Как устроен найм в ML

Зачем это нужно

За ступени 0–10 вы прошли путь от первой строки на Python до своей LLM, а в модулях 11.1 и 11.2 поработали «как на работе» и научились проектировать ML-системы. Найм — отдельная игра со своими правилами. Сильный инженер, который их не знает, проигрывает более слабому, который готовился. Он не может за две минуты рассказать о проекте, неделю делает тестовое задание или молчит на алгоритмической секции, хотя задачу знает.

Хорошая новость: правила почти везде похожи. Порядок и число секций у каждой компании свои, но набор блоков общий: скрининг, алгоритмы, теория ML, ML coding, проектирование ML-систем, поведенческое интервью, иногда тестовое задание. Этот урок — карта: какие бывают роли, чего ждут на каждом уровне, что проверяет каждый этап и какие уроки курса к нему готовят. Остальные уроки модуля разбирают этапы по одному.

Собеседование — не экзамен, а выборка из вашей будущей работы. За час интервьюер пытается понять, каким вы будете коллегой через полгода: как думаете вслух, что делаете, когда не знаете ответа, как проверяете себя. Поэтому подготовка — это не заучивание ответов. Вы тренируете те же навыки, что нужны на работе, только в условиях ограниченного времени.

Роли: кто чем занимается

Названия ML-ролей не стандартизованы. «ML-инженером» одна компания называет того, кого другая зовёт data scientist, а «AI-инженер» может и писать промпты, и обучать модели. Поэтому в вакансии читайте обязанности, а не заголовок. Ниже — семь типичных ролей в том виде, в каком их чаще всего описывают.

Роль	Чем занимается	Главные навыки	Что из курса ближе всего
ML-инженер	Доводит модель до продукта: данные, обучение, оценка, сервинг, мониторинг	Python, классический ML и DL, PyTorch, SQL, инженерная культура	ступени 2–3 и 7, модули 11.1–11.2
LLM/AI-инженер приложений	Строит продукт поверх готовых LLM: промпты, RAG, агенты, эвалы, стоимость	API моделей, RAG, агенты, оценка качества, бэкенд	ступень 8, модуль 7.3, разбор 11.2.2
Research engineerresearch engineer (инженер-исследователь)EN research engineerИнженер в исследовательской команде: реализует и масштабирует идеи исследователей — большие запуски обучения, распределённые вычисления, воспроизведение статей, инфраструктура экспериментов. Пишет больше кода, чем исследователь, и меньше продуктового кода, чем ML-инженер.	Реализует и масштабирует идеи исследователей: большие запуски, распределённое обучение, воспроизведение статей	глубокий PyTorch, распределённое обучение, отладка обучения	ступени 4–6, модуль 5.4, урок 11.4.1
Исследователь (research scientist)	Ставит гипотезы, придумывает методы, публикует статьи	математика, постановка экспериментов, письмо	урок 9.2.2, 11.4.1; обычно ждут публикаций
Data scientist	Отвечает на вопросы бизнеса с помощью данных: анализ, A/B-тесты, прогнозные модели	статистика, SQL, pandas, бустинг, умение объяснить вывод	ступени 1–2, урок 1.3.4, 11.1.3
MLOpsMLOpsEN MLOps (machine learning operations)Практики и инфраструктура, которые доводят модель до продакшена и держат её там: конвейеры данных и обучения, версии моделей, CI/CD, сервинг, мониторинг, откат. MLOps-инженер отвечает за эту платформу, а не за качество конкретной модели.-инженер	Платформа, на которой живут модели: конвейеры, CI/CD, версии, сервинг, мониторинг	Docker, Kubernetes, CI/CD, наблюдаемость	уроки 8.4.3, 11.1.4, разбор 11.2.5
Инженер по инференсу	Скорость и стоимость генерации: движки, квантование, батчинг, ядра	vLLM и SGLang, квантование, CUDA и Triton, профилирование	модули 7.1–7.2 и 5.7

Как выбрать роль? Посмотрите, что вам больше всего нравилось в курсе. Если увлекли ступень 8 и разбор ассистента поддержки, ваш путь — LLM-инженер приложений. Если нравилось чинить обучение, считать FLOPs и гонять DDP на четырёх картах, смотрите на ML-инженера или research engineer. Если в радость были замеры скорости из модулей 7.1 и 7.2, подойдёт инференс.

Выберите одну основную роль и одну запасную. Алгоритмы, теория и ML coding у всех ролей общие, поэтому подготовка к двум соседним ролям почти совпадает. Различаются проектная секция и вопросы о проектах.

Об исследователе — честно. В сильных лабораториях на эту роль обычно ждут публикаций или учёной степени. Путь туда из курса чаще лежит через research engineer: воспроизведение статей (урок 11.4.1), открытый код и первые собственные эксперименты.

Уровни: junior, middle, senior

Грейдгрейд (уровень должности)EN job level (seniority level)Ступень в лестнице должностей компании: junior → middle → senior → lead и выше. От грейда зависят ожидания (масштаб задач и самостоятельность), набор секций собеседования и вилка зарплаты. Названия и число ступеней в каждой компании свои. определяет масштаб задач и самостоятельность. Названия и число ступеней у каждой компании свои, но смысл похож.

Уровень	Масштаб	Пример задачи	Что проверяют сильнее
Стажёр, junior	Задача с понятной постановкой, под присмотром наставника	«Обучи классификатор обращений по готовой разметке и сравни с бейзлайном»	базу: алгоритмы, теорию ML, ML coding; умение учиться
Middle	Задача целиком: от уточнения до продакшена и метрик, без присмотра	«Сделай поиск по базе знаний для поддержки и выведи его в прод»	плюс проектирование ML-систем и реальные проекты в деталях
Senior	Направление: выбирает, что делать, видит риски, растит других	«Реши, нужна ли нам своя модель или хватит API, и спланируй квартал»	плюс глубокий system design, компромиссы, лидерство в поведенческих вопросах

Выше senior идут lead, staff, principal: больше влияния на команду и компанию, меньше собственного кода.

Где вы после курса. По LLM вы знаете больше типичного junior: обучали трансформер, писали GRPO и квантование. Но грейд — это не объём знаний, а опыт самостоятельной работы: в команде, на продакшене, с чужим кодом и сроками. Модуль 11.1 и выпускной проект дали этому опыту заменитель, но не сам опыт. Реалистичная цель для первой работы в ML — стажировка или junior с сильным портфолио. Если до курса вы работали разработчиком, аналитиком или инженером, цельтесь в middle в смежной роли, где прежний опыт засчитают. Не занижайте себя до «я ничего не умею» и не завышайте до senior. Интервьюер быстро увидит расхождение, и это хуже, чем честно названный уровень.

Этапы собеседования

flowchart LR
A["Отклик:<br/>резюме или<br/>рекомендация"] --> B["Скрининг<br/>20–30 мин"]
B --> TECH
subgraph TECH["Технические секции, по 45–60 мин"]
  direction TB
  T1["Алгоритмы"]
  T2["Теория ML и LLM"]
  T3["ML coding"]
  T4["ML system design"]
end
TECH --> D["Поведенческое<br/>интервью"]
D --> E["Финал:<br/>разговор с командой"]
E --> F["Оффер"]
B -.->|"иногда вместо<br/>части секций"| H["Тестовое<br/>задание"]
H -.-> TECH

Типичная воронка найма. Порядок, число секций и наличие тестового у каждой компании свои; в стартапе всё может уложиться в два разговора

Крупные компании обычно проводят для всех кандидатов на роль одинаковый набор секций. Стартапы чаще подстраивают процесс под свою задачу: разговор с основателем, разбор их реальной проблемы, тестовое задание. Что проверяет каждый этап:

• Скрининг. Рекрутер или нанимающий менеджер, 20–30 минут. Проверяют, подходите ли вы вакансии: рассказ о себе, почему эта роль, формат работы, сроки, иногда ожидания по деньгам. Бывает и короткий технический скрининг на 5–10 вопросов вроде «что такое переобучение» или «чем LoRA отличается от полного дообучения». Главная ошибка — импровизировать: рассказ о себе на две минуты готовят заранее (шаблон — в уроке 11.3.6). Об ожиданиях по деньгам отвечайте вилкой из свежих обзоров рынка (где их искать — ниже) или спросите вилку вакансии.
• Алгоритмы. Задача «на доске» на 45 минут. Проверяют, пишете ли вы корректный код и оцениваете ли сложность.
• Теория ML и LLM. Вопросы с углублением: «что такое bias–variance?» → «как это видно на кривых обучения?» → «что сделаете, если…». Третий уровень «почему» отделяет понимание от заученных ответов — по-китайски их зовут «багу»«багу» (заученные шаблонные ответы к собеседованию)EN rote interview answers ("eight-legged essay")IT-жаргон: стандартные ответы на типовые теоретические вопросы собеседования, которые заучивают заранее («зубрить багу»). Слово — от «багувэнь», «восьмичленного сочинения» с жёстко заданной формой на императорских экзаменах эпох Мин и Цин.. Для LLM добавляются задачи на оценку: память на обучение 7B-модели, почему decode упирается в пропускную способность памяти.
• ML coding. Написать кусок ML с нуляML coding (секция собеседования)EN ML coding interviewЭтап собеседования, где за 30–45 минут пишут кусок ML с нуля: softmax, attention, k-means, AUC. По-китайски такие задания называют «шоусы» — «разорвать руками», то есть написать без библиотек. за 30–45 минут: softmax, attention, k-means, AUC.
• ML system designпроектирование ML-системEN ML system designПроектирование всей системы, в которой модель — лишь одна часть: требования, метрики, данные, бейзлайн, модель, оценка, сервинг, мониторинг и цикл обратной связи. Отдельная секция собеседований на ML-инженера.. Спроектировать систему за 45–60 минут вслух и с числами. Для middle и выше часто главная секция.
• Поведенческое интервьюповеденческое интервьюEN behavioral interviewСекция собеседования, где спрашивают о прошлом опыте: «расскажите о случае, когда…». Проверяют, как вы работаете — с ошибками, конфликтами, неопределённостью, сроками. Отвечают историями по методу STAR.. «Расскажите о случае, когда…» — как вы работаете с ошибками, конфликтами, неопределённостью. Отвечают историями по методу STAR.
• Тестовое задание. Задача на дом на несколько часов или дней: обучить модель, собрать прототип, разобрать данные. Иногда заменяет часть секций.
• Финал и оффероффер (предложение о работе)EN job offerОфициальное предложение о работе после собеседований: должность, грейд, зарплата и другие условия, дата выхода. Условия оффера обсуждают до подписания — это и есть переговоры об оффере.. Разговор с руководителем команды о задачах, затем предложение с условиями, которые можно обсуждать.

Этап собеседования → уроки курса

Главная таблица урока. Почти к каждому этапу курс уже готовил вас. Осталось повторить материал в формате собеседования: вслух, с таймером, без подсказок.

Этап	Что тренировать	Уроки курса	Сколько готовиться*
Скрининг	Рассказ о себе за 2 минуты, ответы о мотивации, короткие вопросы по базе	11.3.6, этот урок	2–3 вечера
Алгоритмы	Девять техник, оценка сложности, решение вслух	11.3.5	6–8 недель по 1–1.5 ч в день, план в уроке
Теория ML	50–60 частых вопросов с углублением	11.3.2 и ступени 1–3: обобщение, метрики, backprop	2–3 недели
Вопросы по LLM	50–60 вопросов и задачи «на подумать»	11.3.3 и ступени 4–9	2–3 недели
ML coding	Девять задач с нуля на NumPy с таймером	11.3.4 и ДЗ s11-hw05-ml-coding	1–2 недели
ML system design	Схема из девяти шагов, оценки на салфетке, четыре разбора	11.2.1–11.2.5 и ДЗ s11-hw04-capacity	3–4 недели
Поведенческое	6–8 историй по STAR, вопросы работодателю	11.3.6	1 неделя
Тестовое задание	Бейзлайн, README, честные выводы, ограничение по времени	11.3.6, проекты P1–P11 как образцы	часы–дни, по ходу процесса

* Наша оценка для выпускника курса при 1–1.5 часа занятий в день. Темы идут параллельно, а не друг за другом, поэтому вся подготовка занимает 8–10 недель, а не сумму строк таблицы.

Как готовиться: план на 8–10 недель

Пять принципов, на которых держится план.

