De qué se compone la entrevista de ML
La entrevista de un ingeniero ML o Data Scientist suele ser más amplia que la de otras especializaciones de ingeniería, e incluye hasta cuatro bloques:
- Matemáticas y estadística — probabilidad, contraste de hipótesis, álgebra lineal a nivel de comprensión. El bloque que más se suspende: tras un par de años usando librerías ya hechas, la teoría se evapora.
- Machine learning — de los algoritmos clásicos a las redes neuronales y los LLM. Se comprueba la comprensión de la mecánica, no saber llamar a fit-predict.
- Práctica y producción — cómo vive el modelo después del entrenamiento: despliegue, monitorización, deriva de datos, reentrenamiento en producción.
- Coding — Python y trabajo con datos; en algunas empresas, live coding completo. Las preguntas sobre tus propios proyectos del CV las entrena el análisis profundo de experiencia.
Temas de la entrevista de ML
Estadística y probabilidad
Contraste de hipótesis, p-value, intervalos de confianza, tests A/B, comparaciones múltiples, distribuciones, TCL.
ML clásico
Modelos lineales, árboles y ensembles, gradient boosting, validación cruzada, regularización, métricas de calidad, desbalanceo de clases.
Redes neuronales
Backpropagation, optimizadores, batch normalization, sobreajuste y dropout, CNN, embeddings, transfer learning.
LLM y NLP
Transformers y attention, tokenización, fine-tuning vs RAG, prompting, evaluación de la calidad de la generación, alucinaciones.
Series temporales
Estacionariedad, estacionalidad, features de lag, validación sin fuga del futuro, particularidades de las métricas de predicción.
ML en producción
Deriva de datos y de concepto, monitorización de modelos, pipelines de reentrenamiento, feature store, despliegue A/B de modelos, límites de latencia.
Cómo cambian las preguntas según el nivel
El track de ML en el bot se calibra a los niveles Middle y Senior — la particularidad del área es que los puestos junior se cubren más a menudo con prácticas y cribados académicos, y el mercado de vacantes empieza en un Middle sólido.
Middle — «cómo funciona y cuándo aplicarlo»
Senior — «límites de aplicabilidad y producción»
Particularidad senior en ML: la señal clave es saber conectar las métricas de ML con el resultado de negocio. Un candidato que, ante una pregunta sobre la calidad del modelo, empieza por «¿y qué estamos optimizando para el negocio?» gana a quien conoce a la perfección las funciones de pérdida pero no se hace esa pregunta.
Dónde fallan los candidatos
- Librerías sin mecánica. El candidato lleva tres años usando gradient boosting, pero no sabe explicar en qué se diferencia, a nivel de idea, de un random forest. El «cómo funciona» es la comprobación estándar de profundidad.
- Fallo en estadística. El más frecuente: el p-value se explica mal incluso por candidatos con fuerte experiencia en DL. La estadística es el fundamento que se pregunta siempre.
- Cero mentalidad de producción. Respuestas excelentes sobre el entrenamiento de modelos — y silencio ante «¿qué pasará con el modelo dentro de medio año en producción?». Para puestos Middle+, el ciclo de vida del modelo es obligatorio.
- Hype en lugar de comprensión. Razonamientos seguros sobre LLM con incapacidad de explicar el attention. Que un tema esté de moda sube también el listón de lo que se pregunta sobre él.
- Métricas desligadas del problema. Enumerar todas las métricas conocidas en lugar de elegir una con justificación para el planteamiento de negocio concreto.
Cómo estructurar la preparación
- Diagnóstico. 2–3 entrevistas simuladas del track de ML. Descubrimiento típico: el punto débil no son las redes neuronales, sino la estadística básica.
- El fundamento primero. Estadística y ML clásico — temas que se preguntan en el 100% de las entrevistas. Los LLM y los temas especializados, después de un fundamento sólido.
- Bloque de producción. Si tienes poca experiencia de producción — trabajo dirigido de monitorización, deriva y despliegue en el modo «Preparación por temas»: las preguntas sobre la vida del modelo tras el entrenamiento caerán seguro.
- Tus proyectos. Cada proyecto de ML de tu CV se analizará a fondo: qué datos, por qué ese modelo, qué métricas, qué pasa en producción. El análisis profundo de experiencia ensaya exactamente eso.
Preguntas y respuestas
¿Cuántas matemáticas se necesitan de verdad para la entrevista de ML?
Menos de lo que asusta, pero más que «ninguna». El nivel: explicar con seguridad el p-value y los intervalos de confianza, entender el descenso de gradiente conceptualmente, saber qué son los vectores propios — sin demostrar fórmulas en la pizarra. Demostrar fórmulas se pregunta sobre todo en puestos de research.
¿Preguntan ML clásico si la vacante es sobre LLM?
Sí, casi siempre. El ML clásico y la estadística son la comprobación del fundamento: saber razonar sobre sesgo, varianza, sobreajuste y validación se traslada a cualquier modelo. Un candidato «solo de LLM» sin fundamento es una bandera roja para la mayoría de equipos.
¿En qué se diferencian las entrevistas de ingeniero ML y Data Scientist?
Los límites son difusos y dependen de la empresa, pero la tendencia: el DS tiene más estadística, tests A/B y analítica de producto; el ingeniero ML, más producción, infraestructura y código. El núcleo — ML clásico y fundamentos de estadística — es común a ambos roles.
¿Cómo preparar las preguntas sobre LLM si no los he usado en el trabajo?
Honestidad más base conceptual: entender la arquitectura del transformer, la diferencia entre fine-tuning y RAG, el problema de las alucinaciones — todo eso es accesible sin experiencia de producción. En la entrevista, decir directamente «en producción no lo he usado, pero entiendo la arquitectura» es más fuerte que fingir una experiencia que se destapará a la segunda repregunta.
Ver también
Ponte a prueba con preguntas reales
Elige la especialización ML y tu nivel — recibe la primera pregunta en un minuto. Evaluación de cada respuesta y análisis de tus temas débiles al terminar la sesión. Inicio gratuito.
▶ Empezar a entrenar