ES

#

Guía de Entrevistas Técnicas

Esta guía fue creada para ayudarle a prepararse para las entrevistas técnicas de QuintoAndar, con consejos detallados, sugerencias de estudio, ejemplos y recursos gratuitos.

# Data Scientist

Aquí usted encuentra las dicas y orientaciones que preparamos para las entrevistas técnicas de la área de Data Scientist.

Elige por dónde empezar o repásalo todo a tu propio ritmo. ¡Feliz lectura y buena preparación!

ML and AI Modeling

¡Esta es nuestra primera charla técnica! Discutiremos tu experiencia y conceptos de ciencia de datos, machine learning e IA. El objetivo es entender tu razonamiento. ¡Si todo sale bien, avanzarás a las siguientes etapas!

      📚 Cómo prepararte – ML and AI modeling:

      Repasa tus proyectos: Cuéntanos de forma sucinta sobre tus proyectos más importantes en ML/DS/AI.

      Fundamentos Técnicos: Prepárate para preguntas sobre los algoritmos que usaste. Explica la intuición detrás de las técnicas.

      Ejemplo: ¿Has trabajado con Gradient Boosting? Si es así, ¿sabes explicar la diferencia intuitiva entre modelos de boosting y bagging?

      Enfoque en Casos de Negocio: Resolverás un caso real enfocado en estructuración de problemas. Adopta un enfoque iterativo: comienza con un MVP de punta a punta y luego añade capas de complejidad. Lo importante es la claridad lógica, no solo la «respuesta correcta».

      📌 Checklist – ML and AI modeling:

      ¿Quieres asegurarte de no olvidar nada? Usa esta lista como guía:

      [ ] Entiendo las principales metodologías y conceptos de ML, así como las técnicas y métodos que apliqué en mis proyectos. Estoy preparado para preguntas técnicas sobre ML, DS e IA.

      [ ] Tengo proyecto(s) relevante(s) de Data Science, IA o Machine Learning listo(s) para discutir, y puedo explicar claramente mis experiencias pasadas en estas disciplinas.

      [ ] Sé explicar la intuición detrás de las técnicas que apliqué en mis proyectos.

      [ ] Puedo demostrar mis habilidades de razonamiento en un caso de negocio.

      [ ] Sé cómo estructurar un problema y pensar en diferentes soluciones.

      📑Materiales de apoyo – ML and AI modeling:

      • The Hundred-Page Language Models Book – Andriy Burkov
      • The Hundred-Page ML Book  – Andriy Burkov
      • Intro to ML – Kaggle 
      • Intermediate ML – Kaggie
      • AI Engineering: Building Applications with Foundation Models – Chip Huyen
      • Build a Large Language Model (From Scratch) – Sebastian Raschka
      • Transformers: The Definitive Guide – Nicole Koenigstein

DS Case

En esta etapa, haremos preguntas técnicas abiertas y lo invitamos a modelar un problema basado en casos reales que puede encontrar en QuintoAndar y a profundizar en temas relevantes de Machine Learning.

  • 💙 Qué esperamos:

    • Conocimiento técnico (Clasificación, Regresión, Métricas, Monitoreo, Feature Engineering, Agentic AI evals, Deep Learning).
    • Razonamiento estratégico y orientación a resultados de negocio.
    • Buen storytelling (capacidad de narrativa)

      📚 Cómo prepararte – DS Case

      1. Dominio Técnico y Fundamentos

      Lo que esperamos: Valoramos a quienes comprenden la mecánica detrás de las herramientas. Al proponer una solución, no te limites a solo citar un modelo o algoritmo; demuestra profundidad detallando el funcionamiento de los métodos o métricas elegidos.

      • Ejemplo: En lugar de solo nombrar un algoritmo («usaré el Modelo X»), explica por qué su loss function es adecuada para la distribución de tus datos o cómo la métrica de evaluación elegida se conecta directamente con el éxito del negocio.

