Amazon¶
English · Русский · AI Interview Atlas › Компании
Бигтех · Международный · Этапы проверены 2026-10-05
Официальная страница Amazon описывает общий процесс TPM. Путь AI-продакта по-прежнему основан на вторичном гайде, а инженерные темы взяты из подборки. Общие этапы TPM не подтверждают отдельный AI-цикл.
На этой странице: Этапы интервью · Вопросы (12)
Роли¶
- AI-инженерия: AI/LLM-инженер
- AI-лидерство: AI-продакт-менеджер (от senior до group), Технический руководитель программ (TPM)
Этапы интервью¶
| Этап | Что происходит | Основание |
|---|---|---|
| Технический телефонный скрининг общего TPM-профиля Технический руководитель программ (TPM) |
Официальная подготовка TPM описывает 60-минутный скрининг с поведенческим, ситуационным и техническим обсуждением; возможен второй телефонный этап. Это общие рекомендации TPM, не процесс для AI-специалистов. | ✅ подтверждено компанией TPM Interview Prep, Amazon Jobs, проверено 2026-10-05 |
| Письменное задание и цикл интервью общего TPM-профиля Технический руководитель программ (TPM) |
Страница описывает письменное задание перед циклом из пяти интервью по 55 минут, включающим как минимум один вопрос по системному дизайну. Подготовка к управленческой части охватывает метрики, зависимости, эскалацию и компромиссы. Эти опубликованные этапы описывают общий путь TPM на дату чтения. | ✅ подтверждено компанией TPM Interview Prep, Amazon Jobs, проверено 2026-10-05 |
| Путь AI-продакт-менеджера | Скрининг с рекрутером об ownership и customer obsession, письменный ответ на одну-две страницы по принципам лидерства, продуктовые скрининги, затем финальный цикл из четырёх-пяти раундов: принципы лидерства с глубокими уточнениями, продуктовое мышление, оценка генеративного AI, system design для технических PM и Bar Raiser. | † гайд или подборка Amazon AI Product Manager Interview Guide, Aced (formerly Exponent), проверено 2026-09-26 |
| Вопросы для инженеров | Подборка относит к Amazon вопросы о реализации attention, стоимости serving, параллелизме, дизайне корпоративного RAG и диагностике роста задержки. | † гайд или подборка AI Engineering Interview Questions Company Wise, Outcome School, опубликовано 2026-09-19, проверено 2026-09-26 |
Кодинг: неизвестно. Сохранённые вторичные источники не подтверждают требование кодинга по правилам атласа. (Amazon AI Product Manager Interview Guide, Aced (formerly Exponent), проверено 2026-09-26, AI Engineering Interview Questions Company Wise, Outcome School, опубликовано 2026-09-19, проверено 2026-09-26)
Вопросы, о которых сообщали для Amazon¶
Основы LLM¶
- Выведите объём памяти KV-кеша декодера в зависимости от размера батча и длины контекста.
- Знания · Где спрашивали: Amazon †, OpenAI † · ✍ Ответ
- Что проверяет: Умение рассчитать размер кеша с учётом архитектуры.
- Сильный ответ покрывает:
- Для равных длин использовать 2 × батч × слои × токены × KV-головы × размер головы × байты.
- Объяснить, почему запросы не сохраняют для последующих шагов декодирования.
- Отдельно учесть веса, активации, padding и накладные расходы выделения памяти.
- Читать: Efficient Memory Management for Large Language Model Serving with PagedAttention (Kwon et al., arXiv) · GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints (Ainslie et al., arXiv)
Инференс, serving и стоимость¶
- Сравните tensor, pipeline, data, sequence и expert parallelism при развёртывании большой модели.
- Знания · Где спрашивали: Amazon †, Google и Google DeepMind †, Meta †
- Что проверяет: Умение выбирать по обмену данными и ограничениям памяти.
- Сильный ответ покрывает:
- Назвать, что делит каждая схема и какой обмен добавляет: all-reduce в каждом слое у TP, активации между стадиями у PP, обмен KV у SP, all-to-all у EP.
- Сначала уместить веса и KV: TP внутри NVLink-домена, PP между узлами, затем реплики data parallel без обмена ради пропускной способности.
- Измерить запас памяти на GPU, долю обмена во времени шага, простои конвейера и перекос нагрузки экспертов при целевой задержке.
- Читать: vLLM documentation (vLLM project) · Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity (Fedus et al., arXiv) · Efficiently Scaling Transformer Inference (Pope et al., arXiv) · Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism (Shoeybi et al., arXiv)
- Вам поручили снизить стоимость инференса на порядок. Расставьте меры по приоритету и объясните, как проверить достижимость цели.
- Прикладной сценарий · Где спрашивали: Amazon †, Microsoft † · ✍ Ответ
- Что проверяет: Умение оценить экономию при явных ограничениях качества и задержки.
- Сильный ответ покрывает:
- Измерить стоимость успешной задачи при нужном качестве и SLO.
- Сравнить меньшие модели, сокращение контекста, переиспользование, батчинг и точность.
- Измерить каждое изменение и проверить, достигается ли цель в совокупности.
- Читать: Optimizing inference (Hugging Face Transformers docs) · Site Reliability Engineering (Google)
- После релиза p99 задержки удвоился, хотя веса модели не менялись. Как локализовать причину?
- Прикладной сценарий · Где спрашивали: Amazon †, Databricks †, OpenAI †, Perplexity † · ✍ Ответ
- Что проверяет: Умение разделить ожидание, планирование, зависимости и изменения трафика.
- Сильный ответ покрывает:
- Сравнить состав трафика, время в очереди и задержки этапов до и после релиза.
