Собеседование на AI PM в Selectel

Почему Selectel — особенный работодатель для AI PM

Selectel — один из крупнейших независимых российских cloud-провайдеров. В отличие от Yandex Cloud, VK Cloud или Cloud.ru, Selectel не часть экосистемы и не строит свои foundation models, а фокусируется на инфраструктуре: dedicated серверы, GPU-инстансы, ML Platform, managed services. Аудитория — AI-стартапы, ML-команды enterprise, разработчики, которым нужна гибкая GPU-инфраструктура без vendor lock-in.

AI PM в Selectel отвечает за продукты на стыке cloud и ML-инфраструктуры: ML Platform (managed Jupyter, experiment tracking, model registry), GPU-инстансы (H100/A100/L40S/RTX-семейство), AutoML, hosting open-source моделей с pre-configured serving, billing и self-service для AI-нагрузок. Главный челлендж — продаёшь продукт инженерам, у которых высокая планка к стабильности, документации и стоимости; нет «маркетинговых» преимуществ — только техническая ценность.

Стек: Kubernetes, GPU-инфраструктура (NVIDIA + альтернативы), vLLM/TGI-аналоги для serving, MLflow, JupyterHub, custom-инструменты для биллинга и квот, ClickHouse для telemetry, мощный API для self-service.

Актуальные вакансии — на hh.ru и сайте Selectel.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML, опыт в cloud/dev-tools. Любой experience с cloud-инфраструктурой (AWS, GCP, Yandex Cloud, VK Cloud) — большой плюс. Готовь питч на 90 секунд: какие AI-фичи запускал, насколько глубоко понимаешь нужды инженеров как пользователей.

2. AI / ML grounding (45-60 минут)

С ведущим PM или ML-лидом. Темы: основы ML, GPU-внутрянка (NVLink, FP16/INT8 quantization), LLM serving (vLLM, batching, KV-cache), ML platform internals (feature store, experiment tracking).

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй ML Platform для AI-стартапа». Жди вопросов про аудиторию (3-5 ML-инженеров vs 50-инженерный team), JTBD (быстрый POC vs production с SLA), UX (биллинг, мониторинг, alert), риски (cost burnout, GPU shortage), метрики (MAU клиентов, gross margin per инстанс), MVP. Сильные кандидаты сразу видят, что в B2B-инфра retention клиентов важнее acquisition.

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты в B2B-cloud: A/B на конечных пользователей сложен, нужно работать с feature-flags и cohort-метриками.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR. Истории про конфликт с инфра-командой, факап с downtime, спор с клиентом про SLA.

Особенности по командам

ML Platform. Jupyter, эксперимент-трекинг, AutoML, деплой моделей. Целевая аудитория — data scientists. Подойдёт PM с dev-tools background.

GPU Infrastructure. Целевая аудитория — ML-инженеры. Подойдёт PM с инфра-/devops опытом.

Foundation models hosting. Хостинг open-source моделей с pre-configured serving. Подойдёт PM с интересом к LLM-инференсу.

AutoML. Автоматизация для не-ML-инженеров. Подойдёт PM с интересом к no-code.

Billing / Self-service. Биллинг по pay-per-use, квоты, alerts. Подойдёт PM с pricing/monetization фокусом.

Что Selectel ценит в AI PM

AI понимание. Слабый: «возьмём LLM». Сильный: «для batch-инференса — vLLM с continuous batching; для low-latency — quantized 4-bit с speculative decoding; стоимость отличается в 6 раз».

Cloud / B2B SaaS context. Знание API-продуктов, биллинга, SLA. Слабый: «сделаем фичу». Сильный: «биллинг по GPU-часам с пиковым тариф, SLA P99 200ms».

GPU / LLM-инфра fluency. Серьёзный плюс. Слабый: «GPU как CPU». Сильный приходит с пониманием NVLink, FP precision, batching.

Business metrics. Не «accuracy», а MRR клиентов, gross margin per инстанс, retention API-клиентов.

Cross-team. Инфра, ML-команды, sales, customer success.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + cloud primer. ML для PM.
2. Неделя 2 — LLM глубже. Архитектура, serving. 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. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency. TCO для разных моделей. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Mock cloud-AI-кейс.
6. Неделя 6 — Polish. Перечитай документацию Selectel, новости.

Частые ошибки

«Добавим chatbot» без бизнес-кейса. Слабо: «AI-бот». Сильно: «у клиентов нужда в быстром POC; ML Platform сокращает setup с 2 недель до 2 часов, retention клиентов 95%».

Игнор cost / latency. Слабый: «возьмём H100». Сильный: «для tier-1 — H100, для tier-2 — L40S; цена/perf отличается, гибкость для клиента».

Без cloud / SaaS. Кандидат не знает биллинг/SLA — провал.

Без LLM-инфра. Слабый: «возьмём API». Сильный: «vLLM, continuous batching, KV-cache».

AI metrics only. Слабо: bleu. Сильно: MRR, gross margin, retention.

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 Selectel для AI PM?

Гибрид и удалёнка распространены. Офис — Санкт-Петербург.

Зарплатные вилки 2026?

Middle AI PM: 380-540k. Senior: 540-790k.

Английский нужен?

Базовый — желательно для чтения research-статей.

Сколько этапов?

4-5 этапов, 2-3 недели.

Это официальная информация?

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