DEV Community: mlteamzx-arch

9 Fragen, die in Google-MLE-Interviews immer wieder kommen (2025–2026)

mlteamzx-arch — Fri, 06 Nov 2026 04:17:18 +0000

Ich habe in den letzten Monaten aktuelle Berichte über Google-MLE-Interviews gesammelt. Die Bewerber wechseln, die Fragen bleiben dieselben. Hier sind die 9 häufigsten.

Google Zürich ist Googles grösster Entwicklungsstandort in der Schweiz – wer sich dort bewirbt, trifft auf genau diese Fragetypen. Die 9 Fragen unten stammen aus aktuellen, öffentlich geteilten Interviewberichten von 2025–2026.

1. Bias-Variance-Trade-off – aber die eigentliche Frage lautet: Wann würden Sie bewusst mehr Bias in Kauf nehmen?
Es geht nicht um die Lehrbuchdefinition. Erklären Sie, wann ein bisschen mehr Bias deutlich weniger Varianz bedeutet – und woran Sie erkennen, dass die Entscheidung richtig war.

2. Warum Cross-Entropy statt MSE für Klassifikation?
Sagen Sie: „Weil MSE flach wird, wenn das Modell selbstsicher falsch liegt." Dann den Gradienten durchgehen.

3. Attention: Warum durch sqrt(d_k) teilen?
Ohne die Skalierung wachsen die Skalarprodukte mit der Dimension und Softmax sättigt. Eine Zeile Mathe, das ist die ganze Antwort.

4. ROC-AUC vs. PR-AUC – welche Kennzahl, und wann?
Bei unausgewogenen Daten: PR-AUC. Bei ausgewogenen Daten: beide möglich. Wer immer „ROC-AUC" sagt, verliert Punkte.

5. Wie finden Sie Data Leakage in einer Trainingspipeline?
Ein konkreter Check: Trainieren Sie nur auf Daten bis zum Zeitpunkt T, validieren Sie nur auf Daten nach T. Leakage versteckt sich in Features, die still die Antwort enthalten.

6. Training-Serving-Skew – wie finden Sie ihn, bevor die Nutzer es tun?
Loggen Sie Features zur Serving-Zeit und vergleichen Sie die Verteilungen mit dem Training. Wenn sie driften, sind Ihre Offline-Metriken Fiktion.

7. L1- vs. L2-Regularisierung – wann setzt L1 Features wirklich auf null?
Nur wenn die Daten es hergeben. L1 macht keine magische Feature-Selektion – nur wenn Features wirklich nutzlos sind.

8. Cold Start in einem Recommender – was tun Sie am ersten Tag ohne Nutzerhistorie?
Erst Popularität + Content-Features, dann gelernte Embeddings, sobald Daten da sind. Sagen Sie, woran Sie den Wechsel erkennen.

9. Vanishing Gradients – nennen Sie zwei Lösungen, die in der Praxis wirklich funktionieren.
Residual Connections und saubere Initialisierung. Batch-Norm hilft, aber wissen Sie auch, warum.

Ich habe alle 9 mit ausführlichen Antworten aufgeschrieben, dazu die Google-Checkliste mit 81 Fragen auf Deutsch, mit der ich mich vorbereitet habe: https://mleplaybook.gumroad.com/l/poivrf

$19. Wenn Sie in den nächsten Wochen bei Google interviewen, fangen Sie mit den Fragen 3, 4 und 5 an – diese drei kamen in fast jedem Bericht vor.

9 questions qui reviennent sans cesse aux entretiens MLE de Google (2025–2026)

mlteamzx-arch — Fri, 06 Nov 2026 03:21:34 +0000

Ces derniers mois, j'ai passé en revue les comptes rendus récents d'entretiens MLE chez Google — y compris ceux des candidats qui visaient les bureaux de Google à Paris, où l'entreprise recrute activement des ingénieurs MLE. Les candidats changent, les questions restent les mêmes. Voici les 9 qui reviennent le plus souvent.