1. Начните с вакансий, а не с учебников. 15–20 вакансий целевой роли покажут, какие этапы и навыки нужны именно вам. Как их разобрать — в практике урока.
2. Алгоритмы — каждый день понемногу, остальное — блоками. Алгоритмы — навык руки, он копится медленно и быстро выветривается (урок 11.3.5). Теорию и system design удобнее брать блоками по 2–3 недели.
3. Пробные собеседованияпробное собеседованиеEN mock interviewТренировочное собеседование в формате настоящего: с таймером, вслух, с «интервьюером» — коллегой, учебным напарником или ИИ. Главная польза — разбор после: где молчали, где ушли в сторону, чего не знали. — с середины подготовки. Раз в неделю с учебным напарником или с ИИ в роли интервьюера. Первое пробное собеседование почти всегда проходит хуже, чем ожидаешь: молчание, потерянная нить, забытая формула. Лучше пережить это на тренировке.
4. Откликайтесь до того, как почувствуете себя готовым. Чувство полной готовности не приходит никогда. Первые настоящие собеседования — тоже тренировка, поэтому начните с компаний, которые для вас не на первом месте.
5. Разбирайте каждое собеседование. В течение часа после него запишите вопросы и места, где споткнулись, в journal/mistakes.md (тетрадь ошибок). Через месяц у вас будет личный банк вопросов.

Недели	Каждый день, 45–60 мин	Блок недели, ещё 30–45 мин в день	Контрольная точка
1–2	Алгоритмы: сложность, хэш-таблицы, окно	Разбор вакансий, резюме и README проектов (11.3.6)	резюме готово, 15–20 вакансий разобрано
3–4	Алгоритмы: сортировка, бинпоиск, стек, куча	Теория ML (11.3.2)	квиз-тренажёр 11.3.2 без ошибок в ключевых темах; первые отклики
5–6	Алгоритмы: графы, ДП	LLM (11.3.3) и ML coding (11.3.4, ДЗ s11-hw05)	ДЗ s11-hw05 на Strong; первое пробное собеседование
7–8	Смешанные задачи с таймером	System design (модуль 11.2, ДЗ s11-hw04)	два разбора вслух за 45 минут
9–10	Повтор задач из тетради ошибок	Поведенческое (STAR) и пробные собеседования полного цикла	6–8 историй, два полных пробных собеседования

Если у вас уже идут собеседования, план сжимается: смотрите, какие секции ждут вас в ближайшие две недели, и готовьтесь в первую очередь к ним.

Где искать работу

Российский рынок

• hh.ru — одна из крупнейших площадок вакансий в России. Ищите по ключевым словам («ML-инженер», «LLM», «PyTorch») и подпишитесь на новые вакансии по сохранённому запросу.
• Хабр Карьера (career.habr.com) — площадка для IT: вакансии, профиль со стеком технологий, раздел о зарплатах в IT.
• Карьерные страницы компаний. У крупных компаний свои сайты вакансий и программы стажировок. По ним же видно, какие команды занимаются ML.
• Рекомендации. Рекомендация сотрудникарекомендация сотрудника (реферал)EN employee referralСотрудник компании передаёт ваше резюме рекрутеру или нанимающему менеджеру напрямую. Процесс собеседований не отменяет, но резюме точно прочитают. Рекомендовать стоит только того, чью работу видел: например, по совместному проекту или open source. гарантирует, что резюме прочитают, хотя собеседования всё равно придётся пройти. Рекомендации вырастают из живых связей: учебные группы, open source (11.4.2), соревнования (11.4.3), сообщества вроде Open Data Science (11.4.4), митапы и конференции.

Удалённая работа и международные компании

Главная площадка международного найма — LinkedIn. Профиль на английском должен совпадать с резюме. Учтите, что из России сайт заблокирован с 2016 года. Собеседование в международной компании целиком идёт на английском, поэтому рассказ о проектах и разборы задач заранее проговорите вслух по-английски. Форма договора, налоги, валютные правила и ограничения на найм из вашей страны со временем меняются. Уточняйте их у специалиста до того, как вкладываться в долгий процесс, а не после оффера. Для удалённой работы портфолио особенно важно: работодатель не видит вас в офисе, зато видит ваш GitHub.

