Собеседование на ML Engineer в IBS

Почему IBS — особенный работодатель для MLE

IBS — один из крупнейших российских IT-консалтинговых холдингов с долгой историей в enterprise-сегменте РФ. Включает несколько компаний: IBS Platformix (инфраструктура и интеграции), IBS DataLab (data и AI-проекты), частично интегрировала бывший Luxoft Russia. Бизнес — сложные проекты для банков, госов, ритейла, нефтегаза, промышленности. Для ML-инженера это работа в проектном консалтинге: ты приходишь к клиенту, понимаешь его задачи, разрабатываешь bespoke ML-решение, доводишь до production у клиента (часто on-premise или в его cloud).

ML-системы: bespoke-решения под клиента — scoring (банки), anti-fraud (банки, payments), NLP (госы — анализ документов, обработка обращений), CV для производства (детекция дефектов на конвейере, контроль качества), recommendation (ритейл). Особенность IBS — каждый проект отличается, MLE должен быть универсальным и работать с разными доменами.

Стек: Python + Catboost для табличных задач + PyTorch для нейросетей (CV, NLP) + K8s для deployment + ClickHouse и Hadoop в зависимости от клиента + MLflow. Поскольку много on-premise — нужно понимание Bare Metal / VMware-инсталяций.

Актуальные вакансии — на hh.ru и сайте IBS.

Этапы собеседования

Цикл занимает 3-4 недели и включает 5-6 этапов. IBS — большая консалтинговая компания, процесс структурированный. Упор на универсальность, client-facing skills и enterprise/on-premise опыт.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет фон: production-опыт ML, enterprise / IT-консалтинг background — плюс. Готовь питч 90 секунд: проекты, бизнес-эффект, стек. Если работал в консалтинге, IT-интеграциях или у вендоров enterprise software — это плюс.

2. ML-теория (60-90 минут)

Базовая секция с ведущим ML-инженером. Темы: градиентный бустинг (CatBoost), NLP fundamentals (BERT, fine-tuning, classification), CV basics (CNN, transfer learning, для производства часто нужно), anti-fraud / scoring. Будь готов рассказать о разных подходах в разных доменах — IBS работает с разнообразными задачами.

Подготовка: ML-теория.

3. Python live coding (60 минут)

Live-кодинг: 1-2 задачи на алгоритмы (LeetCode Medium), плюс задача на ML-pipeline. Готовиться по LeetCode минимум 3-4 недели.

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсовая секция. Кейсы уровня «спроектируй bespoke scoring pipeline для регионального банка», «document NLP classifier для классификации обращений», «CV для детекции дефектов на конвейере». Нужно: уточнить бизнес-метрику и client requirements, описать архитектуру с учётом on-premise constraints, выбрать модели.

Подготовка: MLOps, Model serving, Feature stores.

5. Production / scale (60 минут)

Секция про инфраструктуру: K8s deployment, on-premise constraints, мониторинг. Кейсы про deployment в air-gapped среде, integration с legacy системами клиента.

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое + client-facing (45 минут)

С тимлидом. STAR-формат + client-facing scenarios: расскажи про сложного клиента, про conflict с requirements, про защиту аналитики перед C-level клиента. IBS работает с большими клиентами, поэтому soft skills и умение говорить языком бизнеса критичны.

Особенности по командам

Banking ML. Bespoke-проекты для банков: scoring, anti-fraud, AML, customer analytics. Команда работает в плотной связке с бизнес-аналитиками банка-клиента. Подойдёт MLE с banking background.

Government ML. Проекты для государственных предприятий: document classification, обработка обращений граждан, аналитика. Высокие требования к compliance и security. Подойдёт тем, кто работал в госах или с государственными клиентами.

Industrial ML. Computer vision для производства: детекция дефектов на конвейере, контроль качества, predictive maintenance. Часто edge inference на промышленных компьютерах. Подойдёт MLE с CV background и интересом к индустриальным задачам.

Document NLP. OCR + классификация документов: договоры, отчёты, обращения. ML-pipeline от OCR через extraction до классификации. Подойдёт MLE с NLP и понимающим document processing.

Bespoke / R&D. Проектная работа: каждый проект — новая задача. Универсальные MLE с широким опытом. Подойдёт тем, кто любит разнообразие и не привязан к одному домену.

Что IBS ценит в MLE

Production ML. Базовое требование. Слабый — «делал на Kaggle»; сильный — «scoring модель для регионального банка, AUC=0.81, deploy в их инфраструктуру через K8s, +20% catch rate vs baseline».

Enterprise / on-premise. Понимание особенностей enterprise: on-premise constraints, integration с legacy системами клиента, security requirements. Слабый — «деплоил в AWS»; сильный — «развернул on-premise в VMware-кластере клиента, интегрировал с их LDAP и SSO».

Bespoke решения. Готовность работать над разными задачами, в разных доменах. Слабый — «специализируюсь только на recsys»; сильный — «работал в banking scoring, retail recsys, industrial CV — могу адаптироваться».

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

Client-facing skills. Умение объяснять ML клиенту-нетехнику, защищать архитектурные решения, переводить business requirements в technical specifications. Слабый — «делал, что говорили»; сильный — «провёл discovery session с клиентом, перевёл их business problem в ML-задачу, защитил подход».

Как готовиться: план

За 6-8 недель до собеседования:

1. Неделя 1-2 — Python + ML. LeetCode Medium 30+ задач, разные домены — NLP, CV, scoring. 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 + enterprise ML. Кейсы по 2-3 доменам. Model serving.
5. Неделя 6 — Monitoring + deployment. On-premise specifics. Monitoring drift.
6. Неделя 7-8 — Mocks + behavioral. Mock-интервью, client-facing scenarios.

Частые ошибки

Без enterprise / on-premise опыта. Кандидат говорит «работал в стартапе» — для IBS слабо. Сильный — «работал с on-premise-инсталляциями, понимаю constraints, integration с legacy».

Без bespoke понимания. «Специализируюсь только на одной задаче» — слабо для консалтинга. Сильный — «работал в разных доменах, могу быстро адаптироваться».

Без K8s. «Деплоил через docker-compose» — слабо. Сильный — «деплоил через K8s, разворачивал в air-gapped среде».

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

Слабые client-facing skills. Если не можешь объяснить ML клиенту — на behavioral отвалишься. Сильный — «провёл презентацию архитектуры для C-level клиента, ответил на все технические и бизнес-вопросы».

Связанные темы

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

FAQ

Удалёнка в IBS для MLE?

Гибрид распространён, удалёнка возможна, но при работе с клиентом могут быть выезды.

Зарплатные вилки 2026?

Middle MLE: 260-400k. Senior: 400-600k.

Английский нужен?

Базовый — желательно. Для некоторых международных клиентов — обязателен.

Сколько этапов?

5-6 этапов, 3-4 недели.

Это официальная информация?

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