Le compromis biais-variance — mais la vraie question est : quand ajouteriez-vous du biais délibérément ?
Ils ne veulent pas la définition du manuel. Ils veulent entendre quand vous échangez un peu de biais contre beaucoup moins de variance, et comment vous savez que vous avez fait le bon choix.
Pourquoi la cross-entropy plutôt que le MSE pour la classification ?
Dites : « parce que le MSE est plat quand le modèle se trompe avec assurance. » Puis parcourez le gradient.
Attention : pourquoi diviser par sqrt(d_k) ?
Sans la mise à l'échelle, les produits scalaires grandissent avec la dimension et le softmax sature. Une ligne de maths, c'est toute la réponse.
ROC-AUC ou PR-AUC — laquelle, et quand ?
Données déséquilibrées : PR-AUC. Données équilibrées : les deux conviennent. Si vous répondez « toujours ROC-AUC », vous perdez des points.
Comment détecter une fuite de données (data leakage) dans un pipeline d'entraînement ?
Nommez un vrai contrôle : entraînez sur les données jusqu'à l'instant T, validez uniquement sur les données après T. La fuite se cache dans les features qui contiennent discrètement la réponse.
Le décalage entraînement / production (training/serving skew) — comment le repérer avant vos utilisateurs ?
Enregistrez les features au moment de la production, comparez leurs distributions avec celles de l'entraînement. Si elles dérivent, vos métriques hors ligne sont de la fiction.
Régularisation L1 ou L2 — quand L1 met-elle vraiment des features à zéro ?
Seulement quand les données sont d'accord. L1 ne fait pas de sélection de features par magie ; elle le fait quand les features sont vraiment inutiles.
Le démarrage à froid (cold start) dans un système de recommandation — que faites-vous le premier jour, sans aucun historique utilisateur ?
D'abord la popularité et les features de contenu, puis passez aux embeddings appris quand les données arrivent. Dites comment vous savez quand basculer.
L'évanouissement du gradient (vanishing gradients) — citez deux solutions qui marchent vraiment en pratique.
Les connexions résiduelles et une bonne initialisation. La normalisation par lots (batch norm) aide, mais sachez pourquoi elle aide.

J'ai rédigé les 9 questions avec leurs réponses complètes, ainsi que la checklist Google de plus de 80 questions que j'ai utilisée pour me préparer : https://mleplaybook.gumroad.com/l/xmmdkv

19 $. Si vous passez un entretien chez Google dans les prochaines semaines, commencez par les questions 3, 4 et 5 — ces trois-là sont apparues dans presque tous les comptes rendus que j'ai lus.

9 Fragen, die in Google-MLE-Interviews immer wieder kommen (2025–2026)

mlteamzx-arch — Fri, 06 Nov 2026 03:18:56 +0000

Ich habe in den letzten Monaten aktuelle Berichte über Google-MLE-Interviews gesammelt. Die Bewerber wechseln, die Fragen bleiben dieselben. Hier sind die 9 häufigsten.

Google hat große Standorte in München und Hamburg. Die 9 Fragen unten stammen aus aktuellen, öffentlich geteilten Interviewberichten von 2025–2026.

