Как пройти собеседование в ИИ-гигант

Как пройти собеседование в ИИ-гигант

Глава 1. Датасет

В три часа пополудни по Москве, в переговорной с видом на Воробьёвы горы, умирала карьера. Кандидат — назовём его Артём, старший NLP-инженер, пять лет в компании ABBYY, два года в стартапе по обработке медицинских текстов, — сидел напротив ведущего исследователя из Sber AI и не мог ответить на простейший вопрос. «Как вы подходите к сбору данных для новой задачи?» — спросил интервьюер, поправив очки. Артём открыл рот, закрыл, снова открыл. Он рассказывал о том, что данные — это новая нефть, что он умеет работать с размеченными корпусами, что на прошлой работе они собрали датасет из двух миллионов диалогов. Но интервьюер смотрел сквозь него, и Артём чувствовал, как ускользает внимание, как гаснет интерес в глазах собеседника. Он не мог понять, что не так. А не так было всё. Потому что Артём, как и сотни других кандидатов, штурмующих AI-лаборатории Яндекса, Сбера, Т-Банка и Wildberries в 2026 году, не знал главного: собеседование в ИИ-гигант начинается задолго до того, как вы входите в переговорку. Оно начинается с вашего датасета.

Добро пожаловать в новую реальность. Компании, создающие искусственный интеллект, первыми начали применять его против вас. Ваше резюме, ваше лицо, ваш голос, ваши ответы — всё это превращается в набор признаков, который прогоняется через модели, обученные на тысячах успешных и провальных наймов. Вы не человек, вы — датасет. И то, насколько чистым, размеченным и репрезентативным окажется этот датасет, определяет, получите ли вы оффер или станете очередной строкой в журналах отказа. Эта книга — о том, как собрать себя заново, превратить сырой массив страхов и сомнений в идеально отформатированный обучающий корпус, который алгоритмы и живые интервьюеры распознают как «свой». И начнём мы с аутопсии провала — с понимания того, из чего на самом деле состоит ваш датасет и почему он пахнет отказом ещё до того, как вы произнесли первое слово.

Аутопсия AI-собеседования: почему горят резюме и гаснут глаза

В 2026 году трудоустройство в сферу искусственного интеллекта в России напоминает попытку пройти через турникет в аэропорту, который калибровали на других людях. Вы прикладываете свой билет, а система пищит: «Не соответствует». Но она не говорит, чему именно не соответствует. Вы можете быть гениальным инженером, способным написать трансформер на коленке, но если ваш датасет не соответствует ожиданиям модели, вы не пройдёте. Что такое этот датасет? Это совокупность всех видимых и невидимых сигналов, которые вы подаёте. Резюме с ключевыми словами и нарративами, профиль на GitHub с историей коммитов, манера говорить о моделях, реакция на стресс-вопросы, даже то, как вы молчите, — всё это признаки.

В Яндексе AI-скрининг резюме использует модель, обученную на внутренней статистике найма. Если вы пишете «участвовал в разработке системы диалогового ИИ», это один признак, и его вес — 0,2. Если вы пишете «спроектировал и обучил генеративную модель для ответов на 10 млн запросов в сутки, снизив задержку на 40%», это совсем другой признак с весом 0,9. Парсер Яндекса ищет конкретные шаблоны: проблема, ваше личное действие, измеримый результат. В Сбере аналогичная система, но она также анализирует тональность сопроводительного письма: излишне восторженные эпитеты вроде «я обожаю глубокое обучение» понижают балл, потому что коррелируют с поверхностным знанием предмета — так показала регрессия по историческим данным. Т-Банк использует свою модель, которая дополнительно оценивает «бизнес-ориентированность»: упоминание финансовых метрик проекта увеличивает шансы пройти скрининг на 30%.

А дальше — больше. Когда вы проходите первичный отбор и попадаете на видеоинтервью с AI-рекрутером (в Яндексе это бот на платформе Телемост, в Сбере — «СберСкрин»), ваша речь и лицо становятся новыми признаками. Частота моргания, длительность пауз, микроасимметрия улыбки, вариативность основного тона голоса — всё оцифровывается и сравнивается с эталонным профилем «успешного кандидата». И вот шокирующий факт: по данным внутреннего исследования Лаборатории HR-аналитики Сбера (утекшего в профильные каналы весной 2025 года), совокупная точность предсказания успешного найма на основе AI-анализа видео и резюме достигает 82%. Это выше, чем у живых рекрутеров. И это значит, что ещё до того, как вас увидит человек, цифровой двойник уже решил вашу судьбу.

Почему AI-гиганты — это особый зверь

Многие думают, что собеседование в AI-компанию отличается только темами вопросов: вместо «как оптимизировать запросы к базе данных» спрашивают «как устроен механизм внимания». Это заблуждение. AI-гиганты — и в России, и в мире — строят найм на тех же принципах, на которых строят свои продукты. Данные, эксперименты, метрики. Если обычная IT-компания может простить харизматичному разработчику отсутствие нескольких ключевых навыков, то AI-лаборатория Сбера или Яндекса — никогда. Там действует культура «найма, основанного на данных»: каждое ваше слово должно подтверждаться доказательствами, каждый кейс — цифрами. Любое утверждение без ссылки на конкретный эксперимент воспринимается как шум. В OpenAI, например, на позиции исследователя вас попросят не просто описать архитектуру модели, а рассказать о конкретном эксперименте, который не сработал, и какие выводы вы сделали, перестроив датасет. В российских гигантах этот подход только усиливается местной спецификой: здесь не принято говорить «я думаю», здесь принято говорить «я проверил, и вот результаты».

