Собеседование на Data Scientist в Сбер AI

Почему Сбер AI — особенный работодатель

Сбер — крупнейший работодатель для DS в России: банковский ML (скоринг, антифрод, маркетинг), Sber AI как отдельный центр (GigaChat, Kandinsky, ruDALL-E, RecSys), Сбермаркет, ДомКлик, Salute Speech. Внутри есть и applied ML, и research. По объёму открытых вакансий конкурирует с Яндексом.

Особенность — корпоративная регулярность: процесс найма прозрачный, чек-листы, грейды (от DS-Junior до Lead). Параллельно — модели на боевом банковском масштабе (десятки миллионов клиентов, миллиарды транзакций). Актуальные вакансии — на карьерной странице Сбера.

Этапы собеседования

1. Скрининг с HR (30-45 минут)

Стандартное знакомство:

• Опыт, текущая позиция, ожидания по грейду и компенсации
• Готовность к корп-процессам (jira, конф-звонки, документация)
• Знаком ли с продуктами Сбера

Питч 90 секунд: продукт, задача, метрика.

2. Алгоритмы / coding (60-90 минут)

LeetCode Easy-Medium плюс задачи на pandas/numpy. Лояльнее, чем в Яндексе: глобальные алгоритмы реже, чем тонкости работы с данными.

Иногда — задача на чистый SQL: оконные функции, JOIN, агрегация. Если идёшь на data-роль внутри Sber AI — SQL обязателен.

Подготовка: Python live-coding, SQL-тренажёр.

3. ML-теория (60-90 минут)

Деревья, бустинг (CatBoost — Яндекс, но в Сбере он тоже первый выбор), линейные модели. Классическая программа:

• Bias-variance, регуляризация
• Метрики: для скоринга — Gini, KS, ROC-AUC, PR-AUC. Для антифрода — precision @ recall (с большим class imbalance)
• Кросс-валидация, time-based split (важно для финансовых данных)
• Imbalanced classes: SMOTE, class weights, threshold tuning

Подготовка: ROC-AUC vs PR-AUC, классификация на собесе DS.

4. Доменные кейсы (45-60 минут)

Здесь Сбер отличается от Яндекса: спрашивают про конкретные банковские задачи.

Типичные кейсы:

• «Построй модель кредитного скоринга. Какие фичи возьмёшь, как избежать leak»
• «Антифрод по транзакциям: live-инференс, какая latency, какая модель»
• «Как ML может помочь в обнаружении churn в банке»

В Sber AI / GigaChat — другой акцент: LLM, retrieval, evaluation:

• Как собирал бы датасет для fine-tuning
• Как оценивать ответы LLM
• Что такое RAG, как делал

Подготовка: ML-кейсы на собесе DS, ML system design.

5. Поведенческое (45 минут)

STAR. У Сбера — фокус на team work и compliance:

• Как работал с регуляторными ограничениями (банковская тайна, ПД)
• Конфликт с продакт-менеджером / руководителем — как разрулил
• Большой проект, который растягивался дольше плана

6. Финал с тимлидом / руководителем

Стратегия, фит:

• Куда движется направление
• Карьерные треки внутри Сбера (есть формальные грейды)
• ML-инфраструктура: MLflow, in-house платформы

Особенности по направлениям

Что Сбер ценит в DS

• Объяснимость. В банке моделей без интерпретации не пропустят: SHAP, feature importance, монотонность фич — must
• Доменное понимание. Не «обучил классификатор», а «понимаю, что значат фичи и как они работают для банковской бизнес-логики»
• Готовность к процессам. Согласования, документация, ИБ-проверки — часть работы
• Compliance-mindset. Знание GDPR/152-ФЗ, обращения с банковской тайной, отделения dev и prod
• Стабильность. Сбер не любит «звёзд» без процесса. Регулярная дисциплина делает больше, чем сольный гений

Как готовиться: план

1. Алгоритмы Easy-Medium. Меньше акцента на Hard, больше на pandas и SQL.
2. ML-классика. Логрег, деревья, бустинг. bias-variance, регуляризация.
3. Финансовые метрики. Gini, KS, lift, PR-AUC для imbalanced.
4. Доменные кейсы. Скоринг, антифрод, churn, RecSys.
5. LLM-стек (для Sber AI). Fine-tuning, RLHF, evaluation. Reasoning у LLM.
6. STAR-истории. Compliance-ситуации, командная работа, регуляторика.

Частые ошибки

• Сильный ML без compliance. «Я использую любые данные» — провал в банковской команде
• Игнор объяснимости. ROC-AUC 0.92 без SHAP — для скоринга мало
• Только теория, без банковского контекста. Идёшь в антифрод — изучи паттерны mule-аккаунтов, smurfing, layering
• Слабый SQL. Внутри Сбера DS пишет SQL чаще, чем кажется
• Не учесть масштаб данных. Модель должна работать на сотнях миллионов записей, не на 10k

Связанные темы

• Собеседование на Data Scientist
• Собеседование на PM в Т-Банке
• ML system design на собесе DS
• ROC-AUC vs PR-AUC на собесе DS
• Собеседование Data Scientist: обзор

FAQ

Сколько раундов в Сбере для DS?

Обычно 4-6: HR → coding → ML-теория → кейсы → поведенческое → финал. Срок 3-6 недель.

Чем Sber AI отличается от обычного DS в Сбере?

Sber AI — research-центр (GigaChat, Kandinsky). Там больше LLM, NLP, CV, генеративных моделей. В banking-командах — applied ML на табличных данных.

Берут ли junior DS?

Да, есть программы для джунов и стажёров. Часто через стажировку в Sber AI Lab.

Нужно ли знать банковский домен заранее?

Желательно для скоринга/антифрода. Можно подучить за 2-3 недели до собеса.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера.