Вечер до финала: как я готовился к собеседованию в финтехе, не вылезая из диалога с ИИ-ассистентом

До финального интервью на позицию дата-сайентиста в крупном финтехе оставался вечер, а половина требований вакансии была из индустрии, в которой я никогда не работал. Разобраться помог встроенный в браузер ИИ — и, кажется, впервые я не утонул в двадцати вкладках.

Я не из тех, кто готовится к собеседованиям за две недели по расписанию. Финал образовался неожиданно: рекрутер написала в пятницу, интервью назначили на субботу. В запасе оставался один вечер и открытая вакансия, в которой ML-часть вопросов не вызывала, а всё, что касалось банковской специфики, читалось как текст на незнакомом языке. Модели кредитного риска, аббревиатуры PD, LGD и EAD, онлайн-каскады. Я примерно понимал, о чём речь, но объяснить на собеседовании, как это устроено, точно не смог бы.

Обычно в такой ситуации начинается знакомый хаос. Десяток вкладок, куски текста, скопированные в чат, потерянный контекст — и в час ночи я закрываю всё это без особого результата. Для порядка долгое время мне не хватало инструмента, который бы объединил в себе как браузер, так и ИИ. Не отдельное окно с чатом, а помощник, который закрывает сразу две задачи — видит контекст и отвечает по нему.

Выбор был невелик. ChatGPT Atlas от OpenAI, который был крайне популярен на старте, уже успел закрылся 9 августа, меньше чем через год после запуска. Perplexity Comet живой, но за расширенные возможности просит подписку. Dia до сих пор существует только на macOS, а у меня Windows. Так что ответ пришёл сам собой: Яндекс Браузер, который и так стоял на ноутбуке: ИИ встроен в интерфейс и работает с открытой страницей в сплитвью, а не в отдельном окне. Вот на нём и проверим.

Так я и устроил эксперимент: хватит ли одного ИИ прямо в браузере на весь цикл подготовки, без переключений. Оставил один Яндекс Браузер и весь вечер обходился только его функциями. Рассказываю, что вышло.

Шаг первый: разбираем вакансию, где половина терминов из незнакомой индустрии

Начал я с самого больного: с текста вакансии. Если вы хоть раз читали описание позиции дата-сайентиста в банке, вы знаете этот жанр: блок обязанностей, где половина строк — аббревиатуры и названия систем, о которых вы слышали, но объяснить их не возьмётесь. Разработка моделей кредитного риска: PD, LGD, EAD. Создание признаков с применением Feature Store и онлайн-каскадов. Эксперименты с рекуррентными нейросетями на данных по платежам вместо классического скоринга.

Следом требования: теория вероятностей и матстатистика, SQL, Python со стандартным стеком, Hadoop, Hive, Impala, Spark. Стек мне знаком. А вот что за ним стоит в кредитном риске и о чём именно спросят на секции, я представлял смутно.

Раньше я бы открыл вакансию в одной вкладке, поисковик в другой, и начал гонять термины по очереди. Вместо этого я нажал кнопку вызова ИИ-ассистента в правом верхнем углу браузера. Экран разделился надвое: слева осталась сама вакансия, справа появился чат с нейросетью.

Это режим сплитвью: так в Яндексе называют диалог с ИИ на любой странице в интернете. К похожей схеме «слева контент, справа разговор с нейросетью» за последние два года пришла вся индустрия, от браузеров до офисных пакетов, и Код.ру подробно разбирал этот тренд в отдельном материале.

Удобство тут не только в самом факте чата, но и в том, что браузер сам считывает контекст на всех открытых страницах. Мне не пришлось копировать текст вакансии в отдельное окно и объяснять, о чём идёт речь: ассистент видел ровно то же, что и я. Поэтому первым делом я попросил не растолковать очередной термин, а разобрать вакансию целиком: «Собери из этой вакансии список тем для подготовки к технической секции. Сгруппируй по блокам: статистика, классический ML, инфраструктура, SQL».

Ответ пришёл в правом окне, а вакансия осталась на месте, так что каждый пункт можно было тут же сверить с первоисточником. Дальше я разматывал то, в чём плавал: «Объясни, что такое PD, LGD и EAD в кредитном риске, и разбери каждую как ML-задачу: целевая переменная, тип модели, метрики качества», «Зачем в скоринге рекуррентные сети на данных по платежам, если обычно хватает бустинга на агрегатах».

