Interviewfragen für Machine Learning Engineer

Ein Machine Learning Engineer steht zwischen Modell und Produktion. Wer die Rolle besetzt, will erkennen, ob ein Kandidat sauber entwickelt, ML versteht und Systeme verlässlich am Laufen hält. Die folgenden Fragen sind so gewählt, dass auch ohne tiefes ML-Fachwissen sichtbar wird, ob eine Antwort trägt.

Die passende Stellenanzeige mit Anforderungsprofil steht unter Stellenanzeige Machine Learning Engineer.

Wie Sie das ganze Interview aufbauen und bewerten: Technisches Interview für KI-Rollen.

Die vier Prüfbereiche

• Software-Engineering: sauberer Code, Tests, Systemdesign
• Machine-Learning-Verständnis: Modelle, Metriken, Trade-offs
• MLOps und Produktion: Pipelines, Deployment, Monitoring, Drift
• Betriebs- und Kostendenken: Latenz, Verfügbarkeit, Inferenzkosten

Fünf Fragen zu Software-Engineering

1. Wie würden Sie einen ML-Service als REST-API entwerfen, der 100 Anfragen pro Sekunde aushält? Eine gute Antwort nennt Batching, Caching, asynchrone Verarbeitung und horizontale Skalierung, nicht „mehr CPU“.
2. Wie testen Sie Code, der ein Modell aufruft? Erwartbar: Trennung von Daten- und Modell-Layer, deterministische Tests mit Fixtures, Snapshot-Tests für Vorhersagen.
3. Wie gehen Sie mit Geheimnissen und Konfiguration in einer ML-Pipeline um? Gute Antwort: Secret-Manager, getrennte Umgebungen, keine Credentials im Repo, Reproduzierbarkeit über versionierte Configs.
4. Wie strukturieren Sie ein Repo für ein ML-Projekt? Erwartbar: Trennung von Training, Inferenz, Daten, Tests; klare Dependencies; ein Einstiegspunkt pro Lifecycle-Phase.
5. Wann nutzen Sie Python, wann etwas anderes? Reife zeigt sich darin, Python für Training und Prototyping einzusetzen, für Hochlast-Inferenz aber auch C++/Rust oder spezialisierte Runtimes zu erwägen.

Fünf Fragen zu ML-Verständnis

1. Wie wählen Sie die Metrik für ein Modell? Gute Antwort knüpft die Metrik ans Geschäftsziel und erklärt, warum Accuracy bei unausgewogenen Daten irreführt.
2. Woran erkennen Sie Data Leakage? Erwartbar: Features, die in der Realität zum Vorhersagezeitpunkt nicht verfügbar wären; sauberer Train/Val/Test-Split nach Zeit oder Entität.
3. Wann nehmen Sie ein einfaches Modell, wann ein komplexes? Reife: das einfachste Modell, das die Frage gut genug beantwortet, und das nachvollziehbar begründen.
4. Wie gehen Sie mit Klassenungleichgewicht um? Erwartbar: Stratifizierung, Resampling, Class Weights, passende Metrik, nicht nur „mehr Daten“.
5. Was bedeutet ein hoher AUC, aber schwache Performance im A/B-Test? Gute Antwort erkennt: Offline-Metrik misst nicht zwingend, was im Produkt zählt.

Fünf Fragen zu MLOps und Produktion

1. Wie versionieren Sie Daten, Modelle und Experimente? Erwartbar: Tools wie MLflow, DVC oder ein interner Equivalent; klare Trennung zwischen Code-, Daten- und Modell-Versionen.
2. Wie deployen Sie ein neues Modell sicher in Produktion? Gute Antwort: Shadow-Mode, Canary, A/B, Rollback-Plan, nicht „über Nacht ersetzen“.
3. Wie überwachen Sie ein laufendes Modell? Erwartbar: Prediction-Drift, Feature-Drift, Latenz, Fehlerrate, Business-KPI, nicht nur „CPU und RAM“.
4. Was tun Sie, wenn die Modellqualität in Produktion abfällt? Gute Antwort: Ursachenanalyse vor Retraining; Daten, Pipeline, Feature-Store, Upstream-Änderungen prüfen.
5. Wie automatisieren Sie Retraining? Erwartbar: definierte Trigger (Zeit, Drift, Volumen), reproduzierbare Pipeline, automatisierte Validierung vor Promotion.

Fünf Fragen zu Betrieb und Kosten

1. Was kostet eine Inferenz Ihres letzten Modells, und wie wissen Sie das? Reife zeigt sich darin, Kosten je 1.000 Anfragen kennen und gezielt senken zu können.
2. Wie senken Sie Inferenzkosten ohne Qualitätsverlust? Erwartbar: Quantisierung, Distillation, Caching, kleinere Modelle, Batching.
3. Wann nutzen Sie eine eigene GPU, wann eine Managed-Lösung? Gute Antwort wägt Auslastung, Latenz-Anforderungen, Team-Größe und TCO ab.
4. Wie garantieren Sie eine bestimmte Latenz? Erwartbar: SLOs definieren, p95/p99 messen, Pre-Warming, Connection-Pooling, Limits gegen Überlast.
5. Wie planen Sie Kapazität für ein Modell vor Launch? Gute Antwort: Lasttests, erwartete Traffic-Kurve, Headroom, Autoscaling-Policy, Notbremse.

Bewertungsraster

Scorecard Machine Learning Engineer zum Ausfüllen

Bewerten Sie die Antworten auf diese Fragen direkt im Gespräch. Gewichtung, Muss-Kriterien und die Regeln dahinter erklärt die Seite Interview-Scorecard für KI-Rollen.