Vorstellungsgespräch als Machine Learning Engineer: Fragen und Antworten

Du hast die Einladung zum Vorstellungsgespräch als Machine Learning Engineer bekommen, weißt aber nicht, welche Fragen auf dich zukommen und wie du dich vorbereiten sollst. Das ist ein häufiges Problem. Denn anders als bei reinen Softwareentwickler-Rollen mischen sich bei ML-Stellen technisches Tiefenwissen, Mathematik und Erklärungskompetenz. Ohne gezielte Vorbereitung wirkst du schnell unstrukturiert.

Dieser Artikel zeigt dir realistische Fragen in drei Kategorien, konkrete Beispielantworten und die häufigsten Fehler, die Bewerber machen.

Häufige Fragen#

Bevor es ins Technische geht, prüfen Recruiter oder Hiring Manager, ob du grundlegend passt. Diese Fragen wirken einfach, unterschätzen solltest du sie trotzdem nicht.

Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen? Nenne Beispiele.

Überwachtes Lernen arbeitet mit gelabelten Daten. Du gibst dem Modell Input und den erwarteten Output, zum Beispiel bei einer Klassifikation von E-Mails in Spam und Nicht-Spam. Unüberwachtes Lernen findet ohne Labels statt, etwa Clustering von Kundendaten nach Verhaltensmustern. Ein gutes Beispiel für die Antwort:

"Überwachtes Lernen nutzt gelabelte Trainingsdaten. Klassische Anwendungen sind Regression oder Klassifikation, etwa die Vorhersage von Hauspreisen. Unüberwachtes Lernen arbeitet ohne Zielvariable. Methoden wie K-Means oder PCA finden Strukturen in den Daten. In meinem letzten Projekt habe ich beides kombiniert: erst mit Clustering Kundensegmente identifiziert, dann pro Segment ein Klassifikationsmodell trainiert."

Warum hast du dich bei uns beworben? Was reizt dich an dieser Rolle?

Hier will der Interviewer hören, dass du dich mit dem Unternehmen beschäftigt hast. Recherchiere vorher das Produkt, den Tech-Stack und aktuelle Projekte. Vermeide allgemeine Floskeln wie "Ich möchte Teil eines innovativen Teams sein." Stattdessen konkreter: "Mich reizt, dass euer Team an Empfehlungssystemen für den E-Commerce-Bereich arbeitet. In meiner letzten Rolle habe ich genau daran gearbeitet, allerdings mit deutlich kleineren Datenmengen. Der Scale hier interessiert mich."

Was erwartest du an Gehalt?

Typische Bereiche für ML Engineers in Deutschland liegen je nach Erfahrung und Region zwischen 60.000 und 95.000 Euro brutto im Jahr, bei Senior-Rollen auch deutlich darüber. Die Spannen variieren stark. Prüfe aktuelle Werte auf Gehaltsportalen und in Stellenanzeigen. Wenn du dir unsicher bist, kannst du mit einer Range antworten: "Basierend auf meinem Erfahrungslevel und dem Umfang der Rolle denke ich an einen Bereich zwischen X und Y. Ich bin aber offen für den Dialog."

Fachliche Fragen: Technisches Tiefenwissen#

Das ist der Kern des Gesprächs. Hier entscheidet sich, ob du die Konzepte wirklich verstehst oder nur Buzzwords aufzählst.

Erkläre Bias-Variance Tradeoff. Wie gehst du in der Praxis damit um?

Bias beschreibt den Fehler durch zu einfache Annahmen des Modells. Variance den Fehler durch zu starke Anpassung an die Trainingsdaten. Ein Modell mit hohem Bias underfitet, eines mit hoher Variance overfitet. In der Praxis suchst du ein Gleichgewicht, zum Beispiel durch Regularisierung, Cross-Validation oder die Wahl eines passend komplexen Modells.

