Preparación por profesión
Entrevista de Ingeniero de Machine Learning: preguntas y respuestas.
Modelos en producción, deriva y sistemas ML reproducibles.
Preguntas
Preguntas técnicas para practicar en voz alta
- 01
¿Cómo diseñas un sistema de model serving?
Diseña serving desde objetivos de latencia, throughput, disponibilidad y frescura: versiona modelo y features juntos, valida entradas, agrupa si conviene, autoescala workers acotados, añade fallback y monitoriza.
Leer el desglose completo - 02
¿Cómo monitorizas la deriva de un modelo?
Monitoriza esquema y calidad, distribución de features y predicciones, calibración y rendimiento con outcomes retrasados contra baseline versionado; segmenta alertas y distingue deriva de fallos del pipeline.
Leer el desglose completo - 03
¿Cómo construyes un pipeline ML reproducible?
Versiona código, snapshot de datos, features, parámetros, entorno y semillas; ejecuta pasos deterministas, registra linaje y métricas y promociona artefactos inmutables en vez de reentrenar al desplegar.
Leer el desglose completo - 04
¿Cuándo necesitas un feature store?
Usa feature store si varios modelos necesitan features reutilizables gobernadas, definiciones offline/online consistentes, corrección point-in-time, linaje y baja latencia; evítalo si basta un pipeline simple.
Leer el desglose completo - 05
¿Cómo pruebas un sistema ML?
Prueba esquemas y transformaciones, corrección temporal de features, entrenamiento determinista, invariantes y umbrales, contratos de serving, carga y fallback, además de outcomes canary con datos representativos.
Leer el desglose completo - 06
¿Cuándo eliges inferencia batch frente a online?
Elige inferencia batch para scoring masivo predecible si se tolera retraso; online para frescura por solicitud y baja latencia, aceptando requisitos mayores de disponibilidad, paridad de features y coste.
Leer el desglose completo - 07
¿Cómo escalas inferencia de modelos?
Escala inferencia perfilando preprocesamiento y cómputo, agrupando solicitudes compatibles, eligiendo runtime y hardware eficientes, autoescalando por cola y latencia, limitando concurrencia, caché y load shedding.
Leer el desglose completo - 08
¿Cómo proteges un pipeline ML?
Protege el pipeline con acceso mínimo a datos, entrenamiento aislado, dependencias y artefactos verificados, secretos cifrados, validación, autorización del modelo, linaje auditable y defensas contra poisoning y extracción.
Leer el desglose completo - 09
¿Cómo controlas costes de infraestructura ML?
Atribuye coste por entrenamiento y endpoint, dimensiona aceleradores, usa spot para trabajo reiniciable, detén notebooks ociosos, agrupa inferencia, cachea features, fija cuotas y mide coste por predicción útil.
Leer el desglose completo - 10
¿Cómo haces rollback de una entrega de modelo?
Conserva modelo, preprocesamiento, esquema de features y configuración como una versión inmutable; enruta por selector de versión, retén el artefacto anterior, define señales de rollback y evita cambios incompatibles.
Leer el desglose completo