मशीन लर्निंग इंजीनियर का इंटरव्यू एक अजीब मिला-जुला रूप है: इसका आधा हिस्सा सॉफ्टवेयर इंजीनियरिंग लूप जैसा दिखता है, और बाकी आधा यह टटोलता है कि जो मॉडल आप शिप करते हैं उनके पीछे की गणित आप समझते हैं या नहीं। 2026 में, जब लगभग हर प्रोडक्शन स्टैक में लार्ज लैंग्वेज मॉडल हैं, बार ऊपर खिसक गया है। बायस-वेरिएंस ट्रेडऑफ रटकर सुना देना अब काफी नहीं। इंटरव्यूअर ऐसा इंसान चाहते हैं जो रात दो बजे भटकते हुए रेकमेंडर को डिबग कर सके और समझा सके कि ऑफलाइन AUC शानदार क्यों दिख रहा था जबकि लाइव मेट्रिक धड़ाम हो गया।
2026 में मशीन लर्निंग इंजीनियर इंटरव्यू असल में क्या परखते हैं
पांच साल पहले आप Kaggle की फुर्ती और एक साफ-सुथरी नोटबुक के दम पर ML इंजीनियर लूप पास कर सकते थे। वह दौर खत्म। यह रोल अब डेटा साइंस और बैकएंड इंजीनियरिंग के बीच बैठता है, और पैनल चार चीजें देखते हैं।
पहला, इंजीनियरिंग फंडामेंटल्स: साफ, टेस्ट किया हुआ, परफॉर्मेंट Python (या Go, या Scala) और डेटा स्ट्रक्चर पर असली सोच, सिर्फ scikit-learn इंपोर्ट करना नहीं। दूसरा, ML की गहराई: कोई मॉडल जैसा बर्ताव करता है वैसा क्यों करता है, जिसमें लॉस फंक्शन, रेगुलराइजेशन, ऑप्टिमाइजेशन और आपके चुने आर्किटेक्चर के फेलियर मोड शामिल हैं। तीसरा, सिस्टम्स थिंकिंग: एक फीचर स्टोर, एक ट्रेनिंग पाइपलाइन, एक सर्विंग लेयर और एक मॉनिटरिंग स्टैक डिजाइन करना जो असली ट्रैफिक झेल सके। चौथा, और 2026 में लगातार हावी होता जा रहा, LLM के इर्द-गिर्द प्रोडक्शन समझ: रिट्रीवल-ऑगमेंटेड जनरेशन, इवैल्युएशन हार्नेस, फाइन-ट्यूनिंग बनाम प्रॉम्प्टिंग के ट्रेडऑफ, और इन्फरेंस लागत पर काबू।
इन चारों को जोड़ने वाला धागा है व्यावहारिकता। मजबूत कैंडिडेट डेटा क्वालिटी, लेटेंसी बजट और रोलबैक प्लान की बात करते हैं। कमजोर कैंडिडेट सबसे नया पढ़ा हुआ पेपर गिनाते हैं।
इंटरव्यू प्रोसेस
लूप आमतौर पर पांच से सात स्टेज का होता है, शुद्ध सॉफ्टवेयर रोल से लंबा, क्योंकि परखने को ज्यादा है।
- रिक्रूटर स्क्रीन (30 मिनट)। लॉजिस्टिक्स, सैलरी बैंड, और यह जांच कि आप कोई शिप किया हुआ मॉडल शुरू से आखिर तक समझा सकते हैं।
- टेक्निकल फोन स्क्रीन (45 से 60 मिनट)। एक कोडिंग सवाल (मीडियम LeetCode टाइप का, अक्सर डेटा वाले मोड़ के साथ) और साथ में झटपट ML कॉन्सेप्ट।
- टेक-होम या अप्लाइड ML एक्सरसाइज। एक डेटासेट, एक धुंधली बिजनेस प्रॉब्लम, 48 घंटे। वे फाइनल मेट्रिक से ज्यादा आपकी फ्रेमिंग, वैलिडेशन स्ट्रैटेजी और कोड की सफाई आंकते हैं।
