Pytania na rozmowę kwalifikacyjną dla inżyniera AI — Ponad 30 pytań i odpowiedzi ekspertów

LinkedIn uznał stanowisko inżyniera sztucznej inteligencji za najszybciej rozwijającą się kategorię zawodową w 2025 roku, z prognozowanym wzrostem zatrudnienia o 26% do 2033 roku — ponad sześciokrotnie więcej niż średnia krajowa [1]. Ten eksplozywny popyt oznacza, że panele rekrutacyjne podnoszą poprzeczkę: należy spodziewać się rygorystycznych pytań z teorii ML, projektowania systemów na dużą skalę oraz wnikliwych pytań o radzenie sobie z niejednoznacznością, gdy modele zawodzą w produkcji. Ten przewodnik obejmuje pytania, które faktycznie pojawiają się na rozmowach kwalifikacyjnych dla inżynierów AI w firmach od FAANG po startupy serii A.

Kluczowe wnioski

• Rozmowy kwalifikacyjne dla inżynierów AI łączą klasyczne podstawy ML z nowoczesnymi tematami wdrażania LLM — architektury RAG, prompt engineering i fine-tuning to obecnie standardowe zagadnienia [2].
• Pytania behawioralne testują sposób komunikowania kompromisów technicznych osobom nietechnicznym oraz radzenie sobie z awariami modeli w produkcji.
• Pytania techniczne obejmują zakres od podstaw kompromisu obciążenie-wariancja po projektowanie systemów obsługujących miliony żądań na sekundę.
• Wykazanie odpowiedzialności od początku do końca — od potoku danych po monitoring — odróżnia doświadczonych kandydatów od tych, którzy znają tylko trenowanie modeli.

Pytania behawioralne

1. Opowiedz o sytuacji, gdy wdrożony model działał dobrze w testach, ale zawiódł w produkcji. Co się stało i jak zareagowano?

Odpowiedź eksperta: „Wdrożyliśmy model predykcji rezygnacji klientów, który osiągnął AUC 0,91 na zbiorze walidacyjnym, ale spadł do 0,73 w ciągu dwóch tygodni w produkcji. Przyczyną był dryf danych — dane treningowe odzwierciedlały wzorce zakupowe sprzed pandemii, a rozkład częstotliwości sesji znacząco się zmienił. Wdrożyłem automatyczne wykrywanie dryfu za pomocą Evidently AI, ustawiłem alerty gdy PSI (Population Stability Index) przekraczał 0,2 i przetrenowałem model na ruchomym oknie 90-dniowym. Odzyskaliśmy AUC 0,88 w jednym cyklu retreningu. Kluczowa lekcja: monitoring modeli nie jest opcjonalny — jest częścią wdrożenia."

2. Opisz sytuację, w której trzeba było wyjaśnić złożoną koncepcję ML osobie nietechnicznej na stanowisku kierowniczym.

Odpowiedź eksperta: „Nasz VP ds. Produktu chciał zrozumieć, dlaczego silnik rekomendacji nie może po prostu 'pokazywać najlepszych produktów'. Użyłem analogii: wyobraź sobie bibliotekarza, który poleca tylko bestsellery, kontra takiego, który uczy się historii czytelniczej każdego użytkownika. Wyjaśniłem kompromis eksploracja-eksploatacja na konkretnym przykładzie — pokazując, że podejście multi-armed bandit zwiększyło współczynnik klikalności o 18% w porównaniu ze statyczną listą 'najlepszych produktów'. Unikałem żargonu jak 'Thompson Sampling' i skupiłem się na wyniku biznesowym: bardziej zaangażowani użytkownicy."

3. Jak ustalane są priorytety projektów ML przy ograniczonych zasobach?

Odpowiedź eksperta: „Używam macierzy wpływ-wykonalność. Wpływ mierzy się metryką biznesową, na którą model miałby wpływ — przychody, retencja, koszty operacyjne. Czynniki wykonalności obejmują dostępność danych, koszt etykietowania i złożoność integracji. Oceniam również, czy heurystyka oparta na regułach mogłaby osiągnąć 80% wartości — jeśli tak, najpierw wdrażam heurystykę i inwestuję wysiłek ML tam, gdzie marginalna poprawa uzasadnia złożoność."

