Собеседование в Сбер: как проходит и какие вопросы задают
Собеседование в Сбер обычно начинается с разговора с рекрутером, дальше идёт техническое интервью с нанимающим руководителем. Что именно спросят, решает команда: вопросы и задания подбирает сам руководитель. На ML-позициях больше всего времени уходит на теорию машинного обучения и разбор твоего опыта.
Мы разобрали 368 реальных собесов наших учеников и собрали из них 7071 вопрос. Ниже то, что звучало на собеседованиях в Сбере, по этапам и темам. Основная ценность тут в формулировках, поэтому ответов на всё не будет. Четыре вопроса разберём подробно.
Сразу про границы данных. Наши ученики идут в основном на ML-роли, по аналитикам вопросов заметно меньше. Единого маршрута для всех команд мы не видим, так что считай это типовой картиной. Точный порядок этапов под свою вакансию уточняй у рекрутера.
Как проходит собеседование в Сбер
На карьерном сайте Сбера есть статья про технические собеседования (проверено в ноябре 2026, дата публикации на странице не указана). Коротко, что там написано:
- все этапы проходят удалённо;
- рекрутер выясняет твои ожидания по условиям и сверяет их с предложением команды;
- нанимающий руководитель смотрит резюме и зовёт на техническое интервью;
- на интервью руководитель рассказывает о проекте, ты о себе;
- дальше может быть лайвкодинг, то есть решение задачи в реальном времени с общим экраном: в среднем 15–30 минут;
- если работа связана с библиотеками данных, лайвкодинга может не быть, вместо него обсуждают технологии команды;
- заключение пишет и решение принимает руководитель.
В карточках части вакансий первым этапом указан диалог с AI-рекрутером примерно на 10 минут (проверено в ноябре 2026). Смотри карточку своей вакансии, там это написано прямо.
Теперь сведём официальное описание с нашими данными:
| Этап | Что говорит Сбер | Что видно в наших данных |
|---|---|---|
| AI-рекрутер | В части вакансий первый шаг | Такие диалоги мы отдельно не разбирали |
| Рекрутер | Обсуждение ожиданий и условий | Мотивация, деньги, формат работы, короткий рассказ о себе |
| Техническое интервью | Проводит нанимающий руководитель | Главный этап и большая часть всех вопросов: теория ML и разбор опыта |
| Алгоритмы и лайвкодинг | Несложная задача, бывает не всегда | Встречаются в части собесов, заметно реже теории |
| ML System Design | На этой странице не описан | Встречается в части собесов, отдельным этапом или внутри технического интервью |
| SQL | На этой странице не описан | Редко, единичные вопросы и задачи |
| Решение | За руководителем | Финальные встречи попадались единично, вывод делать рано |
Звонки с рекрутером попадают в нашу базу реже технических встреч, поэтому данных по этому этапу у нас меньше.
Какие вопросы задают на собеседовании в Сбере: разговор с рекрутером
Чаще всего звучат первые два вопроса из списка:
- Расскажи о себе и своём опыте: проекты, зона ответственности, достижения.
- Почему ты ищешь работу или уходишь с текущего места?
- Какие у тебя зарплатные ожидания: минимум и комфорт, на руки или gross, с премией или без?
- По каким критериям выбираешь компанию, в том числе если будет несколько офферов?
- Какие задачи и проекты тебе интересно решать?
- Почему решил обсудить с нами вакансию, чем заинтересовала компания?
- Что ты знаешь о нашей компании и её продуктах?
- Как скоро готов выйти на работу после оффера?
- Какой формат работы предпочитаешь: офис, гибрид или удалёнка?
- Что для тебя важно на новом месте?
- Какие у тебя карьерные цели, кем видишь себя через 5 лет?
- Какое у тебя образование: вуз, специальность, ступень?
- Интересны ли тебе аналитические задачи, подготовка данных и мониторинг моделей, если обучение новых моделей занимает малую часть работы?
Последний вопрос стоит заметить отдельно. Рекрутер проверяет, понимаешь ли ты, что работа ML-специалиста это далеко не только обучение моделей.
Разбор: почему ты уходишь с текущего места
Рекрутер тут ищет риск: уйдёшь ли ты через полгода и от нас, будешь ли конфликтовать. Сравни два ответа.
Слабый ответ: «Начальник не даёт расти, команда слабая, задачи скучные». Звучит как претензия, и рекрутер сразу представляет тебя в новой команде с теми же жалобами.
Сильный ответ: «На текущем месте я закрывал задачи X и Y. Хочу больше Z, в моей команде такого направления нет. Поэтому смотрю рынок». Причина понятная, про твоё развитие, и она связана с вакансией.
Больше про этот этап в статье как пройти HR-скрининг. Про разговор о деньгах на финише в статье про контроффер.
Вопросы по резюме и опыту
Это первая часть технического интервью. Руководитель идёт по твоему резюме и проверяет, что стоит за каждой строчкой.
