🤔 Как проходить собеседования, если ты из науки

🤔 Как проходить собеседования, если ты из науки

За последний год у меня был небольшой, но полезный опыт прохождения собеседований в компаниях. Для меня это было важно не столько как срочный поиск работы, сколько как способ понять, как в индустрии считывается мой опыт и как о нём вообще стоит говорить.

Вчера я прочитала пост Андрея Жаркова о его собеседованиях в 2025 году. Он показался мне полезным не только потому, что там хорошо разобраны сами этапы, но и потому, что речь идёт о большом количестве процессов в известных компаниях - Anthropic, DeepMind, Midjourney, Recraft, Black Forest Labs, Runway, Suno и компаниях уровня FAANG. Среди результатов был, например, оффер от Perplexity.

Из его текста мне особенно запомнилось, что даже для исследовательских ролей подготовка не сводится к теории и разговору о своих проектах. Всё равно нужно готовиться к задачам на алгоритмы, к обсуждению архитектур, к проектированию систем и к поведенческому этапу. Ещё одна важная мысль состоит в том, что академический опыт сам по себе не является достаточным аргументом. Он начинает работать только тогда, когда ты можешь объяснить его в терминах навыков, которые компания способна считать и проверить.

Мой опыт во многом это подтверждает. За год я заметила, что реакция на резюме сильно зависит от того, кто его читает. На карьерных консультациях, где HR из разных компаний смотрели моё резюме и обсуждали, на какие вакансии и в какие команды мне разумнее пробоваться, упоминание данных нейровизуализации почти всегда вызывало дополнительные вопросы. Это объяснимо: в большинстве компаний просто нет команд, работающих с таким доменом, поэтому сам домен воспринимается скорее как узкая специализация, а не как переносимый технический опыт.

Постепенно я поняла, что в таких случаях полезнее описывать не предметную область саму по себе, а типы задач, с которыми ты работал. То есть говорить о предобработке и анализе сигналов, о работе с временными рядами, табличными и 3D/4D-данными, о применении современных методов глубокого обучения, о задачах компьютерного зрения и о мультимодальных моделях

Речь не о том, чтобы скрыть свой домен, а о том, чтобы сделать видимой техническую часть опыта. Для меня это тоже оказалось неочевидным, и понадобилось время, чтобы научиться формулировать свои задачи и свой стек так, чтобы они были понятны вне моего домена.

При этом на технических этапах впечатление обычно было другим. Если резюме попадало сразу к техническому руководителю, особенно через реферал, разговор шёл уже не о том, насколько экзотичен мой домен, а о моделях, архитектурах, ограничениях данных, обучении, валидации и общей инженерной логике проекта. В этом смысле мои собеседования действительно были похожи на то, что описывает Андрей: после входного фильтра доменная специфика быстро теряет значение, а на первый план выходит то, насколько уверенно ты понимаешь базовые вещи.

Отдельно мне запомнились серии постов Тани Шавриной про behavioral-интервью. Возможно, потому что для академической среды это один из самых непривычных этапов. Обычно не задумываешься о том, как выделять истории про принятие решений, влияние на проект, ошибки, конфликты приоритетов или работу в условиях неопределённости. Но именно такие истории потом и нужны на собеседовании.
Для меня важным было не просто узнать структуру «ситуация, задача, действия, результат», а понять, как в неё переводится академический опыт. Это может быть не только история про успешный проект, но и про неудачную гипотезу, проблемы в данных или необходимость балансировать между исследовательской новизной и техническими ограничениями. В таком виде академический опыт становится не пересказом исследования, а рассказом о том, как ты принимаешь решения и двигаешь работу вперёд.

Мне хотелось собрать эти наблюдения в один текст, потому что у людей с научным бэкграундом часто возникают одни и те же вопросы: насколько их опыт переносим, как о нём говорить и как готовиться к собеседованиям вне своего домена. Надеюсь, этот текст хотя бы частично поможет на них ответить 😅