- ऑनसाइट कोडिंग राउंड। ML के तड़के वाले एल्गोरिदम और डेटा स्ट्रक्चर: k-means लिखिए, कोई डिस्टेंस कंप्यूटेशन वेक्टराइज कीजिए, या एक डेटा लोडर लिखिए।
- ML सिस्टम डिजाइन राउंड (बनने-बिगड़ने वाला स्टेज)। एक फ्रॉड डिटेक्शन सिस्टम, एक रेकमेंडेशन इंजन, या एक LLM वाला सर्च फीचर, शुरू से आखिर तक डिजाइन कीजिए।
- ML थ्योरी और मॉडलिंग की गहरी पड़ताल। व्हाइटबोर्ड पर गणित, ग्रेडिएंट डिराइव कीजिए, और बचाव कीजिए कि एक तरीका दूसरे से बेहतर क्यों है।
- बिहेवियरल और क्रॉस-फंक्शनल फिट। प्रोडक्ट के साथ साझेदारी, अस्पष्टता संभालना, और स्टेकहोल्डर्स को मॉडल की सीमाएं समझाना।
सवाल
कोडिंग और डेटा मैनिपुलेशन
1. scikit-learn के बिना, शुरू से k-means क्लस्टरिंग लिखिए। कैसे करें: लूप को बोलकर समझाइए (हर पॉइंट को सबसे नजदीकी सेंट्रॉयड से जोड़िए, दोबारा गिनिए, कन्वर्जेंस तक दोहराइए)। इनिशियलाइजेशन की संवेदनशीलता और k-means++ का जिक्र कीजिए, और नेस्टेड लूप की जगह NumPy से डिस्टेंस की गणना वेक्टराइज कीजिए।
2. यूजर इवेंट्स की एक बड़ी CSV जो मेमोरी में नहीं समाती, उसमें से सबसे एक्टिव 10 यूजर निकालिए। कैसे करें: संकेत दीजिए कि अकेला pandas आपको नहीं बचाएगा। चंक में पढ़ने, k साइज के स्ट्रीमिंग काउंटर या हीप, और जरूरत पड़ने पर Spark या DuckDB उठाने की बात कीजिए।
3. प्रेडिक्शन और लेबल दिए हों तो बाइनरी क्लासिफायर का AUC निकालने वाला फंक्शन लिखिए। कैसे करें: दिखाइए कि आप समझते हैं AUC रैंक पर आधारित है। साफ तरीका ROC कर्व को इंटीग्रेट करने के बजाय Mann-Whitney U स्टैटिस्टिक इस्तेमाल करता है, और आपको टाई हुए स्कोर के साथ स्थिरता का जिक्र करना चाहिए।
ML थ्योरी और मॉडलिंग
4. दो-लेयर नेटवर्क में बैकप्रॉपेगेशन के दौरान क्या होता है, समझाइए। कैसे करें: चेन रूल, लेयर-दर-लेयर पीछे बहते ग्रेडिएंट, और वैनिशिंग या एक्सप्लोडिंग ग्रेडिएंट कहां से आते हैं, इन पर ठोस बात कीजिए। वेट्स के सापेक्ष लॉस का ग्रेडिएंट साफ-साफ लिख देना आपको आगे कर देता है।
5. आपके मॉडल की एक्युरेसी 99 प्रतिशत है पर बिजनेस कहता है यह बेकार है। हुआ क्या? कैसे करें: क्लास इंबैलेंस, लगभग तय है। प्रिसीजन, रिकॉल, F1 और फॉल्स पॉजिटिव बनाम फॉल्स नेगेटिव की लागत के असंतुलन पर आइए, फिर इसे बिजनेस उद्देश्य से जोड़ दीजिए।
6. आप न्यूरल नेटवर्क की जगह ग्रेडिएंट बूस्टेड ट्री कब चुनेंगे, और उल्टा कब? कैसे करें: मिले-जुले फीचर टाइप वाला टैबुलर डेटा बूस्टिंग (XGBoost, LightGBM) के पक्ष में है; हाई-डाइमेंशनल अनस्ट्रक्चर्ड डेटा (इमेज, टेक्स्ट, ऑडियो) डीप नेट के पक्ष में। ट्रेनिंग लागत, इंटरप्रेटेबिलिटी और डेटा की मात्रा को फैसले की धुरी बताइए।