      2. Enfoque en la Solución (Abordaje Agnóstico)

      Lo que esperamos: El objetivo principal es resolver el problema de forma eficaz y sostenible. El método es una herramienta para alcanzar el resultado; queremos ver tu capacidad para elegir el enfoque que mejor equilibre el rendimiento y la viabilidad.

      • Ejemplo: Al enfrentar un problema de ordenación o recomendación, el enfoque debe estar en cómo construyes una solución robusta. Más importante que usar la arquitectura más compleja es garantizar que la estrategia resuelva el dolor del usuario y que sepas cómo medir ese impacto.

      3. Comunicación y Razonamiento Colaborativo

      Lo que esperamos: Queremos conocer tu proceso de pensamiento en tiempo real. Ve al entrevistador como un socio de proyecto, promoviendo un intercambio constante de ideas y validación de premisas.

      • Ejemplo: Durante la resolución, comparte tus trade-offs de forma transparente: «Estoy optando por esta estructura inicial para validar la hipótesis principal, pero en un escenario de escala, podríamos seguir por el camino Y. ¿Tiene sentido esta priorización para ti?».

      4. Entrega Incremental (Resolver, luego Optimizar)

      Lo que esperamos: Demuestra pragmatismo. Comienza estableciendo una solución sólida y funcional que resuelva el núcleo del problema («end-to-end») para, solo entonces, discutir e implementar refinamientos técnicos.

      • Ejemplo: Si el desafío involucra modelado, estructura primero un pipeline completo con un modelo base confiable. Una vez que el flujo lógico esté validado, demuestra cómo evolucionarías hacia técnicas más sofisticadas (como contrastive learning o arquitecturas específicas) para ganar un rendimiento extra.

      📌 Temas para Entrevista Técnica – Case DS

      • Definición del problema de modelado, incluyendo la formulación del objetivo y sus impactos técnicos y de negocio.
      • Desarrollo de modelos de Machine Learning, cubriendo decisiones de modelado y entrenamiento.
      • Uso y preparación de datos, con enfoque en las variables e información utilizadas por el modelo.
      • Evaluación de modelos, considerando criterios técnicos y experimentación.
      • Interpretación de los resultados, entendimiento del comportamiento del modelo.
      • Aplicación del modelo en un entorno productivo, incluyendo la integración con sistemas y el seguimiento de resultados.

Coding and SQL

En esta entrevista, necesitarás usar algoritmos y SQL para resolver uno o más problemas de programación en un contexto de Machine Learning. ¡Este es el momento de demostrar tus habilidades de codificación en la práctica!

  • 📑 Materiales de apoyo:

    • Super Study Guide: Algorithms & Data Structures – Afshine Amidi & Shervine Amidi.

      📚 Como prepararte – Coding & SQL

      El objetivo es evaluar tu capacidad para aplicar lógica y programación al construir la base de un proyecto de datos.

      Lenguajes de Programación

      • Siéntete cómodo con al menos un lenguaje de programación de tu elección. Es importante conocer el Diseño Orientado a Objetos (Object-Oriented Design) y saber cómo probar tu código. Para ciencia de datos y ML en QuintoAndar usamos Python.
      • Debes saber crear métodos y funciones para aplicar modelos de ML en políticas o formatear las salidas de modelos de ML o llamadas de LLMs para resolver algún problema de negocio.

      Estructuras de Datos

      • Familiarízate con arreglos (listas), listas ligadas (linked lists), pilas (stacks), colas (queues), sets, mapas (maps/diccionarios), árboles y grafos.

      Complejidad

      • Demuestra que puedes razonar sobre la complejidad de tiempo y espacio de un algoritmo y cómo mejorarla. Es bueno conocer lo básico de la notación Big-O.

      Creación de Datasets

      • Sé capaz de consultar datos utilizando las mejores prácticas para construir un conjunto de datos de entrenamiento (training dataset). Sé capaz de armar transformaciones para crear «features» o agregaciones de datos.

      ✅ Buenas prácticas y corrección:

      • Utilizarás un IDE en línea con funciones básicas. Aprovecha el «code completion» y el «syntax highlighting» para probar tu código.