Стажировки и школы при компаниях

СтажировкастажировкаEN internshipРабота на ограниченный срок, обычно для студентов и начинающих: реальные задачи под присмотром наставника. Отбор проще, чем на полную ставку, а хорошая стажировка часто заканчивается предложением о работе. — самый короткий путь в индустрию для человека без опыта: отбор проще, наставник есть, а хорошая стажировка часто заканчивается оффером. Крупные компании набирают стажёров волнами, поэтому следите за их карьерными страницами заранее. Часть программ рассчитана на студентов, так что читайте условия. Ещё один путь — бесплатные школы при компаниях с конкурсным отбором, например Школа анализа данных (ШАД) Яндекса. Они дают сильную программу и связи с индустрией, но к отбору по математике и алгоритмам нужно готовиться.

Где смотреть зарплаты

Цифр мы не приводим: они быстро устаревают и сильно зависят от города, компании и грейда. Ориентиры ищите в обзорах площадок: в разделе зарплат Хабр Карьеры, в аналитике рынка труда от hh.ru, для международного рынка — на levels.fyi. Смотрите на дату обзора, размер выборки и грейд и сравнивайте два-три источника. Один обзор — это точка, а не вилка.

Как читать вакансию

Вакансия состоит из трёх частей: обязанности (что вы будете делать), требования (без чего не возьмут) и «будет плюсом». Требования часто написаны как список пожеланий. Если вы закрываете обязанности и основную часть требований, откликайтесь. Но вакансия «senior, 5+ лет» для первой работы почти наверняка мимо. Ищите junior, стажировки и роли, где засчитают ваш прошлый опыт.

Слова в вакансии подсказывают, какие секции вас ждут и что подтянуть:

В вакансии	Скорее всего спросят	Что повторить
PyTorch, обучение моделей	ML coding, теория DL	11.3.4, 11.3.2, ступень 3
LLM, RAG, агенты, промпты	вопросы по LLM, дизайн LLM-системы	11.3.3, 11.2.2, ступень 8
A/B-тесты, статистика	эксперименты и метрики	1.3.4, 11.1.3
Docker, Kubernetes, CI/CD	деплой и эксплуатация	8.4.3, 11.1.4
vLLM, квантование, CUDA	инференс и железо	модули 7.1–7.2, 5.7
DDP, FSDP, распределённое обучение	масштабирование обучения	5.4.3, 5.7.4
«опыт вывода в продакшен»	рассказ о проекте целиком	модули 11.1–11.2 и выпускной проект

Как оценить компанию и команду

Собеседование идёт в обе стороны. Для первой работы главный вопрос — будете ли вы расти: есть ли рядом сильные ML-инженеры и настоящий ML, а не только его название в вакансии. Что выяснить на собеседовании и до него:

Что выяснить	Хороший знак	Тревожный знак
Задачи на первые 3 месяца	конкретный ответ: «ассистент поддержки, сейчас бейзлайн на BM25»	«посмотрим, у нас много всего»
Кто наставник	в команде есть ML-инженеры, код-ревью, есть кого спросить	вы будете единственным ML-специалистом
Данные и железо	данные есть и доступны, есть GPU или бюджет на API	«данные соберём потом»
Как модели попадают в прод	эвалы, A/B-тесты, мониторинг — шаги 6–9 из 11.2.1	«выкатываем, если на глаз нормально»
Тестовое задание	на несколько часов, с обратной связью	неделя работы над реальной задачей компании
Как переживают сбои	постмортемы без поиска виноватых (11.1.4), дежурства описаны	«у нас всё горит, привыкнете»

Часть ответов можно найти до собеседования: технический блог и доклады команды на конференциях, её открытый код на GitHub, статьи. Если команда пишет о своих экспериментах с числами и неудачами, ML в ней скорее настоящий. Самый честный источник — сотрудник, с которым вы поговорите без рекрутера. Конкретные вопросы для конца собеседования собраны в уроке 11.3.6.

Практика

Задание в браузере: разбор вакансий

Вакансий много, а времени мало. Посчитайте, какие навыки требуют чаще всего и каких не хватает вам. Тексты в задании учебные. Когда функции пройдут тесты, замените их на настоящие вакансии своей роли.

