Собеседование на ML Engineer в VK Cloud

Почему VK Cloud — особенный работодатель для MLE

VK Cloud — облачная платформа группы VK, B2B SaaS-направление. Один из трёх крупнейших российских cloud-провайдеров вместе с Yandex Cloud и Cloud.ru. Продуктовый портфель: Compute Cloud, Cloud Storage, Managed Kubernetes (MK8s), ML Platform, GitLab CI как managed-сервис. Внутри группы VK есть собственные ML-задачи (соцсеть, видео, игры) + продуктовые ML-сервисы для внешних клиентов. Для ML-инженера это работа на стыке cloud-инфраструктуры и продуктового ML.

ML-системы и продукты: ML Platform (managed-сервисы для ML), model serving в облаке, AutoML, distributed training, GPU-инфраструктура для AI-нагрузок. Особенность VK Cloud — тесная связь с экосистемой VK (внутренние нужды + внешние клиенты).

Стек: Python + PyTorch + Catboost для табличных задач + K8s для deployment + Go для backend-сервисов + ClickHouse + MLflow + Kubeflow для оркестрации ML-пайплайнов.

Актуальные вакансии — на hh.ru и сайте VK Cloud.

Этапы собеседования

Цикл занимает 3-4 недели и включает 5-6 этапов. VK Cloud — крупная B2B-команда внутри VK. Упор на distributed systems, MLOps, cloud-инфраструктуру.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет фон: production-опыт ML на cloud-уровне, cloud / distributed / MLOps background — большой плюс.

2. ML-теория (60-90 минут)

Базовая секция. Темы: бустинги (CatBoost), deep learning, distributed training (DDP, FSDP), model serving.

Подготовка: ML-теория.

3. Python live coding (60 минут)

Live-кодинг: алгоритмы, ML pipeline. Готовиться по LeetCode минимум 3-4 недели.

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсы: ML Platform pipeline, model serving в облаке, AutoML. Уточнить бизнес-метрику (throughput, latency, cost), описать архитектуру.

Подготовка: MLOps, Model serving, Feature stores.

5. Production / scale (60 минут)

K8s deployment, мониторинг GPU-кластеров, capacity planning.

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое (45 минут)

С тимлидом. STAR-формат.

Особенности по командам

ML Platform. Managed ML-платформа для клиентов и внутренних пользователей VK. Подойдёт MLE с MLOps background.

Compute Cloud. GPU/CPU инфраструктура. ML-инженеры на product-side.

MK8s. Managed Kubernetes — большое направление.

Storage. S3-like storage, специфичные ML-storage-сервисы.

GitLab CI. Managed CI/CD сервис. ML-инженеры используют для своих pipeline-ов.

Что VK Cloud ценит в MLE

Production ML на cloud-уровне. Базовое требование.

Cloud / distributed. Опыт с distributed training, multi-GPU.

MLOps fluency. Train-serving skew, feature stores, model registry.

K8s. Operators, controllers.

PyTorch / Catboost / Python. Стандарт.

Как готовиться: план

За 6-8 недель до собеседования:

1. Неделя 1-2 — Python + ML + distributed. LeetCode Medium 30+ задач, distributed training, GPU. 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 + Cloud. Operators, CRDs.
3. Неделя 4 — MLOps + feature stores. MLOps, Feature stores.
4. Неделя 5 — System design + cloud ML. Кейсы ML Platform, serving, distributed. Model serving.
5. Неделя 6 — Monitoring + deployment. Monitoring drift.
6. Неделя 7-8 — Mocks + behavioral. Mock-интервью, 5-7 STAR-историй.

Частые ошибки

Без cloud / distributed. Слабо.

Без MLOps. Слабо.

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

Только notebook. Кандидаты с Jupyter-only валятся.

Без production опыта. «У нас была модель» — не история.

Связанные темы

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

FAQ

Удалёнка в VK Cloud для MLE?

Гибрид и удалёнка распространены.

Зарплатные вилки 2026?

Middle MLE: 320-470k. Senior: 470-700k.

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.