Модели я строил и раньше, а вот банковская специфика оставалась белым пятном, и добирать её оказалось удобнее всего вопросами прямо по тексту перед глазами. За полчаса такого диалога расплывчатое описание превратилось в понятный список того, к чему готовиться: теория вероятностей и проверка гипотез, классические алгоритмы вроде бустинга и случайного леса, работа с признаками и Feature Store, инфраструктура на Hadoop и Spark, SQL с подзапросами и оптимизацией. По сути, я вытащил из вакансии скрытую программу собеседования, ни разу не уйдя со страницы.

Шаг второй: понять, чем живёт компания

С технической программой стало понятнее, но на финале дата-сайентиста почти всегда спрашивают не только про градиентный бустинг. Спрашивают, понимаете ли вы, на чём компания зарабатывает, какие у неё продукты и где в этих продуктах вообще нужен дата-сайентист. Завалить вопрос «как вы думаете, где в нашем приложении используется машинное обучение?» обидно: это вопрос не про знания, а про подготовку.

Я открыл сайт банка, раздел «О нас» и пару страниц про продукты, и снова развернул ИИ-панель. С таким сайтом часто не сразу понятно, где вообще искать ответ на конкретный вопрос: информация разбросана по разделам, что-то спрятано в пресс-релизах, что-то в отчётах. Тут и выручает ИИ-ассистент, который считывает контент страницы сразу и отвечает по нему. Дальше я работал в режиме диалога с конкретным сайтом: «Перечисли основные продукты банка», «На чём он зарабатывает, судя по этому тексту», «Где здесь может применяться машинное обучение и аналитика данных».

Отдельно пригодилась работа с документами. У банка в разделе раскрытия информации лежит консолидированная отчётность по МСФО на семьдесят четыре страницы плотного текста и таблиц. Перечитывать её целиком ради собеседования смысла нет, но понимать, в каких условиях банк работает, на финале выигрышно: это ровно тот контекст, в котором живут риск-модели. Я открыл PDF прямо в браузере и попросил разобрать примечание про экономическую среду: что со ставками, инфляцией и ключевыми рисками.

Через несколько секунд получил конспект тезисами: ключевая ставка снижалась с 21% в июне 2025 года до 16% к декабрю и 15% к марту 2026-го, рубль укрепился со 101,68 до 78,23 за доллар, торги долларом и евро на Московской Бирже приостановлены с 2024 года. Каждый пункт я тут же сверил с исходной страницей: документ оставался открытым рядом. Для дата-сайентиста, который идёт делать модели кредитного риска, это не абстрактная макроэкономика: при ставке, упавшей на треть за полгода, поведение заёмщиков меняется, а вместе с ним меняется и качество моделей, обученных на прошлых данных. Об этом на собеседовании можно говорить предметно.

Работает это одинаково со всем, что открыто во вкладке: отчётностью, документацией продукта, статьёй из корпоративного блога, видео. Дальше я этим и пользовался весь вечер.

Шаг третий: понять, о чём спросят на технической секции

Дальше я взялся за техническую часть. На собеседовании дата-сайентиста именно она самая долгая и нервная: статистика, проверка гипотез, метрики качества моделей, SQL, живое программирование на Python. Выучить всё за вечер невозможно, поэтому задача была другая: понять, на чём сделать акцент, и быстро освежить подзабытое.

Сначала я пошёл в технический блог банка. У крупных команд он почти всегда есть, и это золотая жила. По статьям инженеров видно, какими задачами они реально живут и какой стек используют. Тут повезло: у команды прикладных исследований оказалась целая серия материалов про нейросетевой скоринг, ровно про ту строчку из вакансии, которая накануне была для меня набором незнакомых слов. Я открывал статью за статьёй, нажимал в браузере «Пересказать» и за несколько секунд получал выжимку: о чём текст, какие подходы и инструменты упоминаются.

Картина сложилась быстро. Скоринг у них собран из нескольких моделей: одна работает с табличными данными, а вторая, нейросетевая, надстроена над ней. Сейчас в команде пробуют трансформеры и делают упор на ранжирование. Значит, к финалу стоит освежить нейросети для последовательностей и метрики ранжирования.

