агрегации.

Какую функцию потерь использовали при дообучении эмбеддера?

Contrastive (InfoNCE), triplet loss, softmax с in-batch negatives; цель — ранжирование/сходство, не классификация одного класса.

Что такое дисперсия случайной величины?

E[(X−E[X])²]; мера разброса; связь со стандартным отклонением и доверительными интервалами в A/B.

Можем ли мы использовать одни и те же метрики, когда меряем качество по top-K, и метрику, которую спрашиваем у пользователя (лайк/дизлайк)? Или это разные вещи?

Разные: top-K — ранжирование и recall/precision@K, NDCG; лайк — бинарная обратная связь с смещением и низкой частотой. Нужна калибровка и отдельные offline/online срезы.

Можно ли использовать декоратор без синтаксиса @?

Да: greet = log_calls(greet) — декоратор это higher-order function.

Два числа сложить в одной функции поверх декоратора, который пишет «Привет», вызывает сложение, пишет «Пока»

wrapper принимает *args, вызывает func, возвращает result; порядок print до/после вызова.

Декоратор с параметром max_tries (вложенный декоратор)

Внешняя функция принимает max_tries, возвращает decorator(func), внутри wrapper с циклом retry.

Из озвученных направлений — поиск и ранжирование, рекомендации, CRM, доступность товаров, прогноз спроса или внепродуктовая аналитика — какое вам ближе?

Честно назови приоритет; для вакансии логично увязать ответ с моделированием спроса, новинками и выводом SKU.

Как бороться с проблемой роста контекста при активном ведении диалога пользователем?

Сжатие истории, sliding window, summarization, retrieval только релевантных фрагментов — релевантно смежным LLM-продуктам в X5.

Если бы ты был тимлидом: каждая команда пишет своего бота на своих библиотеках или единая платформа?

Баланс: общий каркас (observability, деплой, RAG), кастомизация домена; избегать N копий одного и того же.

Расскажи, пожалуйста, про свой опыт

2–3 минуты: DS/ML в проде, внедрение, метрики, один сильный retail/forecast кейс если есть.

Какие направления, задачи и технологии вы рассматриваете в качестве приоритетных?

Свяжи с ML в продукте, данными X5, ассортиментом или прогнозом.

Где вы территориально проживаете и какой формат работы рассматриваете?

Москва/удалёнка/гибрид; готовность к офису на Волгоградском проспекте при гибриде.

Какие у вас зарплатные ожидания и указана ли сумма до или после вычета налогов?

Уточни gross/net; вилку можно дать диапазоном с обоснованием уровня Middle+/Senior.

Есть ли у вас вопросы по компании, командам или процессу интервью?

Спроси про данные, цикл релиза моделей, A/B в категории, состав команды ассортимента.