Perguntas de entrevista para Engenheiro de machine learning

Explique o trade-off entre viés e variância e como ele se relaciona com underfitting e overfitting.

O que observar: Modelo simples demais erra de forma sistemática, complexo demais decora o ruído, e como curvas de aprendizado ou validação mostram de que lado você está.

Qual é a diferença entre aprendizado supervisionado, não supervisionado e por reforço? Dê um caso de uso real para cada.

O que observar: Definições corretas com exemplos plausíveis de negócio, como previsão de churn, segmentação de clientes e recomendação ou controle.

Como funcionam as regularizações L1 e L2, e quando você escolheria cada uma?

O que observar: Penalização dos pesos, L1 zerando coeficientes (seleção de atributos) e L2 encolhendo todos, e o ajuste da força por validação.

Qual é a diferença entre um modelo paramétrico e um não paramétrico?

O que observar: Número fixo de parâmetros com suposições sobre a forma dos dados versus complexidade que cresce com os dados, com exemplos como regressão linear e k-NN.

Como funciona o gradiente descendente, e o que pode dar errado com a taxa de aprendizado?

O que observar: Taxa alta demais diverge ou oscila, baixa demais não converge a tempo, e o papel de schedulers e otimizadores como Adam.

Explique a diferença entre bagging e boosting e cite um modelo que use cada um.

O que observar: Bagging reduz variância com modelos em paralelo (random forest) e boosting reduz viés com modelos em sequência (XGBoost, LightGBM), com noção dos riscos de cada um.

O que é a maldição da dimensionalidade e como ela afeta seus modelos?

O que observar: Dados ficando esparsos e distâncias perdendo sentido em alta dimensão, e remédios como seleção de atributos, redução de dimensionalidade e regularização.

Por que a acurácia é uma métrica ruim para dados desbalanceados, e o que você usaria no lugar?

O que observar: Que prever sempre a classe majoritária já dá acurácia alta, e alternativas como precisão, recall, F1, PR-AUC e matriz de confusão.

Explique precisão, recall e F1, e dê um cenário em que você otimizaria cada um.

O que observar: A escolha guiada pelo custo do erro: recall para detectar fraude ou doença, precisão quando o falso positivo sai caro, F1 quando é preciso equilibrar.

O que são a curva ROC e a AUC, e como você as interpreta?

O que observar: Taxa de verdadeiros contra falsos positivos em vários limiares, AUC como capacidade de ordenar, e a limitação da ROC quando a classe positiva é rara.

O que é vazamento de dados? Dê um exemplo de como ele entra sem ninguém perceber e infla as métricas.

O que observar: Exemplos concretos: normalizar antes de dividir os dados, atributo que só existe depois do evento, divisão aleatória em série temporal ou o mesmo cliente no treino e no teste.

Por que separar treino, validação e teste, e para que serve a validação cruzada?

O que observar: Teste intocado até o fim, validação para escolher hiperparâmetros e validação cruzada para estimativas mais estáveis, com divisão temporal quando os dados exigem.

Como você lidaria com um conjunto de dados em que 99% dos exemplos são de uma classe e 1% da outra?

O que observar: Métricas adequadas, pesos por classe, reamostragem com cuidado (só no treino) e ajuste do limiar de decisão conforme o custo de negócio.

Um modelo tem 99% offline, mas vai mal em produção. O que você investiga?

O que observar: Vazamento, diferença entre os dados de treino e de produção, atributos calculados de forma diferente no serviço (training-serving skew), drift e uma métrica offline que não reflete o objetivo real.

Como você trata dados ausentes, e quando descartar as linhas é a escolha errada?

O que observar: Entender por que o dado falta antes de imputar, usar indicadores de ausência e saber que descartar linhas pode enviesar a amostra.

Como você codifica atributos categóricos, e quais são os riscos do one-hot em colunas com muitas categorias?

O que observar: Explosão de dimensões e esparsidade, com alternativas como target encoding (com cuidado para não vazar), hashing ou embeddings.

Por que a escala dos atributos importa, e quais modelos são sensíveis a ela?

O que observar: Modelos baseados em distância e gradiente (k-NN, SVM, redes, regressão regularizada) versus árvores, que não se importam, e ajustar o scaler só no treino.

Como você decide quais atributos realmente importam, e que ferramentas usa?

O que observar: Importância por permutação, SHAP, ablação e conhecimento do negócio, com a ressalva de que importância não é causalidade e de que atributos correlacionados confundem a leitura.

Como você abordaria um problema que nunca viu? Como seria a sua primeira semana?

O que observar: Entender o objetivo e a métrica de negócio, explorar os dados, montar um baseline simples e só então iterar, em vez de partir direto para o modelo mais sofisticado.

Quando um modelo simples, como regressão logística, é melhor escolha do que uma rede profunda?

O que observar: Dados tabulares ou pequenos, necessidade de explicar a decisão, custo de inferência e manutenção. Admitir que o simples bastou é sinal de maturidade.

O que é o problema do gradiente que desaparece, e como as arquiteturas modernas lidam com ele?

O que observar: Ativações como ReLU, inicialização adequada, normalização, conexões residuais e, em sequências, LSTMs e transformers.

Explique o que é um embedding e por que ele é útil.

O que observar: Uma representação densa em que itens parecidos ficam próximos, com usos como busca semântica, recomendação e atributos para outros modelos.

O que é transfer learning, e quando você faria fine-tuning de um modelo pré-treinado?

O que observar: Reaproveitar o que o modelo já aprendeu quando há poucos dados rotulados, e a escolha entre congelar camadas ou ajustar tudo conforme o volume de dados e a distância entre os domínios.

Como você coloca um modelo em produção, e o que muda entre o notebook e um serviço de verdade?

O que observar: Empacotamento, API ou processamento em lote, latência, testes, pipeline de atributos idêntico ao do treino, logs e um plano de rollback.

O que são concept drift e data drift, e como você os monitora?

O que observar: Mudança na distribuição das entradas versus mudança na relação entre entrada e resultado, monitorada com métricas de distribuição, desempenho com rótulos atrasados e alertas.

Como você versiona e reproduz um modelo, os dados e a execução do treino?

O que observar: Versionar código, dados e configurações juntos, com ferramentas como MLflow ou DVC, sementes fixas e registro de modelos que ligue cada versão em produção à sua origem.

O desempenho de um modelo em produção vai caindo devagar ao longo de meses. Como você detecta e corrige?

O que observar: Monitoramento contínuo, investigação da causa (dados, mundo, pipeline), retreino com dados recentes e validação antes de trocar o modelo.

Como você lida com dados pessoais no treino e na inferência, considerando a LGPD?

O que observar: Minimização e anonimização ou pseudonimização dos dados, controle de acesso, finalidade clara para o uso e cuidado com atributos sensíveis que podem gerar discriminação.