Il colloquio si è svolto in un clima molto tranquillo, con un'interazione cordiale da parte dell'intervistatore. Fin da subito, è stato chiaro l'intento di mettere a proprio agio il candidato: l'intervistatore ha spesso utilizzato espressioni rassicuranti come "Oh yes, that was perfect" o "Yes, perfect", sottolineando che eventuali interruzioni erano dovute solo alla necessità di procedere velocemente e non a risposte inadeguate.
Se da un lato questo approccio ha contribuito a creare un ambiente meno stressante, dall'altro ha trasmesso una sensazione ambigua: sembrava che il colloquio stesse andando bene e che il superamento della fase tecnica fosse probabile. Tuttavia, l'esito è stato negativo, lasciando la percezione di un disallineamento tra il tono rassicurante del colloquio e la valutazione finale.
Un suggerimento per migliorare l'esperienza del candidato potrebbe essere quello di mantenere un tono incoraggiante senza però creare aspettative poco realistiche. Un equilibrio tra supporto e trasparenza aiuterebbe a garantire un feedback più coerente con l'esito finale.
Preguntas de entrevista [1]
Pregunta 1
Alcune delle domande:
Cosa significa time series windowing e quali sono i suoi vantaggi?
Quali sono le principali differenze tra ARIMA e SARIMA?
Come si possono incorporare caratteristiche nei modelli di serie temporali (es. embedded features)?
Quali metriche si possono usare per valutare un modello di serie temporali?
Come funziona la scomposizione delle serie temporali (trend, stagionalità, residuo)?
Quali sono le differenze tra intervalli di confidenza e intervalli di previsione?
Quali metriche utilizzeresti per confrontare due distribuzioni? (Es. KL Divergence, Wasserstein Distance).
Come funziona un A/B test? Cos’è il shadow testing?
Come si costruisce un intervallo di confidenza? E come si confronta con un intervallo di previsione?
Qual è il principio alla base della riduzione della dimensionalità? (PCA, t-SNE, autoencoder, VAE).
Cos’è il boosting e il bagging? Quali sono le principali differenze?
Come funziona ensemble learning? Quali sono le differenze tra stacking, boosting e bagging?
Cos’è la regressione logistica e come funziona?
Come si sceglie il valore ottimale della soglia di decisione in un classificatore? (Precision-Recall tradeoff, ROC Curve).
Come funzionano le CNN, GNN e Transformers? Quali sono le differenze tra di loro?
Cos’è il meccanismo di attenzione e come si applica nei modelli XAI (Explainable AI)?
Quali sono i principali vantaggi e svantaggi dell’uso dei Transformers rispetto alle RNN?
Quali sono le principali metriche di valutazione per un modello di classificazione e regressione?
Come si possono bilanciare bias e varianza in un modello di machine learning?
Come si può ottimizzare un modello per evitare overfitting e underfitting?
Quali sono le principali tecniche di regularizzazione? (L1, L2, dropout, batch normalization).
Cosa sono e come si utilizzano le feature embeddings?
Come si può gestire la mancanza di dati nei dataset?
Quali tecniche possono essere utilizzate per gestire feature categoriali?
Come si può gestire dataset sbilanciati in un problema di classificazione?
Qual è la differenza tra inferenza frequentista e bayesiana?
Cos’è la Bayes’ Theorem e come si applica nei modelli di machine learning?
Come funziona un modello generativo bayesiano come un VAE?
Applied for Amazon AGI. After first round, it will go into full round of multiple interviews. Lots of modern LLM training technic questions. There are still some behavioral questions, but less than general Amazon roles.
Interviewed with 1 phone screen, 1 coding, 2 ml design and 2 lp rounds. Most questions were non-leetcode questions more related to day to day ml implementations. The questions were very practical.
Envié una solicitud electrónica. El proceso duró 1 semana. Acudí a una entrevista en Amazon (Tokio) en abr 2026
Entrevista
The interview for the Applied Scientist position primarily focused on three core components: technical questions regarding machine learning, a live coding assessment, and a detailed review of my professional experience.