Собеседование на ML Engineer в Astrum Entertainment

Почему Astrum — особенный работодатель для MLE

Astrum Entertainment — российский игровой холдинг, объединяющий студии и проекты, ранее входившие в My.Games. Включает крупные онлайн-игры (Warface, Conqueror's Blade), мобильные проекты, платформу VK Play (магазин игр, лаунчер, сервис matchmaking). На рынке российского геймдева Astrum — один из крупнейших игроков с диверсифицированным портфелем от mid-core PvP до casual mobile. Для ML-инженера это работа с миллионами активных игроков и комплексными ML-системами на масштабе.

ML-системы: matchmaking для PvP-игр (Warface, Conqueror's Blade), churn prediction для retention-кампаний, monetization ML (recommendation внутри-игровых офферов, dynamic pricing), антифрод (детекция читов, ботов, RMT), recommendation в VK Play (какие игры показать пользователю), balance optimization. Часть моделей переиспользуется между играми, часть — кастомные под title.

Стек: Python + Catboost для табличных задач + PyTorch для нейросетей (CV для детекции читов, sequence models для behavior) + K8s для deployment + ClickHouse как аналитический движок + Hadoop для тяжёлых ETL на миллиардах событий + MLflow для трекинга экспериментов.

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

Этапы собеседования

Цикл занимает 3-4 недели и включает 5-6 этапов. Astrum — большой геймдев-холдинг, процесс структурированный. Упор на production ML и понимание gaming-специфики.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет фон: production-опыт ML, gaming / F2P background — большой плюс. Спросят про мотивацию работать в gaming, опыт работы с большими пользовательскими базами. Готовь питч 90 секунд: проекты, бизнес-эффект, стек. Если работал в gaming, mobile F2P, e-commerce recsys — упомяни сразу.

2. ML-теория (60-90 минут)

Базовая секция с ведущим ML-инженером. Темы: градиентный бустинг (CatBoost vs XGBoost), recommendation (CF, two-tower, factorization), matchmaking (TrueSkill, Elo, ML-расширения), churn prediction (survival analysis, classification), монетизация ML (uplift modeling, propensity). Будь готов рассказать про gaming-специфику: telemetry events, session-level моделирование, cold start для нового контента.

Подготовка: ML-теория.

3. Python live coding (60 минут)

Live-кодинг: 1-2 задачи на алгоритмы (LeetCode Medium), плюс задача на ML-pipeline — написать функцию для расчёта метрики ранжирования (NDCG), реализовать sampling для negative samples в recsys, отладить чужой код с утечкой train/test. Готовиться по LeetCode минимум 3-4 недели.

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсовая секция. Кейсы уровня «спроектируй matchmaking pipeline для Warface», «churn prediction для retention в мобильной F2P», «антифрод для детекции читов через CV». Нужно: уточнить бизнес-метрику, описать архитектуру, выбрать модели, продумать data leakage, A/B-план, мониторинг. Слабые ответы — сразу прыжок в нейросети; сильные — где видно понимание trade-off и production-проблем.

Подготовка: MLOps, Model serving, Feature stores.

5. Production / scale (60 минут)

Секция про инфраструктуру: K8s deployment, мониторинг, обработка миллионов событий в секунду в PvP-играх. Кейсы про откат модели, drift, инциденты. Заготовь 2-3 истории с цифрами.

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое (45 минут)

С тимлидом и/или представителем команды. STAR-формат: конфликт с продактом, факап с моделью, спор по архитектуре. Astrum ценит ownership, инициативу и интерес к gaming.

Особенности по командам

Matchmaking. Ядро PvP-игр (Warface, Conqueror's Blade): подбор игроков в команды для сбалансированных матчей. Команда работает с TrueSkill / Elo + ML-расширения для учёта стилей игры, win-rate в условиях. Главные челленджи: баланс «время ожидания vs качество матча», party-balancing, edge-кейсы. Подойдёт MLE с recsys или online-алгоритмами.

Monetization ML. Внутри-игровые офферы и dynamic pricing: какому игроку показать какой оффер в какой момент. Сюда — propensity-модели, uplift modeling, recommendation, sequential. Тесная работа с продактами и геймдизайнерами. Подойдёт тем, кто работал с recsys в e-commerce или F2P-играх.

Churn / Retention ML. Прогноз оттока, propensity для re-engagement, ML-driven CRM. Модели идут в push, email, in-game контент. Подойдёт кандидатам с retention-опытом.

Антифрод. Детекция читов, ботов, эксплойтов, RMT (real-money trading). ML-системы анализируют behavior, телеметрию, network. CV-модели для детекции aimbot. Подойдёт тем, у кого опыт в anti-fraud или security.

Platform / VK Play. Рекомендации игр в магазине VK Play, поиск, персонализация лаунчера. Recsys-команда, работает с метаданными игр + поведением пользователей. Подойдёт тем, кто работал с recsys в e-commerce или контентных платформах.

Что Astrum ценит в MLE

Production ML. Базовое требование. Нужны истории про реальные модели в проде с количественным эффектом. Слабый — «делал на Kaggle»; сильный — «churn-модель на 500k DAU, F1=0.82, +8% retention в pilot-кампании, deploy через K8s».

Gaming context. Понимание особенностей gaming: telemetry events, player segmentation, F2P-monetization, balance. Если в games не работал, читай блоги Riot, Supercell, Blizzard.

Matchmaking / churn. Опыт хотя бы в одной из gaming-задач — обязателен. Прочитай TrueSkill, survival analysis, uplift modeling.

K8s. Без K8s сложно. Хотя бы 1 модель сам в K8s подними.

Catboost / PyTorch / Python. Стандарт для production ML. Без свежей практики не пройдёшь live-coding.

Как готовиться: план

За 6-8 недель до собеседования:

1. Неделя 1-2 — Python + ML. LeetCode Medium 30+ задач, освежи Catboost, recsys, бустинги. 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. Python для DS, ML-теория.
2. Неделя 3 — K8s + Docker. Подними хотя бы 1 модель в K8s.
3. Неделя 4 — MLOps + feature stores. MLOps, Feature stores.
4. Неделя 5 — System design + game ML. Кейсы matchmaking, churn, fraud, recommendation. Model serving.
5. Неделя 6 — Monitoring + deployment. Drift, canary, A/B. Monitoring drift.
6. Неделя 7-8 — Mocks + behavioral. Mock-интервью, 5-7 STAR-историй.

Частые ошибки

Без game industry понимания. Кандидат говорит «возьмём градиентный бустинг» — без gaming-specific фич — слабо. Сильный — «учту session-level, time-of-day, party-size, win-rate dynamics».

Без matchmaking / churn опыта. Если не работал ни с одной gaming-задачей — сложно. Сильный — заранее изучает TrueSkill, survival analysis, uplift.

Без K8s. «Деплоил через docker-compose» — для production gaming-сервиса это слабо. Сильный — «деплоил через Helm, использовал HPA, canary на 5% трафика».

Только notebook. Кандидаты с Jupyter-only валятся на live-coding. Сильный — «свои проекты переписал в виде пакетов с тестами».

Без production опыта. «У нас была модель» — не история. Сильный — «модель monetization на 500k MAU, AUC=0.84, deploy через K8s, мониторил drift через KS-test».

Связанные темы

• Собеседование на ML Engineer
• MLOps
• Feature stores
• Model serving
• Monitoring и drift
• Deployment strategies

FAQ

Удалёнка в Astrum для MLE?

Гибрид и удалёнка распространены. Офисы — в Москве и других городах.

Зарплатные вилки 2026?

Middle MLE: 280-420k. Senior: 420-640k.

Английский нужен?

Базовый — желательно. Свободный — не обязателен.

Сколько этапов?

5-6 этапов, 3-4 недели.

Это официальная информация?

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