Частые навыки в вакансиях и ваши пробелы6 тестов

import re

# Анализ вакансий: какие навыки требуют чаще всего и каких не хватает вам.
# Учебные тексты вакансий: составлены для задания, компании и требования вымышлены.
# Потом замените их на 15–20 настоящих вакансий своей целевой роли.
VACANCIES = [
    "ML-инженер в команду поиска. Требования: Python, PyTorch, SQL, опыт обучения моделей. Плюсом будет: LLM, Docker.",
    "LLM-инженер: ассистент на RAG и агентах. Python, FastAPI, работа с API больших языковых моделей. Плюс — vLLM.",
    "Data scientist: A/B-тесты, SQL, Python, pandas, статистика, градиентный бустинг.",
    "Junior ML engineer. Python, PyTorch or TensorFlow, Git, Linux. Nice to have: Docker, Kubernetes.",
    "Инженер по инференсу LLM: vLLM, квантование, CUDA, Python. Плюсом будет Triton.",
    "MLOps-инженер: Docker, Kubernetes (k8s), CI/CD, Airflow, мониторинг моделей, Python.",
    "Research engineer: PyTorch, распределённое обучение (DDP, FSDP), чтение статей, Python, Git.",
    "NLP-инженер: дообучение LLM через LoRA, RAG, Python, PyTorch, Hugging Face Transformers.",
]

# Навык → его написания в вакансиях (уже нормализованные: строчные, «е» вместо «ё»).
SKILLS = {
    "python": ["python"],
    "pytorch": ["pytorch", "torch"],
    "sql": ["sql"],
    "llm": ["llm", "больших языковых моделей", "большие языковые модели"],
    "rag": ["rag"],
    "docker": ["docker"],
    "kubernetes": ["kubernetes", "k8s"],
    "vllm": ["vllm"],
    "cuda": ["cuda"],
    "lora": ["lora", "qlora"],
    "ab-tests": ["a/b", "ab тесты"],
    "distributed": ["ddp", "fsdp", "распределенное обучение"],
    "git": ["git"],
}


def normalize(text):
    """Приводит текст вакансии к виду, в котором удобно искать навыки.

    1) нижний регистр; 2) «ё» → «е»; 3) каждый кусок из символов, которые НЕ входят в [0-9a-zа-я+#/], —
    в один пробел (регулярное выражение r"[^0-9a-zа-я+#/]+"); 4) лишние пробелы убрать, края обрезать.
    Пример: normalize("LLM-инженер, A/B-тесты; Ёлка C++!") → "llm инженер a/b тесты елка c++".
    """
    # TODO: ваш код
    ...


def extract_skills(text, skills):
    """Множество навыков (ключей skills), у которых хотя бы одно написание есть в тексте ЦЕЛЫМИ словами.

    «rag» не должен находиться в «storage», а «torch» — в «torchvision». Приём: окружить пробелами и
    нормализованный текст, и искомое написание. Многословные написания («большие языковые модели») ищутся как фраза.
    """
    # TODO: ваш код
    ...


def skill_shares(vacancies, skills):
    """Доля вакансий, где встречается каждый навык: [(навык, доля от 0 до 1)].

    Навык считается один раз на вакансию, сколько бы раз его ни упомянули. Навыки с долей 0 не включать.
    Порядок — по убыванию доли, при равной доле — по алфавиту. Пустой список вакансий → [].
    """
    # TODO: ваш код
    ...


def gap_report(vacancies, skills, my_skills, min_share=0.25):
    """Ваши пробелы: навыки с долей ≥ min_share, которых нет в my_skills, — в том же порядке, что в skill_shares."""
    # TODO: ваш код
    ...


print(normalize("LLM-инженер, A/B-тесты; Ёлка C++!"))
print(extract_skills(VACANCIES[0], SKILLS))
print(skill_shares(VACANCIES, SKILLS))
print("Пробелы:", gap_report(VACANCIES, SKILLS, my_skills={"python", "pytorch", "sql", "git"}))

ЗапуститьПроверитьПодсказкаСбросить

Локально: свои вакансии и самооценка

1. Выберите основную и запасную роль. Соберите 15–20 вакансий на hh.ru, Хабр Карьере или LinkedIn и сохраните их тексты в journal/job-search/vacancies.txt через пустую строку. Журнал приватный, а чужие тексты не нужно публиковать.

