21.11.2026 · 8 min czytania

Rozmowa rekrutacyjna na AI Engineera i ML Engineera: pytania i jak się przygotować

Rekrutacja do AI to zwykle kilka etapów: od rozmowy z rekruterem, przez zadanie z kodu, po projektowanie systemu. Zebraliśmy pytania, które warto przećwiczyć, i plan przygotowań.

Jak wygląda proces

Szczegóły zależą od firmy, ale większość procesów na stanowiska AI Engineer i ML Engineer składa się z podobnych etapów:

  1. Rozmowa z rekruterem (20-30 minut) - doświadczenie, oczekiwania finansowe, forma współpracy, angielski.
  2. Rozmowa techniczna lub test - programowanie w Pythonie, czasem zadanie domowe. W większych firmach także klasyczne zadania algorytmiczne.
  3. Pytania z ML i LLM - teoria i praktyka: jak trenować, jak oceniać, co robić, gdy model działa źle.
  4. System design - projekt systemu z modelem w środku, np. wyszukiwarki dokumentów albo asystenta dla klientów. Na stanowiskach seniorskich to często najważniejszy etap.
  5. Rozmowa z zespołem lub managerem - dotychczasowe projekty, współpraca, sposób podejmowania decyzji.

Na staż albo stanowisko juniorskie etapów jest zwykle mniej, a większy nacisk kładzie się na podstawy i własne projekty. Więcej o starcie kariery przeczytasz w artykule o pracy w AI dla juniorów.

Podstawy uczenia maszynowego

Te pytania padają na niemal każdej rozmowie, także na stanowiska związane z LLM:

  • Czym jest przeuczenie (overfitting) i jak mu zapobiegać?
  • Na czym polega kompromis między obciążeniem a wariancją (bias-variance tradeoff)?
  • Po co dzielić dane na zbiór treningowy, walidacyjny i testowy? Czym jest walidacja krzyżowa?
  • Kiedy accuracy wprowadza w błąd? Kiedy wybrać precision, recall, F1 albo AUC?
  • Jak radzić sobie z niezbalansowanymi klasami?
  • Czym jest wyciek danych (data leakage) i jak go wykryć?
  • Jak działa regularyzacja L1 i L2 i czym się różnią?
  • Kiedy wybrać gradient boosting zamiast sieci neuronowej?

Odpowiadaj na przykładach. „Model fraudowy miał 99% accuracy, bo oszustw było 1%” mówi więcej niż sama definicja. Pojęcia odświeżysz w naszym słowniku AI, np. uczenie nadzorowane i algorytmy uczenia maszynowego.

Deep learning

  • Jak działa propagacja wsteczna i spadek gradientu? Czym różni się SGD od Adama?
  • Skąd biorą się zanikające i eksplodujące gradienty? Jak pomagają normalizacja i połączenia rezydualne?
  • Jak działa mechanizm uwagi (attention) i dlaczego transformery wyparły sieci rekurencyjne?
  • Co zrobisz, gdy strata na zbiorze treningowym spada, a na walidacyjnym rośnie?
  • Jak dobrać learning rate i batch size? Co zrobić, gdy model nie mieści się w pamięci GPU?

Na stanowiskach badawczych i przy trenowaniu modeli rozmowa schodzi głębiej, często do wyprowadzeń i szczegółów implementacji w PyTorch.

LLM, RAG i agenci

To dziś najczęstszy temat na rozmowach na AI Engineera i LLM Engineera:

  • Czym jest tokenizacja i dlaczego tekst po polsku zużywa więcej tokenów niż po angielsku?
  • Jak działa temperatura i inne parametry generowania?
  • Kiedy wystarczy dobry prompt, kiedy potrzebny jest RAG, a kiedy fine-tuning?
  • Jak podzielić dokumenty na fragmenty i jak wybrać model embeddingów? Po co baza wektorowa i wyszukiwanie hybrydowe?
  • Jak ograniczyć halucynacje?
  • Jak zmierzysz, czy nowa wersja systemu działa lepiej? (zob. ewaluacja LLM)
  • Jak działa wywoływanie narzędzi i czym jest MCP? Co może pójść nie tak w agencie AI?
  • Jak obniżyć koszt i czas odpowiedzi? (mniejszy model, cache, kwantyzacja, destylacja)
  • Jak bronić się przed prompt injection?