7. L1 बनाम L2 रेगुलराइजेशन समझाइए और बताइए कि हर एक वेट्स के साथ क्या करता है। कैसे करें: L1 वेट्स को बिल्कुल शून्य तक ले जाता है (स्पार्सिटी, छुपा हुआ फीचर सिलेक्शन); L2 उन्हें धीरे-धीरे शून्य की ओर सिकोड़ता है। व्हाइटबोर्ड हो तो ज्यामितीय समझ (डायमंड बनाम सर्कल कंस्ट्रेंट रीजन) का खाका खींच दीजिए।
8. डेटा लीकेज कैसे पकड़ते हैं और संभालते हैं? कैसे करें: एक ठोस उदाहरण दीजिए, जैसे भविष्य की जानकारी से बना कोई फीचर, या स्प्लिट से पहले फिट किया गया स्केलर। जोर दीजिए कि शक भरे ऊंचे ऑफलाइन मेट्रिक्स ही वह धुआं हैं जो इस आग की खबर देता है।
ML सिस्टम डिजाइन
9. 5 करोड़ रोजाना यूजर वाले एक वीडियो प्लेटफॉर्म के लिए रियल-टाइम रेकमेंडेशन सिस्टम डिजाइन कीजिए। कैसे करें: इसे कैंडिडेट जनरेशन, फिर रैंकिंग, फिर बिजनेस नियमों के लिए री-रैंकिंग के ढांचे में रखिए। फीचर स्टोर, अप्रॉक्सिमेट नियरेस्ट नेबर इंडेक्स के साथ एम्बेडिंग आधारित रिट्रीवल, लेटेंसी बजट और कोल्ड स्टार्ट कवर कीजिए। आखिर में बताइए कि आप इसका A/B टेस्ट कैसे करेंगे।
10. एक LLM वाला सपोर्ट असिस्टेंट डिजाइन कीजिए जो इंटरनल डॉक्युमेंटेशन से जवाब दे। कैसे करें: 2026 का सबसे तयशुदा सिस्टम डिजाइन सवाल। रिट्रीवल-ऑगमेंटेड जनरेशन का खाका रखिए: चंकिंग, एम्बेडिंग मॉडल का चुनाव, एक वेक्टर डेटाबेस, रिट्रीव-फिर-जनरेट, और इवैल्युएशन हार्नेस। हैलुसिनेशन गार्डरेल, प्रॉम्प्ट इंजेक्शन, और लागत काबू में रखने के लिए कैशिंग पर बात कीजिए।
11. आपके फ्रॉड मॉडल का ऑनलाइन प्रिसीजन रातोंरात गिर गया जबकि ऑफलाइन मेट्रिक्स वही हैं। डिबग कीजिए। कैसे करें: यह प्रोडक्शन की समझ परखता है। ट्रेनिंग-सर्विंग स्क्यू, टूटी हुई अपस्ट्रीम फीचर पाइपलाइन, नए फ्रॉड पैटर्न से डिस्ट्रिब्यूशन शिफ्ट, और लेबलिंग में देरी से गुजरिए, फिर बताइए कि कौन सी मॉनिटरिंग इसे पहले पकड़ लेती।
12. 50ms के सख्त p99 लेटेंसी वाले मॉडल को आप कैसे सर्व करेंगे? कैसे करें: मॉडल डिस्टिलेशन या क्वांटाइजेशन, बैचिंग, हार्डवेयर का चुनाव (GPU बनाम CPU बनाम एक्सेलेरेटर), बार-बार आने वाले इनपुट की कैशिंग, और फीचर प्रीकंप्यूटेशन। p50 और p99 का फर्क बताइए और समझाइए कि सिस्टम टेल पर ही क्यों मरते हैं।
MLOps और प्रोडक्शन
13. समय के साथ खराब होते मॉडल को दोबारा ट्रेन करने की अपनी रणनीति समझाइए। कैसे करें: एक ट्रिगर तय कीजिए (तय समय पर बनाम ड्रिफ्ट के आधार पर), फिर उस मॉनिटरिंग की बात कीजिए जो गिरावट पकड़ती है, नया मॉडल शिप होने से पहले का वैलिडेशन गेट, और शैडो या कैनरी रोलआउट ताकि कोई खराब मॉडल एक साथ पूरे ट्रैफिक पर न पहुंचे।
