Собеседование на ML Engineer в Сбер Управление Активами

Почему Сбер Управление Активами — особенный работодатель для MLE

«Сбер Управление Активами» — крупнейшая российская управляющая компания, входит в группу Сбер. Управление ПИФами (паевые инвестиционные фонды), БПИФами (биржевые ПИФы — ETF-аналоги), доверительное управление, индивидуальные стратегии. Под управлением сотни миллиардов рублей активов розничных и институциональных клиентов. Для ML-инженера это работа в asset management с серьёзным финансовым контекстом и regulator compliance.

ML-системы: portfolio optimization (оптимизация портфелей с учётом риск-метрик, ребалансировка), churn prediction для инвесторов (выявление снижения AUM), robo-advisor (автоматическое управление портфелями для retail), recommendation продуктов (какому клиенту какой ПИФ, ETF, стратегию предложить), NLP для отчётности и регуляторных документов, AML (anti-money laundering).

Стек: Python + Catboost для табличных задач + PyTorch для нейросетей (NLP, sequence) + K8s для deployment + ClickHouse как аналитический движок + Hadoop для тяжёлых ETL + MLflow для трекинга экспериментов.

Актуальные вакансии — на hh.ru и сайте Сбера.

Этапы собеседования

Цикл занимает 3-4 недели и включает 5-6 этапов. СберУА — крупная финансовая структура в группе Сбер. Упор на production ML, asset management и regulator compliance.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет фон: production-опыт ML, asset management / fintech background — большой плюс. Готовь питч 90 секунд.

2. ML-теория (60-90 минут)

Базовая секция. Темы: градиентный бустинг (CatBoost), time series (ARIMA, GARCH, Prophet), финансовые модели (portfolio optimization, Black-Litterman), recommendation. Будь готов про explainability.

Подготовка: ML-теория.

3. Python live coding (60 минут)

Live-кодинг: алгоритмы (LeetCode Medium), ML pipeline — Sharpe, drawdown, temporal validation. Готовиться по LeetCode минимум 3-4 недели.

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсы: «portfolio optimization для ПИФов», «robo-advisor pipeline», «churn prediction для retention». Уточнить бизнес-метрику и regulatory constraints, описать архитектуру.

Подготовка: MLOps, Model serving, Feature stores.

5. Production / scale (60 минут)

K8s deployment, мониторинг, regulator compliance (ЦБ требует audit trail и model validation).

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое (45 минут)

С тимлидом. STAR-формат. СберУА ценит инженерную аккуратность в регулируемой среде.

Особенности по командам

Portfolio optimization. Ядро asset management: оптимизация портфелей ПИФов и БПИФов, ребалансировка. Команда работает с time series, риск-моделями, ML для signal generation.

Robo-advisor. Автоматическое управление портфелями для retail. ML-системы строят оптимальные портфели.

Investor analytics. Аналитика клиентов: churn, retention, propensity для cross-sell.

Recommendation. Recsys продуктов с учётом риск-профиля клиента.

Regulator reporting. NLP-помощь в подготовке регуляторных отчётов для ЦБ.

Что Сбер Управление Активами ценит в MLE

Production ML. Базовое требование.

Asset management / fintech context. Понимание особенностей финансовых ML.

Time series. ARIMA, GARCH, Prophet.

Regulator compliance. Model risk management, audit trail.

K8s. Без K8s сложно.

Как готовиться: план

За 6-8 недель до собеседования:

1. Неделя 1-2 — Python + ML + time series. LeetCode Medium 30+ задач, time series, portfolio theory. 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 + asset management ML. Кейсы portfolio, robo-advisor, churn. Model serving.
5. Неделя 6 — Monitoring + deployment. Compliance, model validation. Monitoring drift.
6. Неделя 7-8 — Mocks + behavioral. Mock-интервью, 5-7 STAR-историй.

Частые ошибки

Без asset management domain. Кандидат говорит «у меня e-commerce» — отвалится.

Без time series. «Делал классификацию» — слабо.

Без regulator compliance. «Деплоил в K8s» — слабо для регулируемой компании.

Без K8s. «Деплоил через docker-compose» — слабо.

Только notebook. Кандидаты с Jupyter-only валятся.

Связанные темы

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

FAQ

Удалёнка в СберУА для MLE?

Гибрид и удалёнка распространены.

Зарплатные вилки 2026?

Middle MLE: 310-460k. Senior: 460-690k.

Английский нужен?

Базовый — желательно.

Сколько этапов?

5-6 этапов, 3-4 недели.

Это официальная информация?

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