Зона ответственности и результат:
- Какую часть жизненного цикла задачи ты закрывал сам: где начиналась и заканчивалась твоя зона ответственности?
- Чем занимаешься на текущем месте: роль, задачи, в какой пропорции, достижения?
- Какой результат ты увидел по итогам работы, в числах?
- Расскажи подробнее о проекте из резюме: что делали, чего достигли, какие были сложности?
- Как в команде распределялись задачи: кто ставил, кто решал, какой подход выбрать, кто контролировал?
Модели и метрики:
- Какие модели ты использовал в работе и почему выбрал именно их?
- Какие бизнес-задачи решал твой ML-продукт?
- Какие метрики вы использовали и как выбирали метрику под задачу?
- Как объяснить ошибку модели (например, MAE, среднюю абсолютную ошибку) нетехническому директору?
- Сталкивались ли вы с дисбалансом классов и как с ним боролись?
Прод, то есть работа модели в боевой системе, и инструменты:
- Как вы контролировали качество модели в проде?
- Как выводили модель в прод: какая инфраструктура и стек?
- Модель работала онлайн через API или считала скоры (оценки для объектов) батчами, заранее?
- Есть ли опыт работы с большими данными (Spark)?
- С какими базами данных работал и как оцениваешь свой уровень?
- Какими инструментами обрабатываешь данные: SQL, pandas или Spark?
- Какой у тебя опыт A/B-тестов: практический или учебный, сам ли дизайнил и анализировал?
- Был ли опыт с нейросетями? С NLP и текстовыми данными?
Про Spark спрашивают заметно часто, это инструмент для обработки данных, которые не помещаются на одну машину. Если опыта нет, скажи прямо и объясни, с какими объёмами работал.
Теория ML: что спрашивают в Сбере
Самый длинный блок. Сюда мы отнесли всё, что звучало как проверка знаний. Больше всего вопросов про метрики, деревья и регуляризацию.
Метрики:
- Какие метрики применяются для бинарной классификации, их плюсы и минусы, когда какую применять?
- Что такое ROC-AUC, как строится ROC-кривая и как считается площадь под ней?
- Какая модель лучше: с ROC-AUC 0.8, 0.7 или 0.15? Что с моделью, у которой ROC-AUC меньше 0.5?
- Как объяснить бизнесу, что значит ROC-AUC = 0.8?
- Как изменится ROC-AUC, если умножить скоры на константу или применить a·x + b, в том числе при отрицательном a и при a = 0?
- Что такое precision и recall?
- Почему в F-мере precision и recall объединяют средним гармоническим?
- Какие метрики используются для регрессии и когда какую применять?
- Какие бывают офлайн-метрики ранжирования кроме NDCG?
- Что такое калибровка вероятностей, зачем она нужна и какими методами её делают?
Деревья и ансамбли:
- Как работает и как обучается градиентный бустинг?
- Градиент какой функции и по какой переменной считается в градиентном бустинге?
- В чём разница между случайным лесом и бустингом, как они строятся?
- Как в решающем дереве выбираются признак и порог разбиения?
- Как случайный лес и бустинг работают со смещением и дисперсией?
- Расскажи про бустинг и бэггинг.
Регуляризация и переобучение:
- Что такое регуляризация?
- Чем отличаются L1 и L2 и когда какую использовать?
- Что такое переобучение и как понять, что модель переобучилась?
Валидация и признаки:
- Как проверить до внедрения, что модель даст прирост качества?
- Как связаны подбор гиперпараметров и кросс-валидация? Что лучше: кросс-валидация или одна валидационная выборка?
- Как разделить данные на train и test для временных рядов, например для прогноза спроса?
- Признаков тысячи, в модели нужно оставить десятки: как по шагам провести отбор?
Статистика и Python:
- Что такое p-value и как он считается?
- Что может быть ключом словаря в Python, какие есть ограничения?
- Как устроен словарь в Python под капотом?
Разбор: какая модель лучше, ROC-AUC 0.8, 0.7 или 0.15
ROC-AUC это вероятность того, что случайный объект положительного класса получит скор выше, чем случайный объект отрицательного. Случайному угадыванию соответствует 0.5.
Рефлекс говорит «0.8». Но у модели с 0.15 ранжирование почти идеальное, просто перевёрнутое. Инвертируй предсказания, и ROC-AUC станет 1 − 0.15 = 0.85. Это лучше, чем 0.8. Хороший ответ на этом не заканчивается: прежде чем переворачивать скоры, надо выяснить, почему так вышло. Обычно причина в перепутанных метках или ошибке в пайплайне.
Подробнее про метрику есть в статье с вопросами на собеседовании data scientist.
Разбор: чем отличаются L1 и L2
Регуляризация это штраф за большие веса модели, он добавляется к функции потерь и снижает переобучение. В L1 штрафуем сумму модулей весов, в L2 сумму квадратов.
