Jak przygotować się do rozmów kwalifikacyjnych z AI i ML w Big Tech bez chaosu w głowie
Przygotowania do rozmów z AI zazwyczaj zamieniają się w chaos. Potrzebujesz klasycznego LeetCode, pisania sieci neuronowych od zera w czystym PyTorch i system designu. Do tego rekruterzy ciągle pytają o świeże tematy jak LLM-y, modele multimodalne czy agentów.
Repozytorium AIMLInterviews powstało jako osobisty cheat sheet programisty Alirezy Dira. Korzystając z tego systematycznego podejścia, w 2020 otrzymał pięć ofert jednocześnie — od Meta, Google, Amazon, Apple i Roku. W 2025 powtórzył ten wynik, zdobywając stanowiska AI Tech Lead w Amazon i Apple.
Co zawiera ten przewodnik
Cała baza jest podzielona na sześć głównych rozdziałów plus osobną sekcję z linkami do materiałów GenAI. Autor zaktualizował treści na podstawie trendów na 2026 rok, skupiając się na Agentic AI, post-treningu modeli i architekturze LLM.
Struktura wygląda następująco:
- Ogólne programowanie (DSA) — algorytmy i struktury danych.
- Programowanie ML — pisanie kodu ML od zera.
- Podstawy ML — teoria od klasycznego ML po transformery.
- System Design ML/GenAI — projektowanie architektur i systemów.
- Systemy Agentic AI — autonomiczni agenci i tool calling.
- Rozmowy behawioralne — przygotowanie do części behawioralnych.
Programowanie i teoria ML
Sekcja programistyczna jest podzielona na dwie części. Zwykłe zadania DSA sprawdzają klasyczne rozwiązywanie problemów w stylu LeetCode. W sekcji programowania ML od kandydatów oczekuje się implementacji podstawowych komponentów sieci neuronowych w Pythonie bez zewnętrznych frameworków. Powinieneś potrafić napisać mechanizm attention, własną funkcję straty czy prostą warstwę od zera.
W bloku teoretycznym autor zebrał fundamentalne koncepcje: od matematyki optimizerów i regularyzacji po attention w transformerach i architektury multimodalne.
System Design i agenci AI
System design często staje się najtrudniejszym etapem dla inżynierów na poziomie mid i senior. Sekcja ML System Design pokazuje, jak projektować skalowalne usługi AI. Zaktualizowane materiały obejmują pracę z context windows, pipeline'y danych dla LLM-ów i sposoby redukcji opóźnień inferencji.
Osobny rozdział o Agentic AI odzwierciedla obecną rzeczywistość. Inżynierowie są coraz częściej zobowiązani do rozumienia, jak budować autonomicznych agentów, organizować wywołania zewnętrznych funkcji i zarządzać logiką planowania.
Etap behawioralny
W dużej korporacji umiejętności techniczne nie uratują cię, jeśli nie poradzisz sobie z częścią behawioralną. Autor również to poruszył. Rozdział szósty zawiera framework do przygotowania odpowiedzi metodą STAR z przykładami pytań często zadawanych w FAANG.
Kto skorzysta z tego repozytorium
Projekt jest przydatny dla inżynierów AI/ML, Applied Scientists i Tech Leadów planujących rozmowy w międzynarodowych firmach lub dużych krajowych korporacjach.
Warto zauważyć, że repozytorium jest bardziej uporządkowaną mapą wiedzy niż kompleksowym podręcznikiem. Niektóre tematy są przedstawione jako linki do zewnętrznych artykułów lub krótkie notatki autora. Niemniej jednak jako plan przygotowań lub checklist do znajdowania luk w wiedzy, ten przewodnik sprawdza się świetnie.
Powiązane projekty