Rekruterzy szukają tu doświadczenia z prawdziwych wdrożeń. Jeśli go nie masz, zbuduj mały projekt i opowiedz o nim: co nie działało, jak to zmierzyłeś lub zmierzyłaś i co poprawiło wynik.

Programowanie

W większości firm sprawdzany jest Python: struktury danych, praca z pandas i NumPy, czytelny kod z testami. Częste zadania to przetworzenie danych z pliku, napisanie prostej metryki od zera, implementacja regresji logistycznej albo k-means w NumPy, a przy LLM - wywołanie API modelu z obsługą błędów i ponawianiem zapytań. Duże firmy technologiczne dokładają klasyczne zadania algorytmiczne, więc przed taką rekrutacją przećwicz je osobno.

System design dla ML

Typowe polecenie brzmi: „zaprojektuj system, który…”, np. poleca produkty, wykrywa oszustwa albo odpowiada na pytania pracowników na podstawie firmowych dokumentów. Dobra odpowiedź ma stały układ:

  1. Wymagania - ilu użytkowników, jaki czas odpowiedzi, jaki budżet, jakie dane wolno wykorzystać.
  2. Metryki - biznesowa (np. odsetek rozwiązanych zgłoszeń) i techniczna (np. trafność wyszukiwania).
  3. Dane - skąd pochodzą, jak je oczyścić i oznaczyć, jak często się zmieniają.
  4. Model - zacznij od najprostszego rozwiązania, które może zadziałać, i powiedz, kiedy przejdziesz na bardziej złożone.
  5. Wdrożenie i monitoring - serwowanie, koszty, wykrywanie spadku jakości, aktualizacje modelu (zob. MLOps).

Najczęstszy błąd to przejście od razu do architektury modelu bez pytań o wymagania i metryki.

Pytania o projekty

Przygotuj dwa lub trzy projekty, o których opowiesz w kilka minut każdy: jaki był problem, co dokładnie zrobiłeś lub zrobiłaś, jak zmierzono efekt, co poszło źle i czego się nauczyłeś lub nauczyłaś. Rekruter prawie na pewno dopyta o decyzje, np. „dlaczego ten model, a nie inny?”. Szczere „sprawdziliśmy dwa podejścia i to drugie wygrało na naszym zbiorze testowym” wypada lepiej niż ogólniki.

Plan przygotowań na 2-3 tygodnie

  1. Tydzień 1 - podstawy ML i metryki. Przejdź pytania z tego artykułu i odpowiedz na nie na głos.
  2. Tydzień 2 - kod i LLM. Rozwiąż kilka zadań w Pythonie na czas i zbuduj mały system RAG z prostą ewaluacją.
  3. Tydzień 3 - system design i projekty. Rozpisz 2-3 projekty według schematu z poprzedniej sekcji i przećwicz jedną rozmowę projektową z kimś znajomym.

Przed każdą rozmową przeczytaj ogłoszenie jeszcze raz. Technologie wymienione w wymaganiach to najbardziej prawdopodobne tematy pytań.

O co zapytać pracodawcę

  • Czy modele działają już w produkcji, czy projekt jest na etapie prototypu?
  • Jak zespół mierzy jakość modeli i kto o tym decyduje?
  • Skąd pochodzą dane i kto za nie odpowiada?
  • Jaki jest budżet na GPU i API modeli?

Odpowiedzi dużo mówią o tym, czy będziesz budować działające systemy, czy głównie prezentacje.

Gdzie szukać ofert

Aktualne oferty znajdziesz w kategoriach AI Engineer, Machine Learning Engineer, LLM Engineer i staże i junior. Widełki z ogłoszeń, które je podają, są na stronie zarobków w AI, a różnice między rolami opisujemy w artykule AI Engineer, ML Engineer czy Data Scientist.

Szukasz pracy w AI? 249 ofert , odświeżane codziennie.

Zobacz oferty