4. Opowiedz o sytuacji, gdy nie zgadzano się z kolegą co do podejścia do modelowania.

Odpowiedź eksperta: „Kolega opowiadał się za podejściem opartym na transformerze do naszego zadania wykrywania oszustw w danych tabelarycznych. Uważałem, że drzewa gradient boosting (XGBoost) są bardziej odpowiednie, biorąc pod uwagę nasze dane strukturalne i wymagania interpretacyjne zespołu compliance. Zaproponowałem dwutygodniowy test porównawczy z identycznymi kryteriami oceny. XGBoost osiągnął porównywalny F1 (0,94 vs 0,95) przy 10-krotnie szybszej inferencji i wbudowanej ważności cech. Wybraliśmy XGBoost. Spór był produktywny, ponieważ pozwoliliśmy danym zdecydować."

5. Opisz, jak poradzono sobie z wątpliwościami etycznymi w projekcie AI.

Odpowiedź eksperta: „Odkryliśmy, że nasz model selekcji CV miał nierówny wpływ na kandydatów z określonych grup demograficznych — karał nietradycyjne ścieżki kariery korelujące z niedoreprezentowanymi populacjami. Zgłosiłem to kierownictwu z dowodami ilościowymi: o 23% niższy wskaźnik oddzwonienia dla dotkniętej grupy. Wdrożyliśmy ograniczenia sprawiedliwości, dodaliśmy adversarial debiasing do potoku treningowego i ustanowiliśmy kwartalne audyty stronniczości."

6. Jak utrzymywana jest aktualność w szybko zmieniającym się krajobrazie AI?

Odpowiedź eksperta: „Piątkowe popołudnia poświęcam na czytanie artykułów — śledzę kanały arXiv filtrowane przez cs.LG i cs.CL oraz profile DBLP badaczy. Odtwarzam kluczowe wyniki w projektach weekendowych używając PyTorch. Uczestniczę też w jednej konferencji rocznie (NeurIPS lub ICML). Pozostawanie na bieżąco to obowiązek zawodowy — okres półtrwania wiedzy ML wynosi około 18 miesięcy [3]."

Pytania techniczne

7. Wyjaśnij kompromis obciążenie-wariancja i jego wpływ na dobór modeli.

Odpowiedź eksperta: „Obciążenie mierzy, jak daleko przewidywania modelu są od prawdziwych wartości — wysokie obciążenie oznacza niedopasowanie. Wariancja mierzy, jak bardzo przewidywania zmieniają się przy różnych danych treningowych — wysoka wariancja oznacza przeuczenie. Kompromis polega na tym, że redukcja obciążenia (dodanie złożoności) zwiększa wariancję i odwrotnie. W praktyce używam walidacji krzyżowej do wykrycia pozycji modelu na tym spektrum [4]."

8. Jak zaprojektowano by system RAG (Retrieval-Augmented Generation) dla wewnętrznej bazy wiedzy firmy?

Odpowiedź eksperta: „Potok ma cztery etapy: ingestion, retrieval, augmentation i generation. Do ingestion segmentuję dokumenty semantycznie i osadzam je w magazynie wektorów (Pinecone lub pgvector). Do retrieval używam wyszukiwania hybrydowego — gęste podobieństwo wektorowe plus dopasowanie słów kluczowych BM25. Top-k fragmenty są wstrzykiwane do promptu LLM jako kontekst. Implementuję śledzenie cytowań i mierzę jakość wyszukiwania NDCG [2]."

9. Jaka jest różnica między fine-tuningiem, LoRA a prompt engineeringiem? Kiedy stosuje się każde z nich?

Odpowiedź eksperta: „Pełny fine-tuning aktualizuje wszystkie wagi modelu danymi specyficznymi dla domeny — kosztowny, ale najwyższa jakość. LoRA (Low-Rank Adaptation) zamraża wagi bazowe i trenuje małe macierze dekompozycji niskiego rzędu, osiągając 90-95% jakości pełnego fine-tuningu za ułamek kosztu obliczeniowego. Prompt engineering nie wymaga treningu. Używam najpierw prompt engineeringu jako bazowy, LoRA gdy prompt engineering się ustabilizuje i mam 1000+ przykładów domenowych, a pełny fine-tuning tylko gdy domena jest dostatecznie różna od dystrybucji pretreningu [5]."