Bias-Variance-Trade-off – aber die eigentliche Frage lautet: Wann würden Sie bewusst mehr Bias in Kauf nehmen?
Es geht nicht um die Lehrbuchdefinition. Erklären Sie, wann ein bisschen mehr Bias deutlich weniger Varianz bedeutet – und woran Sie erkennen, dass die Entscheidung richtig war.
Warum Cross-Entropy statt MSE für Klassifikation?
Sagen Sie: „Weil MSE flach wird, wenn das Modell selbstsicher falsch liegt." Dann den Gradienten durchgehen.
Attention: Warum durch sqrt(d_k) teilen?
Ohne die Skalierung wachsen die Skalarprodukte mit der Dimension und Softmax sättigt. Eine Zeile Mathe, das ist die ganze Antwort.
ROC-AUC vs. PR-AUC – welche Kennzahl, und wann?
Bei unausgewogenen Daten: PR-AUC. Bei ausgewogenen Daten: beide möglich. Wer immer „ROC-AUC" sagt, verliert Punkte.
Wie finden Sie Data Leakage in einer Trainingspipeline?
Ein konkreter Check: Trainieren Sie nur auf Daten bis zum Zeitpunkt T, validieren Sie nur auf Daten nach T. Leakage versteckt sich in Features, die still die Antwort enthalten.
Training-Serving-Skew – wie finden Sie ihn, bevor die Nutzer es tun?
Loggen Sie Features zur Serving-Zeit und vergleichen Sie die Verteilungen mit dem Training. Wenn sie driften, sind Ihre Offline-Metriken Fiktion.
L1- vs. L2-Regularisierung – wann setzt L1 Features wirklich auf null?
Nur wenn die Daten es hergeben. L1 macht keine magische Feature-Selektion – nur wenn Features wirklich nutzlos sind.
Cold Start in einem Recommender – was tun Sie am ersten Tag ohne Nutzerhistorie?
Erst Popularität + Content-Features, dann gelernte Embeddings, sobald Daten da sind. Sagen Sie, woran Sie den Wechsel erkennen.
Vanishing Gradients – nennen Sie zwei Lösungen, die in der Praxis wirklich funktionieren.
Residual Connections und saubere Initialisierung. Batch-Norm hilft, aber wissen Sie auch, warum.

Ich habe alle 9 mit ausführlichen Antworten aufgeschrieben, dazu die Google-Checkliste mit 81 Fragen auf Deutsch, mit der ich mich vorbereitet habe: https://mleplaybook.gumroad.com/l/poivrf

$19. Wenn Sie in den nächsten Wochen bei Google interviewen, fangen Sie mit den Fragen 3, 4 und 5 an – diese drei kamen in fast jedem Bericht vor.

9 questions that keep showing up in Google MLE interviews (2025–2026)

mlteamzx-arch — Fri, 06 Nov 2026 02:17:19 +0000

I spent the last few months going through recent Google MLE interview reports from US loops. Same questions, different people, over and over. Here are the 9 that show up most.

Bias-variance tradeoff — but the real question is: when would you deliberately add bias?
They don't want the textbook definition. They want to hear when you trade a little bias for a lot less variance, and how you know you made the right call.
Why cross-entropy instead of MSE for classification?
Say "because MSE is flat when the model is confidently wrong." Then walk through the gradient.
Attention: why divide by sqrt(d_k)?
Without the scaling, dot products grow with dimension and softmax saturates. One line of math, that's the whole answer.
ROC-AUC vs PR-AUC — which one, and when?
Imbalanced data: PR-AUC. Balanced data: either works. If you say "always ROC-AUC" you lose points.
How do you catch data leakage in a training pipeline?
Name one real check: train on data up to time T, validate only on data after T. Leakage hides in features that quietly contain the answer.
Training/serving skew — how do you find it before users do?
Log features at serving time, compare distributions against training. If they drift, your offline metrics are fiction.
L1 vs L2 regularization — when does L1 actually zero out features?
Only when the data agrees. L1 doesn't magically do feature selection; it does it when features are truly useless.
Cold start in a recommender — what do you do on day one with zero user history?
Popularity + content features first, then switch to learned embeddings as data arrives. Say how you know when to switch.
Vanishing gradients — name two fixes that actually work in practice.
Residual connections and proper initialization. Batch norm helps, but know why it helps.

I wrote up all 9 with full answers, plus the 80+ question Google checklist I used to prep: https://mleplaybook.gumroad.com/l/ewryk

$19. If you're interviewing at Google in the next few weeks, start with questions 3, 4, and 5 — those three alone came up in almost every report I read.