14. अलग-अलग ट्रेनिंग रन में रिप्रोड्यूसिबिलिटी कैसे पक्की करते हैं? कैसे करें: सब कुछ वर्जन कीजिए (कोड, डेटा, कॉन्फिग, मॉडल आर्टिफैक्ट), रैंडम सीड पिन कीजिए, एनवायरनमेंट कंटेनराइज कीजिए, और MLflow या Weights and Biases से एक्सपेरिमेंट ट्रैक कीजिए। रिप्रोड्यूसिबिलिटी एक प्रोडक्शन जरूरत है, शौक नहीं।
वे आम गलतियां जो मशीन लर्निंग इंजीनियर कैंडिडेट्स को डुबो देती हैं
सबसे आम चूक है प्रॉब्लम समझने से पहले मॉडल पर कूद पड़ना। सिस्टम डिजाइन करने को कहने पर कमजोर कैंडिडेट दस सेकंड में एक आर्किटेक्चर का नाम ले लेते हैं। मजबूत कैंडिडेट पहले उद्देश्य, डेटा, स्केल और लेटेंसी बजट साफ करते हैं।
दूसरी है मेट्रिक्स को प्रॉक्सी के बजाय लक्ष्य मान लेना। वैलिडेशन AUC का कोई मतलब नहीं अगर आप उसे बिजनेस नतीजे से जोड़ नहीं सकते।
तीसरी, बिना चमक वाले 80 प्रतिशत को नजरअंदाज करना: डेटा पाइपलाइन, मॉनिटरिंग और फेलियर हैंडलिंग। 2026 के इंटरव्यूअर यह टटोलते हैं कि आपने सचमुच प्रोडक्शन में कुछ चलाया है या नहीं।
चौथी, हल को जरूरत से ज्यादा जटिल बनाना। जहां लॉजिस्टिक रिग्रेशन जल्दी शिप हो जाती, वहां ट्रांसफॉर्मर उठाना खराब समझ का संकेत है। सबसे अच्छा जवाब अक्सर सबसे उबाऊ वाला होता है।
आखिर में, दबाव में चुप हो जाना। ये सोच-सोचकर बोलने वाली कसरतें हैं; बिना बोले किसी डिराइवेशन पर अटक गए तो पैनल के पास आंकने को कुछ बचता ही नहीं।
तैयारी कैसे करें (और लाइव कोपायलट कहां काम आता है)
दो-तीन ऐसे प्रोजेक्ट बनाइए जिन पर आप जितनी गहराई तक कहा जाए बात कर सकें, यह भी कि क्या टूटा और क्यों। ML वाले कोडिंग वेरिएंट (कोई मेट्रिक लिखना, कोई कंप्यूटेशन वेक्टराइज करना, डेटा लोडर लिखना) की ड्रिल कीजिए, सिर्फ अमूर्त ग्राफ प्रॉब्लम नहीं। सिस्टम डिजाइन के लिए पांच-छह क्लासिक परिदृश्य (रेकमेंडेशन, फ्रॉड, सर्च रैंकिंग, RAG असिस्टेंट, एनोमली डिटेक्शन) बोल-बोलकर तब तक दोहराइए जब तक ढांचा जुबान पर न चढ़ जाए। और जिस भी चीज को जानने का दावा करते हैं, उसके पीछे की गणित दोहरा लीजिए।
मॉक इंटरव्यू में सब कुछ जुड़ता है। कमी शायद ही कभी जानकारी की होती है; कमी समय के दबाव में याद आने और साफ बोल पाने की होती है, और यहीं लाइव कोपायलट अपनी जगह बनाता है। GhostPilot AI आपका इंटरव्यू रियल टाइम में सुनता है और ढांचे वाले संकेत तथा झटपट रिमाइंडर सीधे आपके Chrome साइड पैनल में दिखाता है, तो जब AUC से Mann-Whitney का जोड़ दिमाग से फिसल