А когда нужная статья находилась, ИИ-панель превращалась в репетитора по матчасти. Я оставался на той же странице и допытывался уже по существу: «Объясни, что даёт нейросетевой подход на последовательностях транзакций по сравнению с бустингом на агрегатах», «Почему pairwise log loss лучше кросс-энтропии, если цель — ROC-AUC». Получал ответ, тут же задавал уточняющий вопрос и так разматывал тему до конца, не покидая исходный материал.

Не сразу заметил деталь, которая потом пригодилась больше всего. В ответах ассистента стоят номерные сноски, и каждая — кликабельная: нажимаешь, и браузер прокручивает статью слева к тому самому предложению и подсвечивает его. То есть можно не верить пересказу на слово, а за секунду проверить, откуда взялся конкретный тезис.

Одно дело — запомнить красивую формулировку из пересказа, другое — понимать, что за ней стоит в оригинальном тексте. Если на секции вас попросят раскрыть тезис глубже, разница вылезет сразу. Я привык проверять сноски выборочно: два-три ключевых утверждения по каждой статье, и уже понятно, можно ли на этот пересказ опираться.

Шаг четвёртый: англоязычные доклады без мучений с субтитрами

Освежать трансформеры по статьям — дело небыстрое, а половина хорошего материала по теме всё равно на английском: доклады с конференций, разборы архитектур, лекции исследователей. С чтением я справляюсь, а вот часовую лекцию на английском на ночь глядя не осилить. Я взял обзорную лекцию из стэнфордского курса CS25 про трансформеры: час семнадцать, ровно то, что нужно освежить, но времени на неё в тот вечер не было совсем.

Начал не с просмотра, а с нейросетевого пересказа. Для видео браузер выдаёт содержание с таймкодами, и это оказалось не выжимкой вместо просмотра, а навигацией по лекции. Видно, что с девятой минуты идёт введение в механизм внимания, с десятой запросы, ключи и значения, с двенадцатой кодер-декодер, с пятнадцатой перекрёстное внимание. Раздел, который проигрывается сейчас, подсвечивается в списке, так что понятно, где ты находишься.

Дальше стало ясно, как распорядиться часом. Блок про механизм внимания и кодер-декодер я отсмотрел целиком, перейдя туда по таймкоду: это ровно та база, на которой стоят архитектуры из блога банка. А двадцать минут в середине, про эмерджентные способности языковых моделей и сравнение GPT с Gemini на академических тестах, я пропустил: тема интересная, но это про поведение и оценку LLM, а не про то, как устроено внимание внутри. Разница тут не в том, языковая модель или нет: команда банка сама берёт из мира LLM и нормализацию, и gated attention из Qwen. Просто из часовой лекции мне была нужна архитектурная половина, а не бенчмарки. Это и есть главная польза пересказа: он не заменяет просмотр, он помогает не тратить час там, где хватит пятнадцати минут.

А чтобы отсмотренное не превращалось в мучение, я включил перевод. Яндекс Браузер переводит и озвучивает видео: закадровым голосом поверх оригинала, с восьми языков на русский. Дальше я слушал лекцию уже по-русски, не отвлекаясь на субтитры. В режиме «вечер до собеседования» это заметно экономит силы: не нужно параллельно переводить в голове, можно просто впитывать содержание.

Схема простая, но рабочая: сначала пересказ, чтобы понять, что смотреть и в каком порядке, потом перевод, чтобы смотреть без лишних усилий. За вечер это превращает часовую лекцию на чужом языке из «как-нибудь потом» в двадцать минут по делу.

Шаг пятый: оформляем письмо рекрутеру за пять минут

Оставалось последнее дело. Рекрутер ещё в пятницу попросила прислать короткий рассказ о релевантном опыте, чтобы переслать команде перед встречей. Казалось бы, мелочь на фоне технической подготовки, но именно на таких мелочах в час ночи и застреваешь: текст я написал сам, и он вышел длинным, канцелярским и с опечаткой, которую глаз уже не ловил.