10. Wyjaśnij architekturę transformer na poziomie odpowiednim dla rozmowy technicznej.

Odpowiedź eksperta: „Transformer zastępuje rekurencję self-attention, umożliwiając równoległe przetwarzanie sekwencji. Każda warstwa ma multi-head self-attention, po którym następuje sieć feed-forward. Kodowania pozycyjne wstrzykują porządek sekwencji. Kluczową innowacją jest to, że złożoność uwagi wynosi O(n^2), ale umożliwia bezpośrednie zależności dalekiego zasięgu bez problemu zanikającego gradientu RNN [6]."

11. Jak ocenia się aplikację opartą na LLM poza zwykłą dokładnością?

Odpowiedź eksperta: „Używam wielowymiarowego frameworku oceny: poprawność faktyczna, istotność, kompletność, szkodliwość (toksyczność, stronniczość, wycieki PII) i opóźnienie (P50 i P99). Do automatycznej oceny używam LLM-as-Judge ze skalibrowanymi rubrykami. Śledzę wskaźnik halucynacji — mierząc twierdzenia w wyjściu względem dowodów [7]."

12. Jak radzono by sobie z nierównowagą klas w zbiorze danych do wykrywania oszustw, gdzie oszukańcze transakcje stanowią 0,1% danych?

Odpowiedź eksperta: „Nie resamplowałbym na ślepo. Zacząłbym od właściwej metryki — AUC-PR zamiast dokładności. Do modelowania użyłbym uczenia wrażliwego na koszty w XGBoost lub focal loss w sieciach neuronowych. ADASYN preferuję nad SMOTE. Najważniejsze — inwestycja w inżynierię cech: prędkość transakcji, wyniki anomalii geograficznych, nowość odcisku urządzenia."

13. Jakie strategie stosuje się do redukcji opóźnienia inferencji w produkcyjnym systemie ML?

Odpowiedź eksperta: „Hierarchia to: destylacja modelu, kwantyzacja (INT8 lub FP16), przycinanie, fuzja operatorów, optymalizacja batchingu i wybór sprzętu (GPU z TensorRT lub ONNX Runtime). Dla LLM: optymalizacja KV-cache, spekulacyjne dekodowanie i ciągłe batchowanie z vLLM [8]."

Pytania sytuacyjne

14. Przewidywania modelu są używane do decyzji kredytowych. Regulator prosi o wyjaśnienie, dlaczego konkretny wnioskodawca został odrzucony.

Odpowiedź eksperta: „Użyłbym narzędzi agnostycznych wobec modelu — wartości SHAP dla konkretnego przewidywania. Przedstawiłbym to jako wykres kaskadowy i dostarczył wyjaśnienia kontrfaktyczne [7]."

15. Dołączając do nowego zespołu, odkrywa się, że potok ML nie ma automatycznych testów ani monitoringu.

Odpowiedź eksperta: „Priorytetyzowałbym: (1) walidację danych z Great Expectations; (2) monitoring wydajności modelu; (3) testy integracyjne; (4) reprodukowalność."

16. Menedżer produktu prosi o funkcję wymagającą danych użytkowników budzących obawy dotyczące prywatności.

Odpowiedź eksperta: „Sformułowałbym konkretne ryzyko prywatności i zaproponował alternatywy zachowujące prywatność: differential privacy, federated learning lub k-anonimowość."

17. Zespół pracuje nad modelem od trzech miesięcy, ale wymagania biznesowe się zmieniły.

Odpowiedź eksperta: „Oceniłbym, co można wykorzystać ponownie, i przedstawił trzy opcje kierownictwu."

18. Odkryto, że dane treningowe zawierają PII, które nie zostały odpowiednio zanonimizowane.

Odpowiedź eksperta: „Natychmiastowe powstrzymanie: zatrzymanie treningu, kwarantanna danych, powiadomienie zespołu zarządzania danymi."

Pytania do zadania osobie prowadzącej rozmowę

1. Jak wygląda stos infrastruktury ML — czy jest feature store i jak dojrzały jest potok MLOps?
2. Jak obsługuje się monitoring i retrenowanie modeli w produkcji?
3. Jaki jest stosunek pracy badawczej do inżynierii produkcyjnej?
4. Jak zespół ocenia nowe architektury modeli?
5. Jakie jest największe wyzwanie dotyczące jakości danych?
6. Jak zespół podchodzi do odpowiedzialnej AI?
7. Jak wygląda rotacja dyżurów dla systemów ML?

