Собеседование на ML Engineer в Яндексе

Почему Яндекс — особенный работодатель для MLE

Яндекс — лидер ML в РФ: поиск, рекомендации, такси, такси-роботы, YandexGPT, Алиса, доставка. ML-системы Яндекса работают на сотни миллионов QPS. Стек: PyTorch + in-house tools (Catboost, MapReduce YT) + Kubernetes + GPU кластеры.

MLE в Яндексе — серьёзная инжен.специализация. Не DS, который experiments. Здесь deployment, scaling, latency optimization, drift monitoring. Senior MLE проектирует ML platform для всей компании / direction.

Актуальные вакансии — на yandex.ru/jobs.

Этапы собеседования

1. Скрининг с рекрутером (30-45 минут)

Знакомство:

• Опыт production ML
• Стек: PyTorch / K8s / serving frameworks
• Motivation: scale of Яндекса

Питч 90 секунд: проект, scale, инструменты, impact.

2. ML теория (60-90 минут)

Базовая ML на уровне DS-собеса. Без — слабая позиция.

Темы:

• Bias-variance, регуляризация
• Бустинги (Catboost — Яндекс)
• Метрики
• A/B-тесты

Подготовка: ML-теория.

3. Python live coding (60 минут)

• Алгоритмы medium
• Иногда ML задача
• Optimization (numpy / torch)

Подготовка: Python для DS.

4. ML System Design (90 минут)

Кейсы:

• Serving для recommendation 1M QPS
• Feature store для ad ranking
• A/B-инфра для ML моделей
• Real-time inference с low latency

Подготовка: MLOps, Feature stores, Model serving.

5. Production / infra (60 минут)

Kubernetes, GPU optimization, monitoring drift, CI/CD pipeline для моделей.

Подготовка: Monitoring drift, Deployment strategies.

6. Поведенческое (45 минут)

STAR: cross-team, scale challenges, ownership.

Особенности по командам

Поиск / Реклама: ad ranking, click prediction, низкая latency.

Рекомендации (Музыка, Кинопоиск): real-time + batch hybrid.

Yandex Self-Driving: ML на edge (in-car), CV-heavy.

YandexGPT: LLM training + serving.

Такси / Доставка: ETA prediction, dispatch, geo ML.

Что Яндекс ценит в MLE

• Production ML опыт. Models в проде на scale.
• Kubernetes / Docker. Стандарт.
• In-house tools mindset. YT, Catboost — нужно учить.
• Scale awareness. 1M+ QPS — не игрушка.
• Communication. Cross-team coordination.

Как готовиться: план

За 6-8 недель:

1. Неделя 1-2 — Python + ML теория. ML-теория, Python для DS.
2. Неделя 3 — Kubernetes + Docker + serving. Model serving.
3. Неделя 4 — MLOps + feature stores. MLOps, Feature stores.
4. Неделя 5 — ML system design. ML system design.
5. Неделя 6 — Monitoring + deployment. Monitoring drift, Deployment strategies.
6. Неделя 7-8 — Mocks + behavioral.

Частые ошибки

• Без production опыта. Notebook-only experiments — не MLE.
• Без K8s. В Яндексе — must.
• Слабый ML фундамент. MLE не DS, но базу знать.
• Без scale mindset. «Я делал на 100 QPS» — не Яндекс.
• Без in-house tools интереса. YT / Catboost / etc.

Связанные темы

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

FAQ

Удалёнка в Яндексе для MLE?

Гибрид часто. Полная — для senior возможно.

Зарплатные вилки 2026?

Middle MLE: 300-450k. Senior: 450-700k. Принципал: 700k+.

Английский нужен?

Базовый — желательно. Литература на английском.

Сколько этапов?

5-6 этапов, 3-4 недели полный процесс.

Это официальная информация?

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