Собеседование в Сбер: какие этапы и что спрашивают на технической секции
Сбер входит в тройку компаний, куда чаще всего целятся дата-специалисты в России. Причины понятные: масштаб данных, зарплаты выше среднего по рынку, собственные модели и исследовательские команды. Обратная сторона: длинный отбор и разные требования в разных подразделениях, потому что Сбер это не одна компания, а десятки команд со своими правилами.
Разберём, что обычно ждёт кандидата и как к этому готовиться.
Отбор идёт долго, и это надо заложить в план
Первое, что стоит принять: процесс растянут. Между откликом и оффером легко проходит месяц, иногда больше. Внутри крупной структуры согласования идут медленно, а летом и в конце года добавляются отпуска.
Практический вывод: не держите Сбер единственным вариантом и не ставьте всё на один процесс. Параллельно идущие собеседования в другие компании полезны вдвойне: и подстраховка, и тренировка.
Типичная цепочка выглядит так: скрининг с рекрутером, техническая секция (иногда две), встреча с руководителем команды, финальное обсуждение условий. Где-то добавляется тестовое, где-то секция по продуктовому мышлению. Точный набор зависит от конкретного подразделения, и это нормально: спрашивайте у рекрутера на первом звонке, из скольких этапов состоит процесс.
Что спрашивают на технической секции
Если сложить в одну картину, что кандидаты приносят с собесов Сбера, распределение показательное: больше всего пришлось на языковые модели, следом классический ML и ML System Design, дальше NLP, метрики качества, статистика и SQL.
Это неплохо описывает, куда сместился спрос за последний год.
Языковые модели. Разговор редко про архитектуру трансформера как таковую. Спрашивают прикладное: как устроен RAG, где он ломается, чем эмбеддинги для поиска отличаются от эмбеддингов для классификации, как оценивать качество генерации, когда дообучение оправдано, а когда достаточно промпта. Если вы собирали что-то с языковыми моделями руками, готовьтесь рассказывать, где именно оно вело себя плохо.
Классический ML. Никуда не делся и спрашивается по-прежнему въедливо. Переобучение и как его ловить, валидация и её ловушки на временных данных, работа с признаками, утечка целевой переменной, выбор метрики под задачу с дисбалансом классов. Тут же любимый вопрос про то, почему accuracy на редком классе бесполезна.
ML System Design. Секция, которая отличает мидла от джуна. Дают задачу вроде «постройте систему рекомендаций для мобильного приложения» и смотрят на порядок мышления: уточнили ли вы требования, назвали ли метрики, предложили ли бейзлайн, подумали ли про инференс и мониторинг. Правильного ответа нет, есть плохой и хороший разбор.
SQL. Даже в исследовательских командах спросят. Обычно джойны, группировки, оконные функции. Требования мягче, чем к аналитику, но плавать на LEFT JOIN нельзя: освежить можно в тренажёре SQL.
Статистика. Проверка гипотез, доверительные интервалы, A/B-тесты. На уровне понимания и трактовки, а не вывода формул.
Отдельно про продуктовую часть
Если позиция ближе к продукту, добавляется секция про метрики: как выбрать целевую, что делать при просадке конверсии, как оценить эффект фичи без полноценного эксперимента. В крупной компании особенно ценят умение объяснить свою работу человеку, который не знает, что такое градиентный бустинг.
Хороший ответ здесь всегда начинается не с модели, а с вопроса: какое решение будет приниматься по результату.
Частые вопросы
Сколько длится отбор? Часто месяц и больше: в большой структуре согласования идут медленно, летом и в конце года добавляются отпуска.
Почему требования в похожих вакансиях такие разные? Потому что Сбер это десятки подразделений со своими командами и процессами. Смотрите на конкретную команду, а не на бренд.
Что учить в первую очередь? Классический ML и статистику, следом блок про языковые модели: RAG, эмбеддинги, оценка качества генерации. SQL спросят почти в любой дата-роли.
Отказ закрывает дорогу в компанию? Нет. В одну команду не подошли, в соседнюю подойдёте: зайти снова можно уже через несколько месяцев.
Как готовиться
Соберите свои истории заранее. Три-четыре проекта, каждый в формате «задача, что делал, что получилось, где облажался». Последний пункт важнее первых трёх: вопрос «а что пошло не так?» задают почти всегда, и заготовленный честный ответ звучит гораздо лучше, чем судорожное «да вроде всё нормально было».
Проговорите ML System Design вслух. Это разговорный жанр. Дома возьмите три задачи (рекомендации, антифрод, прогноз спроса) и разберите каждую по схеме: требования, метрики, данные, бейзлайн, модель, инференс, мониторинг. Первые попытки будут рассыпаться на середине, это нормально.
Освежите базу, а не экзотику. Соблазн выучить свежие статьи велик, но валят обычно на простом: как работает кросс-валидация на временном ряде, почему нельзя обучаться на признаках из будущего, что означает p-value. Экзотику спросят, если сами упомянете её в резюме.
Подготовьте вопросы к команде. В большой компании особенно важно понять, чем именно занимается конкретная команда: исследованиями, продуктовыми моделями или поддержкой существующих пайплайнов. Разница огромная, а в описании вакансии её обычно не видно.
Если отказали
Обычная история в компаниях такого размера: в одну команду не подошли, в соседнюю подошли бы отлично. Отказ по конкретной вакансии не закрывает дорогу целиком, повторный отклик через несколько месяцев нормален. Спросите у рекрутера, что подтянуть, и в следующий заход придите с закрытым пробелом.
И готовьтесь не за вечер. В Сеньорчике есть срез вопросов формата Сбера: с вариантами ответов, разбором каждого и движком, который возвращает темы, где вы ошибаетесь. Десять минут в день в Telegram, бесплатно.