Format rozmowy kwalifikacyjnej

Rozmowy kwalifikacyjne dla inżynierów AI obejmują zazwyczaj 4-6 rund w ciągu 1-2 tygodni [2]. Obejmują selekcję wstępną, zadanie kodowe, rundę projektowania systemów, rundę behawioralną i rundę finalną z kadrą kierowniczą.

Jak się przygotować

• Utrwalenie podstaw ML. Gradient descent, regularyzacja, walidacja krzyżowa, metryki oceny [3].
• Ćwiczenie projektowania systemów. „Designing Machine Learning Systems" Chip Huyen jako główne źródło.
• Odświeżenie tematów LLM. RAG, fine-tuning, prompt engineering [2].
• Biegłe kodowanie w Python. NumPy, pandas, scikit-learn, PyTorch.
• Przygotowanie narracji projektów. Problem, Dane, Podejście, Wynik, Lekcja.
• ResumeGeni do budowy CV zoptymalizowanego pod ATS z kluczowymi słowami: „PyTorch", „MLOps", „RAG", „model serving".

Częste błędy na rozmowach kwalifikacyjnych

1. Nadmierne skupienie na dokładności modelu przy ignorowaniu problemów produkcyjnych.
2. Używanie żargonu bez zrozumienia.
3. Pomijanie jakości danych w odpowiedziach.
4. Brak dyskusji o przypadkach porażek.
5. Ignorowanie kwestii etycznych [7].
6. Niepytanie o dojrzałość MLOps.
7. Niedocenianie wpływu biznesowego.

Kluczowe wnioski

• Rozmowy dla inżynierów AI w 2026 wymagają biegłości zarówno w klasycznym ML, jak i w nowoczesnym wdrażaniu LLM.
• Doświadczenie produkcyjne jest ważniejsze niż referencje badawcze.
• Świadomość etycznej AI to teraz sygnał rekrutacyjny.
• Użyj ResumeGeni do optymalizacji CV z kluczowymi słowami ATS.

FAQ

Jakie języki programowania powinien znać inżynier AI?

Python jest niezbędny. Znajomość C++, SQL i podstawowego skryptowania shell jest oczekiwana [4].

Jak ważny jest doktorat dla stanowisk inżyniera AI?

Dla większości firm nie jest wymagany. Silne portfolio projektów i doświadczenie produkcyjne mają równą lub większą wagę [3].

Jaki jest typowy zakres wynagrodzeń inżynierów AI?

Mediana wynosi około 145 080 dolarów. W czołowych firmach technologicznych: 150 000–350 000+ dolarów [1].

PyTorch czy TensorFlow?

PyTorch stał się dominującym frameworkiem. Zacznij od PyTorch [4].

Jak przejść z inżynierii oprogramowania do inżynierii AI?

Zacznij od budowania projektów ML end-to-end — konkursy Kaggle to dobry start [3].

Jakie certyfikaty są wartościowe?

AWS Machine Learning Specialty, Google Professional ML Engineer, specjalizacje DeepLearning.AI na Coursera.

Jak długo przygotowywać się do rozmowy?

4-8 tygodni: 40% teoria ML, 30% kodowanie, 20% projektowanie systemów, 10% przygotowanie behawioralne.

Cytaty: [1] Bureau of Labor Statistics, https://www.bls.gov/ooh/computer-and-information-technology/software-developers.htm [2] BrainStation, https://brainstation.io/career-guides/machine-learning-engineer-interview-questions [3] DataCamp, https://www.datacamp.com/blog/top-machine-learning-interview-questions [4] Netcom Learning, https://www.netcomlearning.com/blog/machine-learning-interview-questions [5] Medium, https://medium.com/@santosh.rout.cr7/ai-interview-evolution-what-2026-will-look-like-for-ml-engineers-55483eebbf1e [6] X0PA AI, https://x0pa.com/hiring/ai-engineer-interview-questions/ [7] Coursera, https://www.coursera.org/articles/ai-engineer-salary [8] InterviewQuery, https://www.interviewquery.com/p/ai-engineer-salary-2025-guide