Preguntas de entrevista para Machine Learning Engineer: respuestas que funcionan

Llegas a la fase técnica de una entrevista para Machine Learning Engineer y, de pronto, el entrevistador te pide que expliques la diferencia entre L1 y L2 en una pizarra virtual. Se te seca la boca. No es que no lo sepas, es que no tienes las ideas organizadas para explicarlo en 90 segundos. Esta guía te da el mapa: preguntas reales, respuestas que funcionan y un sistema para prepararte sin morir en el intento.

Cómo funciona una entrevista técnica de ML#

No esperes un cuestionario lineal. Lo normal es una mezcla de filtros rápidos, problemas técnicos profundos y situaciones de comportamiento. El objetivo no es solo saber si memorizaste la teoría, sino si puedes tomar decisiones de diseño bajo presión y justificarlas. Pasarás por preguntas de calentamiento, ejercicios de modelado de sistemas y, casi seguro, alguna historia sobre un proyecto que salió mal.

10-12 preguntas realistas agrupadas#

Aquí tienes una lista de preguntas que he visto en procesos reales. No son las únicas, pero cubren el 80% de lo que te vas a encontrar.

Preguntas de filtro (conceptos clave, 2-5 minutos)

• ¿Qué es el bias-variance tradeoff?
• Explica la diferencia entre L1 y L2 regularization.
• ¿Cómo manejarías un dataset con clases muy desbalanceadas?
• ¿Qué métrica usarías para un problema de detección de fraude y por qué?

Preguntas técnicas profundas (diseño y razonamiento)

• Diseña un sistema de recomendación para un e-commerce con millones de usuarios.
• Tienes un modelo con 95% de accuracy en un dataset con 99% de negativos. ¿Qué haces?
• Explica cómo funciona el mecanismo de atención en un Transformer.
• ¿Cómo decidirías entre usar un modelo de boosting (XGBoost) y una red neuronal para un problema tabular dado?

Preguntas de comportamiento (situaciones reales)

• Cuéntame sobre un proyecto donde los datos estaban muy sucios. ¿Cómo lo abordaste?
• Describe una vez que tuviste un desacuerdo técnico con un compañero. ¿Cómo lo resolviste?
• ¿Cómo priorizas entre mejorar un modelo existente y probar una nueva arquitectura?
• ¿Qué haces cuando un modelo en producción empieza a degradarse?

Respuestas modelo para 4 preguntas clave#

No se trata de memorizar, sino de tener una estructura clara.

1. "¿Cómo manejarías un dataset con clases muy desbalanceadas?"

Qué evalúa: Si entiendes que la accuracy es una métrica engañosa en estos casos y si conoces estrategias prácticas.

Respuesta modelo: "Primero, nunca confío solo en la accuracy. Para un problema de fraude, por ejemplo, me enfocaría en el recall de la clase minoritaria, usando F1-score o PR-AUC. Luego, aplicaría técnicas como SMOTE para generar ejemplos sintéticos de la clase minoritaria o ajustaría los pesos de las clases en la función de pérdida. Si el desbalance es extremo, consideraría usar técnicas de ensemble como Balanced Random Forest. Siempre valido con una estrategia de cross-validation estratificada."

Error común: Saltar directamente a técnicas de remuestreo sin analizar si el desbalance es realmente un problema para el negocio.

2. "Diseña un sistema de recomendación para un e-commerce"

Qué evalúa: Tu capacidad para estructurar un problema abierto, considerar trade-offs y pensar en escalabilidad.

Respuesta modelo: "Dividiría el sistema en dos etapas: candidatos y ranking. Para la etapa de candidatos, usaría un modelo de filtrado colaborativo basado en embeddings aprendidos (como ALS) para generar cientos de candidatos relevantes de un catálogo de millones. Para la etapa de ranking, usaría un modelo más complejo (como un Wide & Deep model) que combine features del usuario, del ítem y de contexto para predecir la probabilidad de compra. El modelo de ranking se entrenaría con logs de interacciones reales. La clave es que la etapa de candidatos sea rápida y la de ranking, precisa."