Welche Metriken würdest du für ein Klassifikationsmodell verwenden, wenn die Klassen unbalanciert sind?

Accuracy ist bei unbalancierten Daten irreführend. Besser geeignet sind Precision, Recall, F1-Score oder die AUC-ROC-Kurve. Bei starken Ungleichgewichten, etwa Fraud Detection mit 99 Prozent negativen Fällen, schau ich mir außerdem die Precision-Recall-Kurve an und entscheide basierend auf den Geschäftsanforderungen, ob Recall oder Priorität wichtiger ist.

Wie stellst du sicher, dass dein Modell in der Produktion zuverlässig bleibt?

Monitoring ist entscheidend. Ich implementiere Data-Drift-Detection, um Verteilungsverschiebungen in den Eingabedaten frühzeitig zu erkennen. Dazu kommen Metriken wie Vorhersagelatenz und Fehlerquoten, die ich in Dashboards überwache. Wenn sich die Verteilung signifikant ändert, wird ein Retraining-Pipeline ausgelöst. Im Idealfall ist das automatisiert, mit Alerts bei Abweichungen.

Erkläre den Unterschied zwischen L1- und L2-Regularisierung.

L1-Regularisierung, auch Lasso genannt, addiert den absoluten Wert der Koeffizienten zur Loss-Funktion. Das führt dazu, dass einige Koeffizienten auf null gesetzt werden. Das Modell wird also gleichzeitig auch ein Feature-Selection-Verfahren. L2-Regularisierung, Ridge, bestraft die quadrierten Koeffizienten. Die Gewichte werden klein gehalten, aber selten auf null gesetzt. In der Praxis nutze ich L1, wenn ich vermute, dass viele Features irrelevant sind.

Verhaltensbasierte Fragen: Soft Skills zählen#

Gerade bei ML-Rollen, wo du mit Data Scientists, Product Managern und Stakeholdern zusammenarbeitest, ist Kommunikation wichtig.

Beschreibe eine Situation, in der dein Modell in der Produktion versagt hat. Wie bist du vorgegangen?

Nutze die STAR-Methode: Situation, Task, Action, Result. Beschreibe kurz den Kontext, was dein Job war, was du konkret getan hast und was das Ergebnis war. Ehrlichkeit ist Pflicht. Ein Modell, das nie scheitert, existiert nicht. Der Interviewer will sehen, wie du mit Problemen umgehst.

"Vor einem Jahr ging ein Empfehlungsmodell in Produktion, das nach drei Wochen deutlich schlechter performte. Ursache war ein Data-Drift durch eine geänderte Produktpipeline. Ich hatte kein Monitoring eingerichtet. Mein erster Schritt war ein Hotfix mit einer Fallback-Regel. Danach habe ich ein automatisiertes Drift-Detection-System aufgebaut, das seitdem stabil läuft."

Wie erklärst du einem nicht-technischen Stakeholder, warum ein Modell nicht 99 Prozent Accuracy liefert?

Diese Frage prüft deine Übersetzungskompetenz. Ein guter Ansatz: Vermeide Fachbegriffe, nutze Analogien. Zum Beispiel: "Stellen Sie sich vor, wir wollen Nadeln im Heuhaufen finden. Wenn wir einfach alles als 'keine Nadel' klassifizieren, haben wir 99 Prozent Accuracy, aber wir finden keine einzige Nadel. Wir müssen einen Kompromiss finden zwischen Genauigkeit und den Fällen, die wir entdecken."

Worauf Interviewer wirklich achten#

Interviewer bewerten nicht nur die inhaltliche Richtigkeit deiner Antworten. Drei Dinge fallen besonders auf.

Erstens: Kannst du deine Entscheidungen begründen? "Ich habe X gemacht, weil Y" ist besser als "Ich habe X gemacht." Zweitens: Erkennst du Grenzen deines Wissens? Ein "Das weiß ich nicht, aber ich würde es so angehen" schlägt ein geratenes Halbwissen. Drittens: Struktur. Antworten mit klarem Anfang, Mitte und Ende wirken kompetenter.