2. Допишите в SKILLS навыки, которые встречаются в ваших вакансиях, и посчитайте доли:

   # vacancies.txt — вакансии через пустую строку; функции — ваши из задания выше
   raw = open("journal/job-search/vacancies.txt", encoding="utf-8").read()
   vacancies = [v for v in raw.split("\n\n") if v.strip()]
   for name, share in skill_shares(vacancies, SKILLS):
       print(f"{name:14s} {share:.0%}")              # формат :.0% печатает 0.35 как «35%»
   print("Пробелы:", gap_report(vacancies, SKILLS, my_skills={"python", "pytorch", "rag", "lora"}))

3. Оцените себя по каждому этапу из главной таблицы по шкале 0–3 и запишите в журнал вместе с доказательством:

   ## Самооценка перед подготовкой · 2026-10-06 · роль: LLM-инженер (запасная: ML-инженер)
   | Этап | 0–3 | Доказательство | План |
   |---|---|---|---|
   | Алгоритмы | 1 | 4 задачи из 11.3.5 решил с подсказками | 11.3.5, каждый день 6 недель |
   | ML system design | 2 | разбор 11.2.2 вслух за 60 минут, без чисел по памяти | 11.2.3–11.2.4, салфетка |

   Шкала: 0 — не знаю, с чего начать; 1 — решаю с подсказками; 2 — решаю сам, но медленно; 3 — решаю вслух за отведённое время. Этапы с оценкой 0–1 ставьте в план первыми, а пробелы из вакансий добавьте отдельной строкой.

🖥 На вашей машине (4×GPU)

Тренажёр скрининга голосом. Запишите ответ на «Расскажите о себе» и расшифруйте его Whisper на одной карте — так же, как в уроке 9.1.5:

arecord -f S16_LE -r 16000 -c 1 -d 150 pitch.wav    # до 2.5 минут с микрофона, 16 кГц, моно

from faster_whisper import WhisperModel

model = WhisperModel("large-v3", device="cuda", compute_type="float16")   # карта 0, около 5 ГБ видеопамяти
segments, info = model.transcribe("pitch.wav", language="ru", vad_filter=True)
segs = list(segments)                               # генератор → список, чтобы пройти дважды
text = " ".join(s.text.strip() for s in segs)
minutes = segs[-1].end / 60 if segs else 0.0
print(f"{minutes:.1f} мин, {len(text.split())} слов")
print(text)                                         # перечитайте глазами: где «ну», «как бы», повторы

Цель — 1.5–2 минуты. Получилось четыре — режьте. Затем поднимите на второй карте интервьюера, как в уроке 11.3.4: CUDA_VISIBLE_DEVICES=1 vllm serve Qwen/Qwen3-8B --max-model-len 16384 --port 8000. Через любой OpenAI-совместимый клиент (урок 8.1.1) дайте ему расшифровку и промпт: «Ты — рекрутер на скрининге на позицию junior LLM-инженера. Вот мой рассказ о себе. Задай пять вопросов, которые задал бы на скрининге, по одному, дождись ответа на каждый. В конце назови две сильные стороны и три места, где я был неубедителен». Подробнее о машине — на странице «Ваша лаборатория».

Китайский угол: «сяочжао», «шэчжао» и календарь найма

В Китае найм в IT делится на два потока. «Сяочжао»набор выпускников («сяочжао»)EN campus recruitmentВ Китае — массовый сезонный найм студентов и выпускников вузов, с онлайн-тестами и несколькими раундами собеседований. Противопоставляется «шэчжао» — найму специалистов с опытом. — массовый сезонный набор студентов и выпускников. «Шэчжао»найм специалистов с опытом («шэчжао»)EN experienced hiringНайм людей с опытом работы на конкретную открытую вакансию, круглый год. На собеседовании больше спрашивают о прошлых проектах и проектировании систем, чем при наборе выпускников. — найм людей с опытом на конкретные вакансии круглый год.

У набора выпускников есть календарь. Открытое руководство AI-Job-Notes «Как получить работу на позиции AI-алгоритмиста» расписывает его на примере 2024 года:

Период	Что происходит
февраль–май	поиск летней стажировки; для выпускников этого года — весенний добор
июнь–август	досрочная волна осеннего набора, в основном через рекомендации
август–ноябрь	основная волна осеннего набора

Летняя стажировка в том же руководстве — главный путь к офферу. Стажёр выходит в конце июня, в конце августа или в сентябре защищает результаты, и успешная защита по сути закрывает ему осенний набор. Там же сказано, что обычный процесс набора выпускников включает письменный онлайн-тест («биши»), а на интервью могут попросить «шоусы» — написать код с нуля. Решать задачи советуют на LeetCode и на Nowcoder (по-китайски «Нюкэ»): по словам автора, многие компании используют эту платформу для своих онлайн-задач, и тренировка там приучает к их формату ввода-вывода. На форуме Nowcoder кандидаты выкладывают отчёты о собеседованияхотчёт о собеседованииEN interview experience postКитайское сокращение «мяньцзин» — от «опыт собеседования»: пост кандидата о прошедшем собеседовании — какие были этапы и вопросы. Из таких постов собирают сборники вопросов к собеседованиям. («мяньцзин»). Из таких отчётов и собирают сборники «багу».

