Собеседование на AI PM в Astrum Entertainment

Почему Astrum — особенный работодатель для AI PM

Astrum Entertainment — российский игровой холдинг, объединивший студии и проекты, ранее входившие в My.Games. В портфеле — мобильные free-to-play хиты (Hustle Castle, Rush Royale), PC- и кроссплатформенные проекты, дистрибуция через VK Play. Холдинг живёт на пересечении классического геймдева, платформы и платёжной инфраструктуры — у AI PM здесь есть как продуктовые AI-фичи внутри игр, так и платформенные сценарии в VK Play.

AI PM в Astrum отвечает за фичи, где AI улучшает геймплей, монетизацию и платформу: matchmaking, антифрод (боты, читы, мульти-аккаунты), churn-prediction, динамические офферы, NPC AI, LLM-саппорт, рекомендации игр в каталоге VK Play. Главный челлендж — масштаб: продукты Astrum совокупно охватывают десятки миллионов игроков по разным жанрам и платформам, и AI-фичи нужно валидировать на каждом сегменте отдельно.

Стек: классические ML-модели (CatBoost, XGBoost) для скоринга и churn, нейросети для антифрода, LLM-API для саппорта и генеративных текстов, ClickHouse для аналитики, A/B-инфраструктура поверх ивентов клиента, мощный data warehouse под BI.

Актуальные вакансии — на hh.ru и сайте Astrum / VK Play.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели. Финальное согласование оффера может занять дольше из-за матричной структуры холдинга.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML и опыт в геймдев или платформах. Gaming-бэкграунд — большой плюс, особенно мобильный F2P или PC-мультиплеер. Готовь питч на 90 секунд: какие AI-фичи запускал, какие метрики двигал, в каких жанрах работал.

2. AI / ML grounding (45-60 минут)

С ведущим PM или ML-лидом. Темы: метрики классификации (precision/recall для антифрода и churn), ML-подходы к ранжированию (для каталога VK Play), специфика gameplay-AI (где детерминированные правила лучше ML, где наоборот). На LLM-блоке спросят про hallucinations в саппорте и как делать grounding на базе знаний по конкретной игре.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй AI matchmaking». Жди вопросов про аудиторию (casual mobile vs hardcore PC), JTBD (хочу быструю катку / хочу не быть избитым новичком), UX (как объясняем игроку ожидание; как показываем рейтинг), риски (smurfing, premade-bias, токсичность), метрики (queue time, match quality по win rate distribution, retention следующего матча), MVP (с какой игры/региона начинаем). Сильные кандидаты сразу разводят «ELO-точность» и «удержание игрока в сессии» как разные цели.

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты в мультиплеере — отдельная боль. Спросят, как изолировать тестовую группу так, чтобы не было network-эффекта (нельзя матчить контроль с тест-группой), как читать долгосрочный retention vs быстрые метрики первой сессии. Готовь evaluation для LLM-саппорта: gold set, online эскалация на человека при low confidence.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR с тимлидом или директором продукта. Истории про конфликты с гейм-дизайнерами, факапы в проде, спор о ранжировании. В Astrum матричная структура с несколькими стейкхолдерами по одному проекту — проверяют, как ты живёшь в многоголовых решениях.

Особенности по командам

Matchmaking AI. Подбор соперников в PvP-играх холдинга: ELO/MMR, skill-based, queue time vs match quality. Тесно работает с гейм-дизайнерами и продактами. Подойдёт PM с опытом в multiplayer-играх или маркетплейсах матчинга.

Antifraud AI. Защита от ботов, читеров, мульти-аккаунтов в F2P и оплатах. Жёсткие SLA: false positive портит UX честным игрокам, false negative бьёт по экономике. Подойдёт PM с security/risk-бэкграундом.

Monetization AI. Динамические офферы в магазине, прогноз LTV, персонализация акций. Тесно работает с экономистами игр и продюсером. Подойдёт PM из e-commerce/retail.

NPC / Gameplay AI. Поведение врагов и союзников в одиночных миссиях, динамическая сложность, генеративные квесты. Подойдёт PM с гейм-дизайнерским бэкграундом и интересом к R&D.