Error común: Proponer un modelo único y monolítico que intente hacer todo, sin considerar la latencia en producción.

3. "Cuéntame sobre un proyecto donde los datos estaban muy sucios"

Qué evalúa: Tu experiencia práctica, paciencia y metodología ante problemas reales.

Respuesta modelo: "En mi último proyecto, teníamos datos de sensores con un 30% de valores faltantes y ruido de medición. En lugar de imputar con la media, que hubiera introducido sesgo, primero analicé los patrones de missingness (eran MCAR). Usé una combinación de interpolación temporal para los gaps pequeños y un modelo de KNN para los más grandes. Para el ruido, apliqué un filtro de media móvil. Documenté cada paso en un notebook, lo que me permitió revertir cambios cuando una técnica no funcionaba. El modelo final, aunque más simple, era mucho más robusto."

Error común: Borrar filas con datos faltantes sin más, perdiendo información valiosa.

4. "¿Qué haces cuando un modelo en producción empieza a degradarse?"

Qué evalúa: Si entiendes el ciclo de vida completo de un modelo, no solo el entrenamiento.

Respuesta modelo: "Primero, verifico si es un problema de data drift o concept drift. Reviso las distribuciones de las features de entrada con respecto al periodo de entrenamiento. Si hay drift, puedo re-entrenar el modelo con datos más recientes. Si el problema es más profundo, como un cambio en el comportamiento de los usuarios (concept drift), puede que necesite recolectar nuevas etiquetas y re-entrenar desde cero. Siempre tengo un pipeline de monitoreo que alerta automáticamente cuando la distribución de predicciones se desvía significativamente."

Error común: Asumir que el modelo se rompió por un bug de código, sin investigar cambios en los datos o en el mundo real.

Checklist de preparación final#

• Investiga la empresa: ¿qué problemas de ML resuelven? ¿Qué stack usan?
• Repasa los fundamentos: álgebra lineal, estadística, cálculo de gradientes.
• Practica en pizarra o código colaborativo: explica en voz alta mientras escribes.
• Prepara 3-4 historias concretas de proyectos usando el formato STAR (Situación, Tarea, Acción, Resultado).
• Haz preguntas al entrevistador sobre el equipo, los datos y los desafíos.
• Usa herramientas como el analizador de palabras clave para tu CV para que tu perfil pase filtros automáticos.
• Busca ofertas de empleo en machine learning para entender las tecnologías que más se piden.
• Lee sobre cómo descifrar la descripción de un puesto para adaptar tu preparación.
• Explora nuestro blog con más guías de carrera para tips de negociación y crecimiento profesional.

Preguntas frecuentes#

¿Necesito saber programar en todas las entrevistas de ML?

Casi siempre sí. Algunas empresas se centran en el diseño de sistemas, pero la mayoría espera que escribas código funcional, a menudo en Python. Practica problemas de estructuras de datos y algoritmos, pero no ignores la implementación de modelos con librerías como scikit-learn o PyTorch.

¿Cómo me preparo para preguntas de diseño de sistemas de ML?

Empieza por entender los componentes clave: extracción de features, entrenamiento, serving y monitoreo. Estudia casos de empresas como Netflix o Uber. Lo importante es estructurar tu respuesta en etapas y justificar cada decisión, no llegar a la solución perfecta.

¿Qué hago si no sé la respuesta a una pregunta técnica?

No te quedes en silencio. Piensa en voz alta: "No estoy seguro, pero mi primer instinto sería investigar X, porque Y". Los entrevistadores valoran el razonamiento y la humildad. Nunca finjas saber algo que no sabes.

¿Es mejor enfocarse en modelos profundos o en conocimiento general?

Depende del rol. Para posiciones de investigación, lo primero. Para MLEs en producto, suele ser más valioso entender cómo desplegar, monitorear y mantener modelos en producción. Lee bien la descripción del puesto.

¿Cuánto tiempo debo dedicar a preparar la parte de comportamiento?

Mínimo un 30% de tu tiempo. La mitad de los rechazos en etapas finales son por soft skills. Prepara historias que muestres ownership, trabajo en equipo y resiliencia. Graba un video tuyo respondiendo y escúchate.