जाए या मॉनिटरिंग स्टैक को साफ ढंग से रखने का तरीका चाहिए हो, ढांचा वहीं मौजूद रहता है। चूंकि यह साइड पैनल में रहता है, शेयर किए गए टैब के कैप्चर का हिस्सा नहीं बनता, और वैकल्पिक Windows डेस्कटॉप ऐप Windows 10 (बिल्ड 2004 या उसके बाद) और Windows 11 पर स्क्रीन कैप्चर से अदृश्य रहता है, तो पैनल के साथ हो रही वीडियो कॉल में आपकी तरफ कुछ नहीं दिखता। और पढ़िए ghostpilotai.com पर।
FAQ
मशीन लर्निंग इंजीनियर इंटरव्यू के लिए कितनी तैयारी करनी चाहिए? जिनके पास प्रासंगिक अनुभव है, उन्हें आमतौर पर चार से छह हफ्ते की फोकस्ड तैयारी चाहिए। करियर बदलने वाले, या सिस्टम डिजाइन पर जंग खाए लोग, आठ से बारह हफ्ते रखें, जिसमें डिजाइन और लाइव बोलने पर ज्यादा जोर हो।
क्या मशीन लर्निंग इंजीनियर इंटरव्यू में अब भी LeetCode जैसी कोडिंग होती है? हां। लगभग हर लूप में कम से कम एक एल्गोरिदमिक कोडिंग राउंड होता है, हालांकि सवाल अजीबोगरीब डायनैमिक प्रोग्रामिंग के बजाय ऐरे, हैशिंग और डेटा मैनिपुलेशन की तरफ झुके होते हैं, और मजबूत ML कंपनियों में डेटा या ML का तड़का रहता है।
सबसे जरूरी राउंड कौन सा है? ML सिस्टम डिजाइन आमतौर पर फैसला करने वाला स्टेज होता है। सीनियरिटी का संकेत यहीं पढ़ा जाता है, और कैंडिडेट सबसे लगातार इसी की तैयारी कम करते हैं।
2026 में LLM मशीन लर्निंग इंजीनियर इंटरव्यू को कैसे बदल रहे हैं? रिट्रीवल-ऑगमेंटेड जनरेशन, एम्बेडिंग आधारित रिट्रीवल, जनरेटिव आउटपुट के लिए इवैल्युएशन हार्नेस, और इन्फरेंस लागत का ऑप्टिमाइजेशन अब स्टैंडर्ड सिस्टम डिजाइन विषय हैं। जो टीमें LLM शिप नहीं करतीं, वे भी उम्मीद रखती हैं कि आप इन पर सोच सकें।
जो नहीं आता, क्या वह मान लेना चाहिए? हमेशा, पर उसके बाद तर्क दीजिए। "मैंने वह लागू नहीं किया है, पर मैं फेलियर मोड देखने से शुरू करता और X उठाता क्योंकि Y" बहाना बनाने से बेहतर है। इंटरव्यूअर आत्मविश्वास से दिए गलत जवाब के मुकाबले ईमानदार, ढांचे वाली सोच की कद्र करते हैं।
GhostPilot AI आजमाएं
GhostPilot AI एक रियल-टाइम इंटरव्यू कोपायलट है जो दबाव में आपको चौकन्ना रखता है, आपके ब्राउज़र साइड पैनल में लगभग तुरंत AI सुझाव देता है और बातचीत कभी अपने हाथ में नहीं लेता। फ्री टियर से शुरू कीजिए (10 मिनट के लाइव सेशन, अनलिमिटेड AI जवाब के साथ), $29 में Session Pass लीजिए (दो-दो घंटे के तीन पूरे इंटरव्यू, एकमुश्त, कोई सब्सक्रिप्शन नहीं), या $59/माह या $192/साल ($16/माह, सालाना बिलिंग पर) में Pro लीजिए। जिस ML रोल के लिए आप मेहनत कर रहे हैं, वह हासिल कीजिए।