Ingeniero de machine learning: preguntas de entrevista
Las entrevistas de ingeniería de machine learning están a medio camino entre la ciencia de datos y la ingeniería de software: profundidad en modelado y, además, las habilidades de sistemas para servir modelos en producción. Los equipos buscan a alguien que sepa entrenar un buen modelo y mantenerlo fiable, monitoreado y rápido una vez en producción.
Lo que evalúan en la entrevista
Fundamentos de machine learning, capacidad de programar, diseño de pipelines y de cómo se sirven los modelos, rigor en la evaluación y conciencia de los problemas de producción como el drift, la latencia y el monitoreo.
Preguntas de comportamiento
Cuéntame de un modelo que llevaste del prototipo a producción. ¿Qué falló?
Lo que de verdad evalúan: La distancia entre un notebook y un servicio en vivo es donde un ingeniero de machine learning demuestra lo que vale.
Describe una vez en que un modelo funcionó peor en producción que en la evaluación.
Lo que de verdad evalúan: Muestra si entiendes las diferencias entre entrenamiento y producción, el drift y una evaluación honesta.
¿Cómo decides que un modelo está lo bastante bien para ponerlo en producción?
Lo que de verdad evalúan: Evalúa tu criterio sobre las métricas, el impacto en el negocio y el costo de equivocarte.
Preguntas propias del puesto
Diseña un sistema para servir un modelo con baja latencia y gran volumen.
Por qué la hacen: La arquitectura para servir modelos (procesamiento por lotes, caché, hardware) es terreno central del puesto.
¿Cómo detectarías el drift de un modelo en producción y cómo responderías?
Por qué la hacen: Monitorear la degradación distingue a los ingenieros de machine learning de quienes solo entrenan offline.
Explica cómo construirías un pipeline de entrenamiento reproducible.
Por qué la hacen: La reproducibilidad, con versionado de datos y modelos, es un requisito firme en producción.
¿Cómo eliges una métrica de evaluación que encaje con el objetivo de negocio?
Por qué la hacen: Optimizar la métrica equivocada es un error clásico. Quieren criterio para elegir métricas.
Explícame cómo evitas la fuga de datos (data leakage) en tus features.
Por qué la hacen: La fuga de datos infla los resultados offline y arruina el rendimiento en producción.
¿Cuándo harías fine-tuning, cuándo usarías prompts y cuándo entrenarías desde cero?
Por qué la hacen: Evalúa tu criterio práctico sobre costo, datos y mantenimiento para un problema concreto.
Cómo prepararte
- Prepárate para hablar de todo el ciclo de vida: datos, features, entrenamiento, evaluación, servicio en producción y monitoreo.
- Repasa las ventajas y desventajas al servir modelos: procesamiento por lotes, cuantización, caché y presupuestos de latencia.
- Prepara una historia sobre una diferencia entre entrenamiento y producción, y cómo la diagnosticaste y corregiste.
- Refresca lo básico de machine learning: sobreajuste, regularización, métricas de evaluación y fuga de datos.
- Afina la programación: las entrevistas de este puesto suelen incluir una ronda real de software, no solo teoría de machine learning.
Preguntas frecuentes
¿Es más ciencia de datos o ingeniería de software?
Es las dos cosas, con más peso en la ingeniería. Espera una ronda de programación, una de fundamentos de machine learning y una de diseño de sistemas sobre infraestructura de entrenamiento o de servicio de modelos.
¿Cuántas matemáticas necesito recordar?
Las suficientes para razonar sobre el comportamiento del modelo, las funciones de pérdida y la evaluación, pero los puestos de machine learning en producción suelen dar más peso a los sistemas y la ingeniería que a hacer demostraciones.
¿Qué evalúan que no evalúen las entrevistas de ciencia de datos pura?
Los temas de producción: latencia al servir el modelo, pipelines reproducibles, monitoreo del drift, versionado y cómo mantienes fiable un modelo desplegado con el paso del tiempo.
Prepararte va de la mano con adaptar tu currículum: Cómo adaptar tu currículum a una oferta de empleo.
Practica con preguntas basadas en tu currículum real y la oferta de empleo, gratis