L1 зануляет часть весов, поэтому работает ещё и как отбор признаков. L2 плавно уменьшает все веса, почти не зануляя. Если есть группа сильно коррелирующих признаков, L1 склонна оставить один из них, L2 распределит вес между всеми.
Разбор: что может быть ключом словаря
Ключ должен быть хешируемым: int, str, tuple из хешируемых элементов. Список или другой словарь ключом быть не могут. Причина в устройстве: словарь это хеш-таблица, позиция значения вычисляется по хешу ключа. Если бы ключ мог измениться, значение по нему уже не нашлось бы.
Алгоритмы, лайвкодинг, SQL и ML System Design
Эти секции встречаются реже теории, но совсем игнорировать их опасно. Вот что звучало у наших учеников.
Алгоритмы и лайвкодинг:
- Сгруппировать анаграммы в массиве строк (задача Group Anagrams).
- Почему конкатенация строк через
+в цикле неэффективна и какая у неё асимптотика?
Сам Сбер пишет, что во время лайвкодинга оценивают ещё и то, как ты рассуждаешь. Поэтому проговаривай идею вслух, не молчи над кодом 15 минут.
SQL:
- Какие оконные функции ты знаешь и чем они отличаются от агрегатных?
- Сколько строк вернут INNER, LEFT и CROSS JOIN для таблиц с дублями ключей?
- Найди дни, когда температура была выше, чем в предыдущий день.
- Почему в этой задаче ты выбираешь LEFT JOIN?
Разборы похожих задач с запросами есть в статье про SQL на собеседовании.
ML System Design это секция, где тебе дают бизнес-задачу и просят спроектировать решение целиком: от цели и метрик до запуска и мониторинга. В наших данных по Сберу темы кейсов разные: скоринг, тексты, временные ряды, рекомендации. Один из конкретных вопросов: какие есть способы борьбы с холодным стартом? Холодный старт это ситуация, когда про нового пользователя или товар ещё нет данных.
Собеседование в Сбер на аналитика
Тут честно: данных у нас мало, поэтому отдельный маршрут для аналитиков описывать не будем. Общая логика со страницы Сбера та же: рекрутер, потом руководитель.
Из вопросов выше для аналитика ближе всего эти:
- Что такое p-value и как он считается?
- Какой у тебя опыт A/B-тестов, сам ли дизайнил и анализировал?
- С какими базами данных работал и как оцениваешь уровень?
- Какими инструментами обрабатываешь данные: SQL, pandas или Spark?
- SQL-вопросы из раздела выше.
Полный список по другим компаниям собран в статье с вопросами на собеседовании аналитика данных. Как мы помогаем найти работу в аналитике, рассказываем здесь.
Как подготовиться к собеседованию в Сбер
- Открой карточку вакансии и посмотри, указан ли там AI-рекрутер и какие технологии у команды.
- Подготовь рассказ о себе на 2–3 минуты: направление, главный проект, результат в числах.
- Заранее сформулируй ответы про причину ухода, зарплатные ожидания и формат работы.
- По каждому проекту из резюме проговори: где начиналась и заканчивалась твоя зона ответственности, какая была метрика, как модель работала в проде.
- Пройди список теории выше. Главное в первую очередь: метрики, бустинг, регуляризация, валидация.
- Реши несколько простых задач на хеш-таблицы и строки, рассказывая решение вслух.
- Сделай мок-собеседование, то есть репетицию с живым человеком. Формулировка из списка и формулировка в живом разговоре ощущаются по-разному.
Перед собесом в конкретную компанию мы смотрим с учениками, что там спрашивали раньше. Подробнее про то, как мы помогаем найти работу в ML.
Частые вопросы
Сколько этапов в собеседовании в Сбер?
Единого числа нет. Официально описаны рекрутер, техническое интервью и решение руководителя, в части вакансий первым идёт AI-рекрутер. В наших данных алгоритмы и ML System Design бывают отдельными этапами, но не у всех.
Собеседование в Сбере проходит очно?
По статье на карьерном сайте Сбера все этапы проходят удалённо (проверено в ноябре 2026). Формат будущей работы это отдельный вопрос, его задают на разговоре с рекрутером.
Что спрашивают на собеседовании в Сбере чаще всего?
Рассказ о себе и причину ухода. Из технических тем в наших данных часто встречаются регуляризация, ROC-AUC и выбор разбиения в решающем дереве. Плюс вопрос про опыт со Spark.
Обязателен ли лайвкодинг?
Нет. Сбер пишет, что если работа связана с библиотеками данных, лайвкодинга может не быть. Всё равно подготовься: у наших учеников алгоритмические секции встречались.
Что говорить на собеседовании в Сбере, если чего-то не знаешь?
Скажи прямо и порассуждай вслух, с чего бы начал. Сбер в своём материале отдельно отмечает готовность рассуждать над задачей и показывать ход мысли.