- Проверить попадания в кеш, батчинг, хвосты зависимостей и насыщение ресурсов.
- Проверять гипотезы по одной и подтвердить причинность откатом или canary.
- Читать: The Tail at Scale (Dean and Barroso, Google Research)
Дизайн AI-систем¶
- Спроектируйте помощника по десяти миллионам корпоративных документов с индивидуальными правами и постоянно меняющимся корпусом.
- System design · Где спрашивали: Amazon †, Databricks †, Microsoft †, OpenAI † · ✍ Ответ
- Что проверяет: Умение связать загрузку, поиск, контроль доступа и обслуживание в рабочую систему.
- Сильный ответ покрывает:
- Уточнить объём запросов, свежесть и семантику прав до расчёта мощности.
- Разделить загрузку и версии индекса с проверкой прав и поиском во время запроса.
- Оценить обоснованность ответов и проверить отзыв прав, устаревание и частичные отказы.
- Читать: Document-level access control (Microsoft Learn) · Contextual Retrieval in AI Systems (Anthropic)
Практический кодинг¶
- Реализуйте scaled dot-product attention с causal mask и тестами, выявляющими доступ к будущим токенам.
- Кодинг · Где спрашивали: Amazon †, Anthropic †, Google и Google DeepMind † · ✍ Ответ
- Что проверяет: Умение корректно реализовать размерности, маскирование и численную устойчивость.
- Сильный ответ покрывает:
- Проверить размерности батча, последовательности и голов до вычисления scores.
- Использовать устойчивый softmax после маскирования запрещённых позиций.
- Проверить малые ручные примеры и неизменность ранних выходов при изменении будущих входов.
- Читать: Attention Is All You Need (Vaswani et al., arXiv)
Стратегия и метрики AI-продукта¶
- Выберите AI-агента или продукт, которым пользуетесь, и предложите самое полезное улучшение.
- Продуктовый кейс · Senior · Где спрашивали: Amazon † · ✍ Ответ
- Что проверяет: Основано ли продуктовое суждение на наблюдаемой проблеме и проверяемой гипотезе.
- Сильный ответ покрывает:
- Описать реальный сценарий и момент, в котором продукт подводит пользователя.
- Объяснить, почему выбранное улучшение важнее альтернатив.
- Определить прототип, критерий успеха и возможный негативный эффект.
- Читать: Measuring the User Experience on a Large Scale: User-Centered Metrics for Web Applications (Rodden, Hutchinson and Fu, Google Research)
Программы и delivery¶
- За три недели до запуска LLM-функции оценка выявила много галлюцинаций в пограничных сценариях. Что вы предпримете?
- Прикладной сценарий · Senior · Где спрашивали: Amazon † · ✍ Ответ
- Что проверяет: Принимаете ли вы решение о запуске на основе риска, а не любой ценой сохраняете дату.
- Сильный ответ покрывает:
- Проверить тяжесть, частоту, затронутых пользователей и надёжность оценки.
- Сравнить сужение объёма, проверку человеком, устранение причин и перенос запуска.
- Назначить владельца решения, критерии готовности и план коммуникаций.
- Читать: AI Risk Management Framework (NIST) · Demystifying evals for AI agents (Anthropic)
- Как вы организуете обновление устройств Alexa, уже установленных у пользователей дома?
- System design · Senior · Где спрашивали: Amazon † · ✍ Ответ
- Что проверяет: Учитываете ли вы разнообразие устройств, прерывания обновлений и безопасный выпуск.
- Сильный ответ покрывает:
- Уточнить состав обновления, совместимость, связь и неудобства для пользователей.
- Предусмотреть контролируемые группы, проверки состояния и восстановление после установки.
- Определить условия приостановки, ответственность за откат и взаимодействие с поддержкой.
- Читать: Site Reliability Engineering (Google)
Поведенческие вопросы и ценности¶
- Расскажите о случае, когда вы были не согласны с человеком, но не смогли его убедить.
- Поведенческий · Senior · Где спрашивали: Amazon † · ✍ Ответ
- Что проверяет: Умеете ли вы конструктивно работать после того, как вашу позицию не приняли.
- Сильный ответ покрывает:
- Честно изложить обе позиции и свои аргументы.
- Описать принятие решения и поддержку согласованных действий.
- Объяснить результат, границы обязательств и сделанные выводы.
- Читать: Leadership Principles (Amazon Jobs)
- Расскажите о замеченной вами возможности, выходившей за первоначальные рамки задачи.
- Поведенческий · Senior · Где спрашивали: Amazon †
- Что проверяет: Умеете ли вы увидеть более широкую пользу и обосновать расширение работы.
- Сильный ответ покрывает:
- Выбрать возможность, замеченную изнутри порученной работы, и объяснить, что сделало её видимой именно вам.
- Показать, как вы оценили дополнительную пользу против затрат и кто согласился до расширения рамок.
- Закончить тем, выполнена ли исходная задача и какой в итоге оказалась более широкая польза.
- Читать: Leadership Principles (Amazon Jobs)
- Расскажите об AI-решении, за которое вы отвечали и которое имело существенные последующие последствия.
- Поведенческий · Senior · Где спрашивали: Amazon †
- Что проверяет: Учитываете ли вы последствия за пределами собственного результата работы.
- Сильный ответ покрывает:
- Выбрать решение, последствия которого вышли за пределы команды: на пользователей, операторов, смежные системы или партнёров.
- Показать, какие косвенные последствия вы предвидели, какие упустили и как взвешивали их в момент решения.
- Закончить тем, как вы отслеживали последствия после запуска и что изменили в ответ.
- Читать: AI Risk Management Framework (NIST)