ResumeSkip

Fragen im Vorstellungsgespräch

Machine Learning Engineer: Fragen im Vorstellungsgespräch

Vorstellungsgespräche für ML Engineers liegen zwischen Data Science und Softwareentwicklung: fundiertes Wissen übers Modellieren plus die Systemkenntnisse, um Modelle im Live-Betrieb bereitzustellen. Teams suchen jemanden, der ein gutes Modell trainieren und es nach dem Release zuverlässig, überwacht und schnell halten kann.

Worauf es im Gespräch ankommt

ML-Grundlagen, Coding, Design von Model Serving und Pipelines, Sorgfalt bei der Evaluierung und ein Blick für Themen im Live-Betrieb wie Drift, Latenz und Monitoring.

Verhaltensbezogene Fragen

Erzählen Sie mir von einem Modell, das Sie vom Prototyp in den Live-Betrieb gebracht haben. Was ist dabei kaputtgegangen?

Was sie wirklich prüfen: Im Schritt vom Notebook zum laufenden Dienst zeigen ML Engineers, was sie wert sind.

Beschreiben Sie eine Situation, in der ein Modell im Live-Betrieb schlechter lief als in der Evaluierung.

Was sie wirklich prüfen: Zeigt, ob du Training-Serving-Skew, Drift und ehrliche Evaluierung verstehst.

Wie entscheiden Sie, ob ein Modell gut genug für den Release ist?

Was sie wirklich prüfen: Prüft dein Urteil zu Metriken, Geschäftsnutzen und den Kosten eines Irrtums.

Fachfragen zum Beruf

Entwerfen Sie ein System, das ein Modell mit niedriger Latenz und bei hohem Volumen bereitstellt.

Warum sie das fragen: Die Architektur fürs Serving (Batching, Caching, Hardware) ist Kerngebiet von ML Engineers.

Wie würden Sie Model Drift im Live-Betrieb erkennen und darauf reagieren?

Warum sie das fragen: Das Überwachen von Leistungsverlust trennt ML Engineers von Leuten, die nur offline trainieren.

Erklären Sie, wie Sie eine reproduzierbare Trainings-Pipeline bauen würden.

Warum sie das fragen: Reproduzierbarkeit, also die Versionierung von Daten und Modellen, ist im Live-Betrieb Pflicht.

Wie wählen Sie eine Evaluierungsmetrik, die zum Geschäftsziel passt?

Warum sie das fragen: Die falsche Metrik zu optimieren ist ein klassischer Fehler. Sie wollen sehen, dass du Metriken gut wählst.

Erklären Sie mir, wie Sie Data Leakage in Ihren Features verhindern.

Warum sie das fragen: Leakage bläht die Offline-Ergebnisse auf und ruiniert die Leistung im Live-Betrieb.

Wann würden Sie ein Modell feintunen, wann mit Prompts arbeiten und wann von Grund auf trainieren?

Warum sie das fragen: Prüft dein praktisches Urteil zu Kosten, Daten und Wartung für ein bestimmtes Problem.

So bereitest du dich vor

  • Sei bereit, den ganzen Lebenszyklus zu besprechen: Daten, Features, Training, Evaluierung, Serving, Monitoring.
  • Wiederhole die Abwägungen beim Model Serving: Batching, Quantisierung, Caching und Latenzbudgets.
  • Bereite eine Geschichte über eine Lücke zwischen Training und Serving vor und wie du sie gefunden und geschlossen hast.
  • Frisch die ML-Grundlagen auf: Overfitting, Regularisierung, Evaluierungsmetriken und Data Leakage.
  • Schärfe dein Coding: Bei ML Engineers gibt es meist eine echte Software-Runde, nicht nur ML-Theorie.

Häufige Fragen

Ist das eher Data Science oder Softwareentwicklung?

Beides, mit Schwerpunkt auf Engineering. Rechne mit einer Coding-Runde, einer Runde zu ML-Grundlagen und einer Systemdesign-Runde zur Infrastruktur für Training oder Serving.

Wie viel Mathe muss ich parat haben?

Genug, um über Modellverhalten, Loss-Funktionen und Evaluierung nachzudenken. Bei ML-Stellen für den Live-Betrieb zählen Systeme und Engineering aber meist mehr als das Herleiten von Beweisen.

Was fragen sie, das in reinen Data-Science-Gesprächen nicht vorkommt?

Themen aus dem Live-Betrieb: Latenz beim Serving, reproduzierbare Pipelines, Drift-Monitoring, Versionierung und wie du ein ausgeliefertes Modell auf Dauer zuverlässig hältst.

Gute Vorbereitung und ein passender Lebenslauf gehören zusammen: So passt du deinen Lebenslauf an eine Stellenanzeige an.

Übungsfragen aus deinem echten Lebenslauf und der echten Stellenanzeige, kostenlos