Как пройти собеседование аналитиком в Sber AI Lab

Почему Sber AI Lab — интересный работодатель для аналитика

Sber AI Lab — подразделение Сбера, которое занимается исследованиями и внедрением AI: большие языковые модели (GigaChat), компьютерное зрение, NLP, рекомендательные системы. Для аналитика это работа на переднем крае AI — оценка качества моделей, анализ пользовательского поведения в AI-продуктах и product analytics для новых сервисов.

Аналитики здесь решают уникальные задачи: метрики качества генеративных моделей, A/B-тестирование AI-фич, анализ обратной связи пользователей, оценка ROI внедрения AI в бизнес-процессы Сбера. Инфраструктура данных — мощная, масштаб — экосистемный.

Актуальные вакансии — на карьерной странице Сбера.

Этапы собеседования

1. HR-скрининг

Звонок на 15–20 минут. Рекрутер уточняет опыт, мотивацию и ожидания. AI Lab — исследовательское подразделение с продуктовым фокусом, покажите интерес к обеим сторонам.

Что стоит подготовить:

• Краткий рассказ о себе с акцентом на аналитический опыт и работу с ML/AI
• Ответ на вопрос «Почему Sber AI?» — покажите интерес к AI-продуктам и их влиянию на бизнес
• Вопросы о команде, продуктах и текущих задачах

2. Техническое собеседование: SQL и Python

Живое интервью на 60–90 минут. SQL-задачи решаются в реальном времени. Python может проверяться отдельно или в рамках этого же этапа.

Что проверяют:

• Оконные функции — ROW_NUMBER, LAG, SUM OVER. Типичные задачи: «Для каждого пользователя GigaChat найдите сессию с максимальным количеством сообщений и рассчитайте среднюю длину диалога». Подготовиться поможет шпаргалка по оконным функциям.
• JOIN и подзапросы — объединение таблиц пользователей, сессий, запросов, оценок качества.
• Агрегация — расчёт метрик по моделям, сценариям использования, периодам.
• CTE — многоэтапные запросы для анализа воронок и когорт.
• Python — pandas, numpy, базовая визуализация, работа с JSON и текстовыми данными. Повторите основы Python.

Типовые SQL-задачи — в разделе SQL.

3. Метрики, статистика и эксперименты

Второй технический этап, 45–60 минут:

• Метрики AI-продуктов — DAU/MAU, retention, длина сессии, количество запросов, оценки качества ответов (thumbs up/down), конверсия в повторное использование, time-to-value.
• Эксперименты — как тестировать новую версию модели, как сравнивать качество ответов, онлайн- vs офлайн-метрики. Основы — в разделе A/B-тестирования.
• Статистика — проверка гипотез, bootstrap, interrater agreement, работа с субъективными оценками. Подробнее — в разделе статистики.

4. Кейс-интервью с нанимающим менеджером

Финальный этап, 45–60 минут. Бизнес-задача из AI-аналитики:

• «Пользователи стали реже возвращаться в GigaChat после первой сессии. Как будете разбираться?»
• «Нужно построить систему метрик для оценки качества генеративной модели в продакшене. Что предложите?»
• «Как оценить бизнес-эффект от внедрения AI-ассистента в контакт-центр Сбера?»

Кейсы привязаны к AI-продуктам и их внедрению в бизнес. Разберитесь в метриках: retention пользователей AI-сервисов, качество модели, ROI внедрения. Знание продуктовой аналитики обязательно.

Особенности аналитики AI-продуктов

Метрики качества модели — precision, recall, BLEU, human evaluation. Аналитик помогает связать технические метрики модели с пользовательским опытом и бизнес-результатом.

Субъективные оценки — качество ответов генеративной модели оценивается людьми. Работа с рейтингами, согласованностью оценок и bias — специфическая задача.

Быстрая итерация — новые версии моделей выходят часто. Аналитик должен уметь быстро оценивать изменения и давать рекомендации.

ROI внедрения AI — перевод улучшения метрик качества в бизнес-ценность: сокращение времени обработки, автоматизация процессов, рост удовлетворённости клиентов.

Как готовиться: план действий

1. SQL на скорость — оконные функции, CTE, JOIN, агрегация. 15 минут на задачу. Начните с примеров вопросов.
2. Python — pandas, numpy, работа с текстовыми данными и JSON. Визуализация и базовый EDA.
3. Метрики AI-продуктов — retention, engagement, качество ответов, NPS. Как связать их с бизнесом.
4. Кейсы вслух — тренируйтесь разбирать ситуации: упал retention, снизилось качество ответов, выросло время ответа модели.
5. Эксперименты с моделями — онлайн- vs офлайн-оценка, A/B-тесты новых версий, interleaving.

Для системной подготовки используйте чеклист подготовки к собеседованию аналитика. Тренажёр Карьерник помогает ежедневно отрабатывать SQL, продуктовые метрики и статистику — по 15–20 минут в Telegram, без потери темпа.

FAQ

Какой SQL нужен для собеседования в Sber AI Lab?

Уверенный средний уровень. Оконные функции, CTE, JOIN, агрегация. SQL проверяют на живом интервью. Python тоже проверяют — это обязательный навык для AI-команды.

Нужен ли опыт в машинном обучении?

Глубокие знания ML не обязательны для позиции аналитика, но базовое понимание метрик качества моделей и процесса обучения — сильный плюс. Специфику можно освоить в процессе работы.

Это официальная информация о собеседовании?

Нет. Sber AI Lab не публикует детали процесса найма. Статья основана на публичных источниках и опыте кандидатов. Актуальную информацию уточняйте у рекрутера.

Сколько платят аналитикам в Sber AI Lab?

Зарплаты на уровне ведущих технологических компаний — AI-подразделения традиционно предлагают премиальные условия. Помимо оклада — бонусная программа, ДМС и соцпакет Сбера.