Кроме того, AI-сфера многослойна. Инженеры по машинному обучению — это лишь верхушка айсберга. В 2026 году российские AI-гиганты активно нанимают продакт-менеджеров по AI, технических продавцов (сейлз-инженеров), AI-этиков, дата-инженеров, специалистов по MLOps, руководителей AI-направлений. Для каждой роли свой датасет признаков. Продакт-менеджеру в Яндекс.Поиск или в AI-платформу SberDevices не обязательно знать, как выполнять файн-тюнинг модели Llama-3, но он должен уметь говорить на языке метрик: удержание, задержка, точность, покрытие, полнота. Продавцу AI-решений в Т-Банк Бизнес нужно предъявить не только знание продукта, но и кейсы с возвратом на инвестиции, которые он принёс предыдущим клиентам. И так далее. Эта книга охватит все ключевые роли, но начнём мы с основ — с того, как перестать быть шумом и стать сигналом.

Русский AI-код: что ищут Сбер, Яндекс и другие

Каждая крупная AI-компания в России имеет свой культурный код, который прошит в процессе найма. Недостаточно быть хорошим ML-инженером вообще — нужно быть «яндексовым», «сберовским» или «тиньковским».

Яндекс AI.Здесь ценят научный склад ума, но с инженерным выходом. На собеседовании вас будут проверять по математической статистике, теории вероятностей и классическому ML. Вы должны не просто знать, как работает градиентный бустинг, но и уметь доказать, почему в задаче вы выбрали CatBoost, а не LightGBM, и что из этого вышло. Байесовский подход к оценке неопределённости — это почти религия. Но одновременно Яндексу нужны люди, которые могут быстро довести модель до продакшена. Так что будьте готовы к вопросам про A/B-тесты, мониторинг моделей и борьбу с дрейфом данных. Главный незаданный вопрос: «Можете ли вы превратить исследование в работающий сервис?»

Сбер AI(Sber AI, SberDevices, Лаборатория искусственного интеллекта). Здесь царит культура большой корпорации с элементами стартапа. Вас проверят на стрессоустойчивость и умение работать в условиях жёстких дедлайнов. Сбер любит кейсы из финтеха, телекома, медицины. Если вы идёте в SberMedAI, вы обязаны понимать специфику медицинских данных: формат DICOM, разметка врачами, регуляторные ограничения. Сбер также активно использует AI-оценку кандидатов, и важный фактор — «системность мышления». Вас могут попросить спроектировать AI-продукт целиком: от сбора данных до монетизации. И обязательно спросят про «импортонезависимость» — после 2022 года это критично. Как вы будете строить конвейер, если отключат доступ к западным графическим процессорам и фреймворкам? Ожидается, что вы знаете российские аналоги и решения с открытым кодом.

Т-Банк AI.Финтех-культура. Здесь обожают метрики и быстрые итерации. Собеседование будет нацелено на решение конкретных бизнес-задач: скоринг, антифрод, чат-боты для поддержки, персонализация. Вас попросят оценить потенциальный доход от внедрения модели. Менеджерам по AI-продуктам придётся считать юнит-экономику прямо на доске. Инженерам — писать SQL-запросы для проверки гипотез. Т-Банк также славится своими хакатонами внутри компании, и опыт участия в соревнованиях по Data Science — огромный плюс. В резюме обязательно указывать позиции на Kaggle или российских платформах вроде Boosters.

VK AI.Социальные сети, контент, рекомендации. Здесь нужны специалисты по обработке естественного языка, компьютерному зрению, графам. В VK любят людей, которые умеют работать с большими разреженными данными. Будьте готовы рассказать, как вы боролись с дисбалансом классов в задаче детекции токсичного контента или как строили эмбеддинги для рекомендаций друзей. Культурный код: открытость, креативность, но и способность держать нагрузку (аудитория 100 млн+ пользователей). На собеседовании могут устроить мозговой штурм: «Как бы вы улучшили рекомендации VK Клипов, имея только журналы просмотров?» Ваша способность генерировать гипотезы здесь ценнее, чем знание конкретного фреймворка.

Ozon Tech AI.Ритейл, логистика, ценообразование. Ожидается, что вы понимаете, как работают рекомендательные системы в электронной коммерции, как прогнозировать спрос на 100 млн товаров, как оптимизировать маршруты курьеров с помощью обучения с подкреплением. В Ozon ценят практиков, которые могут быстро внедрить модель в A/B-тест. Очень приветствуется опыт работы с временными рядами и причинно-следственным анализом. На собеседовании могут попросить спроектировать систему, которая предсказывает, какой товар нужно привезти на склад в конкретный регион за месяц. Вы должны будете учесть сезонность, акции, каннибализацию и остатки.

Wildberries AI.Схоже с Ozon, но с большим акцентом на масштабирование и работу с изображениями (контроль качества по фото, поиск похожих товаров). Также здесь сильное направление обработки естественного языка для работы с отзывами и описаниями товаров. Wildberries активно развивает собственную облачную платформу, и вам могут задать вопросы про инфраструктуру обучения моделей: как распараллелить обучение на кластере из 100 графических процессоров, как версионировать данные и модели.

Для всех российских AI-гигантов общим является требование «импортонезависимости». На собеседовании всё чаще спрашивают: «Что будете делать, если завтра заблокируют PyTorch?» Ожидается знание российских фреймворков (например, глубокая интеграция с открытым кодом и умение работать с форками), опыт с отечественными процессорами (Эльбрус, Байкал) и платформами (Yandex DataSphere, SberCloud ML Space). Если вы работали с ними — это сильный сигнал.

Как пахнет отказ: типичные ошибки датасета

Вернём