Typische Fehler im ML-Interview#

Die häufigsten Fehler, die ich in Interviews erlebt habe:

• Zu tief in Mathematik abdriften, ohne den Praxisbezug herzustellen
• Buzzwords nutzen ohne Erklärung: "Ich nutze Transformer" reicht nicht, du musst sagen warum
• Keine eigenen Projekte oder Erfahrungen nennen können
• Das Unternehmen nicht recherchiert haben und keine einzige Frage stellen
• Bei Verhaltensfragen nur hypothetisch antworten statt konkrete Beispiele zu geben

Vorbereitungs-Checkliste#

Gehe diese Liste vor deinem Interview durch:

• Stellenanforderungen genau analysieren und fehlendes Wissen auffüllen. Unser kostenloser JD Decoder hilft dir, die Anforderungen zu strukturieren
• Deine drei stärksten Projekte vorbereiten: Was war das Problem, was hast du gemacht, welches Ergebnis
• Grundlegende Algorithmen erklären können: lineare Regression, Random Forest, Gradient Boosting, neuronale Netze
• System Design Basics wiederholen: Wie würde eine ML-Pipeline für Use Case X aussehen
• Mindestens fünf Fragen vorbereiten, die du dem Interviewer stellen willst
• Deinen Lebenslauf gegenlesen und mit dem ATS-Checker prüfen, ob er durch automatische Systeme kommt
• Mock-Interview mit jemandem aus der Branche oder vor der Kamera üben
• Aktuelle Stellen auf jobrise.io durchgehen, um zu sehen, welche Tools und Frameworks gerade gefragt sind

Gute Vorbereitung macht den Unterschied. Nicht weil du alles auswendig lernen kannst. Sondern weil du lernst, über deine Erfahrung klar und überzeugend zu sprechen. Weitere Tipps findest du in unserem Karriere-Blog.

Häufige Fragen#

Wie lange dauert ein typisches ML Engineer Interview?

Erstrunde-Screenings dauern meist 30 bis 45 Minuten. Technische Runden gehen oft 60 bis 90 Minuten, manchmal mit Live-Coding oder einem Take-Home-Assignment. Bei großen Tech-Unternehmen sind mehrere Runden über zwei bis drei Wochen üblich.

Muss ich im Interview programmieren können?

Ja, in den meisten Fällen. Erwarte Coding-Aufgaben in Python, oft mit NumPy, Pandas oder Frameworks wie PyTorch. Manchmal gibt es klassische Algorithmus-Fragen auf LeetCode-Niveau, manchmal ML-spezifische Aufgaben wie ein einfaches Modell from scratch zu implementieren.

Welche Programmiersprachen sollte ich beherrschen?

Python ist Pflicht. Zusätzlich wird oft SQL für Datenabfragen erwartet. Je nach Rolle sind Kenntnisse in Scala, Java oder R ein Plus. Für MLOps-Themen helfen Grundlagen in Bash und Umgang mit Cloud-Diensten wie AWS oder GCP.

Wie gehe ich mit einer Frage um, die ich nicht beantworten kann?

Sei ehrlich. Sage kurz, dass du das nicht genau weißt, und beschreibe dann deinen Ansatz zur Problemlösung. Das zeigt Denkvermögen und Selbstreflexion. Schlimmer als ein Wissenslücke ist es, etwas Falsches mit Überzeugung zu behaupten.

Soll ich ein Portfolio oder GitHub-Profil vorbereiten?

Auf jeden Fall. Ein gepflegtes GitHub mit sauber dokumentierten Projekten ist oft mehr wert als jede Zertifizierung. Zeige zwei bis drei Projekte mit klarem Problemstatement, sauberem Code und einer verständlichen README. Das gibt dem Interviewer konkrete Gesprächsstoff.