Формулу подготовки руководство даёт одной строкой: «шуати» (прорешивание задач) + основы AI + основы программирования + «багу» + проекты + стажировки + соревнования + статьи на топ-конференциях. Рекомендацию сотрудника («нэйтуй», буквально «внутреннее выдвижение») там называют «действительно очень важной»: резюме сразу попадает к руководителю, хотя все этапы всё равно проходить.

Что взять себе: узнавать сроки наборов на стажировки заранее; читать чужие отчёты о собеседованиях и писать свои; не стесняться просить рекомендацию у тех, кто видел вашу работу. Чего не брать: ставку на заученные «багу» без понимания. Интервьюер с вопросом «а почему?» вскрывает её за минуту. Слова: «мяньши» — собеседование, «биши» — письменный или онлайн-тест, «шиси» — стажировка, «цючжао» — осенний набор, а «получить оффер» в разговоре так и говорят, вставляя английское offer.

Проверь себя

Проверь себя6 вопросов·

1 Вакансия: «строим ассистента поддержки на готовых LLM через API — RAG, агенты, оценка качества ответов, контроль стоимости». Какая это роль, если судить по обязанностям?

Research engineerLLM/AI-инженер приложенийИнженер по инференсуData scientist

2 Что сильнее всего отличает middle от junior?

Знает больше архитектур и фреймворковСамостоятельно ведёт задачу целиком — от уточнения постановки до продакшена и метрикБыстрее пишет кодРешает больше задач на LeetCode

3 Какие уроки и задания курса готовят к секции ML system design?Можно выбрать несколько ответов

Урок 11.2.1 — схема на 45 минутДЗ s11-hw04-capacity — оценки на салфеткеУрок 11.3.5 — алгоритмыРазборы 11.2.2–11.2.5

4 На скрининге спросили: «Какие у вас ожидания по зарплате?» Какой ответ лучше?

«Любые, мне важен опыт»Назвать вилку по свежим обзорам рынка для этой роли и грейда или спросить вилку вакансииНазвать самое большое число, которое слышали от знакомыхОтказаться отвечать до оффера

5 Из 20 вакансий PyTorch упомянут в 14, LLM — в 11, Docker — в 8, Kubernetes — в 3. У вас есть PyTorch и LLM. Сколько навыков покажет отчёт о пробелах при пороге доли 0.25?

6 Какие признаки должны насторожить кандидата на первую работу в ML?Можно выбрать несколько ответов

Тестовое — неделя работы над реальной задачей компании без оплатыВы будете единственным ML-специалистом, наставника нетУ команды есть золотой набор для оценки и мониторинг качества в продеНа вопрос о задачах первых трёх месяцев отвечают конкретно

Проверить ответы

Итоги

• Названия ML-ролей не стандартизованы — читайте обязанности. Семь типичных ролей: ML-инженер, LLM/AI-инженер приложений, research engineer, исследователь, data scientist, MLOps-инженер, инженер по инференсу.
• Грейд — это масштаб самостоятельности. Реалистичная цель после курса — стажировка или junior с сильным портфолио, а с прошлым опытом в IT — middle в смежной роли.
• Этапы найма почти везде одинаковые: скрининг, алгоритмы, теория ML и LLM, ML coding, ML system design, поведенческое, иногда тестовое. К каждому готовит конкретный урок курса, а вся подготовка занимает 8–10 недель при 1–1.5 часа в день.
• Начинайте с разбора 15–20 вакансий, откликайтесь до ощущения полной готовности, разбирайте каждое собеседование в тетради ошибок и оценивайте компанию так же внимательно, как она оценивает вас.

Дальше: урок 11.3.2 — теория ML и DL: банк частых вопросов по ступеням 1–3 с короткими ответами, типичными ошибками кандидатов и ссылками на уроки курса.