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.
Top comments (0)