Platform / VK Play AI. Рекомендации игр, ранжирование каталога, поиск, AI-помощь в установке и настройке. Тесно работает с VK-платформой и партнёрскими отделами. Подойдёт PM из app store/marketplace-доменов.

Что Astrum ценит в AI PM

AI понимание. Слабый ответ: «возьмём GPT». Сильный: «для саппорта — LLM с RAG, для антифрода — graph-based detection поверх событий, для matchmaking — TrueSkill с поправкой на премейд».

Gaming context. Понимание, что игра — это про fun и flow, а не оптимизацию. Слабый: «оптимизируем win rate». Сильный: «win rate должен быть около 50% для retention, но variance важнее — игрок не должен проигрывать 5 матчей подряд».

Matchmaking / antifraud. Знание конкретных проблем: smurfing, premade-bias, deserve-rank, lag в регионах; для антифрода — collusion, bot farms, payment fraud. Слабый: «сделаем как у всех». Сильный приходит с конкретными кейсами.

Business metrics. Не «accuracy», а DAU/MAU, retention D1/D7/D30, ARPPU, монетизация, гросс. Слабый: «модель улучшит метрики». Сильный: «модель churn даёт уведомления retention-команде, которая возвращает 12% игроков на 7-й день, добавляет 18М к gross в квартал».

Cross-team. Гейм-дизайнеры, программисты, продюсер, маркетинг, монетизация — PM собирает консенсус. Проверяется на behavioral.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые. Метрики классификации, базовые алгоритмы, ranking-метрики. ML для PM.
2. Неделя 2 — LLM глубже. Архитектура, hallucinations, function calling. Параллельно — прорешай вопросы по Python, ML и SQL в Карьернике: 1500+ задач с разбивкой по темам, по 10-15 минут в день закрывают пробелы перед собесом. LLM-фичи.
3. Неделя 3 — Prompt + RAG. RAG для саппорта по конкретной игре, system prompts. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency. Считай стоимость антифрод-инференса при пиках. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Mock-кейс по matchmaking. STAR-истории про геймдев-конфликты.
6. Неделя 6 — Polish. Перечитай свежие статьи о matchmaking (Riot, Valve), погугли релизы Astrum и VK Play.

Частые ошибки

«Добавим chatbot» без бизнес-кейса. Слабо: «AI ответит игрокам». Сильно: «у нас 60% тикетов — типовой „как вывести деньги“; LLM-бот с RAG закроет их, освободит 8 модераторов на сложные кейсы, ускорит first-response с 12 часов до 2 минут».

Игнор hallucinations. В геймдев-саппорте hallucination = бан невинного игрока или возврат денег по ложному кейсу. Слабый: «AI разберётся». Сильный: «бот отвечает только на FAQ, для money/ban — обязательная эскалация на человека».

Без game industry. Слышно по фразам типа «оптимизируем win rate в 70%». Изучи блоги Riot, Valve, Supercell, играй в основные F2P-проекты.

Без matchmaking domain. Слабый: «ELO». Сильный: «TrueSkill + premade-bias + region tolerance, на низких CCU расширяем диапазон».

AI metrics only. Кандидат говорит про precision/recall — слабо. Сильный: «модель precision 0.92 на ботах, эконом-эффект 4.5М в месяц без false positive на честных игроках».

Связанные темы

• Собеседование на AI PM
• LLM-фичи в продукте
• Prompt engineering
• RAG и context
• AI-метрики и evaluation
• AI cost и latency

FAQ

Удалёнка в Astrum для AI PM?

Гибрид и удалёнка распространены. Часть встреч с продюсером лучше очно, особенно перед крупными релизами.

Зарплатные вилки 2026?

Middle AI PM: 360-510k. Senior: 510-740k.

Английский нужен?

Базовый — желательно для чтения отраслевых статей. Свободный — плюс для проектов с международной экспансией.

Сколько этапов?

4-5 этапов, 2-3 недели от первого скрининга до оффера.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера — команды и грейды могут менять процесс.