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:
- Rozmowa z rekruterem (20-30 minut) - doświadczenie, oczekiwania finansowe, forma współpracy, angielski.
- Rozmowa techniczna lub test - programowanie w Pythonie, czasem zadanie domowe. W większych firmach także klasyczne zadania algorytmiczne.
- Pytania z ML i LLM - teoria i praktyka: jak trenować, jak oceniać, co robić, gdy model działa źle.
- System design - projekt systemu z modelem w środku, np. wyszukiwarki dokumentów albo asystenta dla klientów. Na stanowiskach seniorskich to często najważniejszy etap.
- 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:
- Wymagania - ilu użytkowników, jaki czas odpowiedzi, jaki budżet, jakie dane wolno wykorzystać.
- Metryki - biznesowa (np. odsetek rozwiązanych zgłoszeń) i techniczna (np. trafność wyszukiwania).
- Dane - skąd pochodzą, jak je oczyścić i oznaczyć, jak często się zmieniają.
- Model - zacznij od najprostszego rozwiązania, które może zadziałać, i powiedz, kiedy przejdziesz na bardziej złożone.
- 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
- Tydzień 1 - podstawy ML i metryki. Przejdź pytania z tego artykułu i odpowiedz na nie na głos.
- Tydzień 2 - kod i LLM. Rozwiąż kilka zadań w Pythonie na czas i zbuduj mały system RAG z prostą ewaluacją.
- 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.