Data & AISenior90-120 min
Entrevista Senior Data Scientist / ML Engineer
Guía avanzada para entrevistas en Data Science y ML Engineering senior. Model design, MLOps, experimentación y liderazgo técnico en data.
16 preguntas3 secciones6 tips
Machine Learning y Modelado 6 preguntas
Diseña un sistema de recomendación para una plataforma de e-commerce en LATAM Difícil
Hint: Collaborative filtering, content-based, hybrid. Cold start, A/B testing, real-time vs batch, serving infrastructure.
Explica bias-variance tradeoff y como lo manejas en producción Difícil
Hint: Underfitting vs overfitting, cross-validation, ensembles, regularization, monitoring de model drift.
¿Cómo diseñarias un pipeline de MLOps end-to-end? Difícil
Hint: Feature store, training pipeline, experiment tracking (MLflow), model registry, serving, monitoring, retraining triggers.
Describe como evaluarías un modelo de clasificación desbalanceado (95/5 split) Difícil
Hint: No accuracy. Precision/Recall, F1, AUC-ROC, PR curve. Resampling (SMOTE), class weights, threshold tuning.
¿Cómo implementarías detección de fraude en tiempo real? Difícil
Hint: Feature engineering, streaming pipeline, model serving con baja latencia, rules + ML, feedback loop, false positive trade-off.
Explica la diferencia entre modelos discriminativos y generativos. ¿Cuándo usarías cada uno? Difícil
Hint: Discriminativos: clasificación directa (logistic, SVM). Generativos: modelan distribución (naive bayes, GANs, LLMs). Trade-offs.
Liderazgo y Estrategia de Datos 5 preguntas
¿Cómo priorizas proyectos de data science en una organización? Media
Hint: Impact estimation, feasibility, data availability, stakeholder alignment, quick wins vs long-term.
Describe como has comunicado resultados de ML a ejecutivos C-level Media
Hint: Business impact en dólares, simplicidad, evitar jerga técnica, dashboard de métricas clave.
¿Cómo manejas la ética y el sesgo en modelos de ML? Difícil
Hint: Fairness metrics, bias audits, protected attributes, transparency, model cards, regulatory compliance.
Cuéntame sobre un proyecto de ML que fallo y que aprendiste Difícil
Hint: Root cause (datos?, scope?, modelo?), lección aplicada, como cambio tu approach.
¿Cómo construyes una cultura data-driven en una organización? Media
Hint: Self-service analytics, data literacy training, democratización de datos, governance, celebrar data wins.
Deep Dive Técnico 5 preguntas
Diseña un feature store que soporte features en batch y real-time Difícil
Hint: Offline store (data lake), online store (Redis/DynamoDB), feature computation pipeline, versioning, lineage.
Implementa un sistema de A/B testing con asignación consistente y análisis estadístico Difícil
Hint: Hashing para assignment, minimum detectable effect, sample size calculation, sequential testing, guardrails.
¿Cómo manejarías la migración de un modelo legacy batch a serving real-time? Difícil
Hint: Shadow mode, feature parity, latency requirements, model optimization (ONNX, TensorRT), fallback strategy.
Diseña un data pipeline para procesar 10TB de logs diarios y generar métricas de negocio Difícil
Hint: Ingestión (Kafka), processing (Spark/Flink), storage (data lake + warehouse), orchestration (Airflow), quality checks.
¿Cómo implementarías monitoring y alertas para model drift en producción? Difícil
Hint: Input drift (PSI, KS test), output drift, performance monitoring, automated retraining triggers, A/B comparison.
Tips de preparación
- Prepara end-to-end projects que demuestren impacto de negocio, no solo métricas de modelo.
- Practica comunicar trade-offs: precision vs recall, complejidad vs mantenibilidad, batch vs real-time.
- Conoce el estado del arte en LLMs y GenAI. Es lo que más preguntan en 2026.
- Ten opinión sobre MLOps: es la diferencia entre "hacer ML" y "hacer ML en producción".
- Prepara diagramas de arquitectura de data pipelines que hayas diseñado.
- Lee papers recientes y se capaz de explicarlos en términos simples.
Recursos recomendados
Guías relacionadas
Encuentra tu próxima oportunidad
Explora vacantes de Data & AI disponibles ahora.
Ver vacantes de Data & AI