Схема осталась та же, что весь вечер. Я не полез в отдельный сервис и не стал копировать текст в мессенджер самому себе. Вызвал Редактор, и он открылся панелью справа, а вакансия так и осталась слева. Полезнее, чем кажется: писать письмо, держа требования перед глазами, куда проще, чем по памяти.

Инструментов в панели три. «Исправить» проходит по орфографии и пунктуации: моё «на текущиий момент» подсветилось и починилось за секунду. «Перевести» пригодится, если писать нужно по-английски. А «Улучшить текст» открывает выпадающее меню с вариантами: «Кратко», «Проще», «Красиво», «Другими словами», плюс отдельно смена тона: «Более формально» или «В разговорном стиле».

Причём нейроредактор умеет не только править по готовым вариантам, но и писать текст с нуля по запросу: можно, например, попросить «составь сопроводительное письмо как специалист с опытом, без воды» и получить черновик, который останется только подогнать под себя.

Мне нужно было короче и живее, так что я выбрал «Кратко». Пять абзацев канцелярита свернулись до трёх коротких: вместо «имею опыт работы в области машинного обучения продолжительностью около четырёх лет» — «занимаюсь машинным обучением четыре года». На всё ушло меньше минуты вместо получаса мучений над каждым предложением. Отдельно приятно, что письмо, которое рекрутер переправит команде, теперь читается за двадцать секунд, а не за две минуты.

Одно наблюдение, если будете повторять. Вместе с канцеляритом уходит и часть конкретики: у меня из письма пропал градиентный бустинг и название команды, а осталось общее «создавал модели для анализа данных». Тут выручает то, что кнопками пользоваться необязательно: внизу панели есть поле для произвольного запроса, и через него нейросети можно прямо указать, что важно сохранить. Я вторым заходом попросил переписать письмо покороче, но оставить стек и конкретные проекты, и детали вернулись на место. Так что промпт своими словами часто работает точнее готовых вариантов.

Одна оговорка про весь вечер целиком. Всё, что описано выше, — подготовка: разобрать вакансию, понять контекст компании, освежить матчасть, привести в порядок письмо. Само собеседование ИИ за вас не пройдёт. Интервьюеры в крупных компаниях быстро замечают, когда кандидат подсматривает ответы прямо на секции, и это мгновенно портит впечатление. Разбирайтесь с нейросетью, а отвечайте сами.

Почему весь вечер прошёл в браузере, а не в отдельной вкладке с нейросетью

Главный вывод того вечера простой: дело не в том, чья нейросеть умнее, а в том, куда она встроена. Все инструменты были там же, где шла работа. Я не сворачивал окна, не копировал куски текста и не объяснял модели заново, о какой странице речь: браузер делал это за меня. Когда готовишься в цейтноте, эта мелочь экономит не минуты, а внимание: контекст не теряется, фокус не прыгает между приложениями.

Была и чисто практическая причина, по которой весь вечер прошёл именно здесь. Я разбирал русскоязычную вакансию, российский сайт банка и российский технический блог, и мне нужен был инструмент, про который заранее понятно, что он с этим справится и откроется без плясок с настройками. Экспериментировать с зарубежными ИИ-браузерами в ночь перед финалом я не стал: не та ситуация, чтобы выяснять их сильные и слабые стороны.

При этом менять привычки не пришлось. Это тот же браузер, с той же скоростью, закладками и расширениями, но ИИ здесь не набор отдельных фишек, прикрученных сбоку. Это скорее среда, где нейросеть органично вписана в реальные действия: то, что ты и так делаешь в браузере, она просто подхватывает и ускоряет. И для этого действительно не нужно ничего менять в своих привычках. На живой задаче он выглядит именно так.

И всё, чем я пользовался в тот вечер, доступно бесплатно, без подписки: разбор страниц, пересказы, перевод видео, нейроредактор. Оформлять ничего не нужно.

Из того, что я в тот вечер так и не тронул, стоит упомянуть агента «Исследовать». Ему можно поручить собрать информацию по теме из разных источников и выдать структурированный отчёт: например, обзор требований в актуальных вакансиях дата-сайентистов. Мне он не понадобился, потому что подготовка к собеседованию всё-таки история про то, чтобы разобраться самому, а не делегировать. Но будь у меня не вечер, а неделя, я бы начал именно с него.