Hiring GenAI Engineers-க்கான தரவு மாதிரி மற்றும் schema-வை வடிவமைத்தல்

அறிமுகம்

நீங்கள் GenAI பொறியாளர்களை பணியமர்த்தும்போது, கோடிங் சுற்று பெரும்பாலும் உங்கள் சுழற்சியில் மிகவும் பலவீனமான சமிக்ஞையாக இருக்கும் — புரொடக்ஷன் LLM பொறியியலில் வலுவான வேட்பாளர்கள் ஒரு பொதுவான அல்காரிதம் புதிரில் தோல்வியடையலாம், மேலும் தன்னம்பிக்கையுள்ள பொதுவாளர்கள் (generalists) உங்கள் குழு உண்மையில் ஷிப் செய்யும் கோடின் ஒரு வரியைக் கூட எழுதாமலேயே தேர்ச்சி பெறலாம். இந்தச் சுற்றைத் தவறாகச் செய்தால், உங்களுக்கு மிகவும் தேவையான நபர்களை நீங்கள் நிராகரிக்கிறீர்கள் அல்லது முதல் ஸ்பிரிண்டிலேயே தோல்வியடையக்கூடிய நபர்களுக்கு ஆஃபர்களை வழங்குகிறீர்கள். இந்தப் பாடத்தின் முடிவில், கோடிங் சுற்று ஒரு வெளிப்படையான திறனுடன் (competency) மேப் செய்யப்பட்டு, சுழற்சியின் மற்ற பகுதிகளுக்கு எதிராக எடை (weight) அளிக்கப்பட்டு, மோசமான பணியமர்த்தல்களாக மாறுவதற்கு முன்பே வடிவமைப்பு இடைவெளிகளைப் பிடிக்கும் கவரேஜ் சோதனைகளுடன் கருவியமைக்கப்பட்ட ஒரு பல-சுற்று நேர்காணல் சுழற்சியை நீங்கள் வடிவமைக்க முடியும்.

முக்கிய சொற்கள்

• திறன் அணி (Competency matrix): ஒரு பணிப்பதவிக்குத் தேவையான திறன் பரிமாணங்களின் வெளிப்படையான பட்டியல்; ஒவ்வொரு நேர்காணல் சுற்றும் அது மதிப்பிடப் பொறுப்பான ஒரு முதன்மைப் பரிமாணத்துடன் மேப் செய்யப்படுகிறது.
• கவரேஜ் (Coverage): அணியில் உள்ள ஒவ்வொரு திறன் பரிமாணமும் குறைந்தது ஒரு சுற்றால் மதிப்பிடப்படுகிறது என்ற பண்பு; எந்தச் சுற்றும் ஒதுக்கப்படாத ஒரு திறன் என்பது பணியமர்த்தலில் ஒரு குருட்டுப் புள்ளி (blind spot).
• சுற்று எடை (Round weight): இறுதி பணியமர்த்தல்/நிராகரிப்பு முடிவில் ஒரு சுற்றின் பங்களிப்பின் மீதான எண் பெருக்கி; "இந்தச் சுற்று அதிக முக்கியத்துவம் வாய்ந்தது" என்ற மறைமுகத் தீர்ப்புகளை வெளிப்படையானதாகவும் மதிப்பாய்வு செய்யக்கூடியதாகவும் மாற்றப் பயன்படுகிறது.

கருத்துகள்

ஒரு நேர்காணல் சுழற்சியின் வடிவமைப்பு அலகு திறன் அணி (competency matrix) ஆகும்: பணிப்பதவிக்குத் தேவையான திறன் பரிமாணங்களின் வெளிப்படையான பட்டியல், ஒவ்வொரு சுற்றும் அது முதன்மையாக மதிப்பிடப் பொறுப்பான சரியாக ஒரு பரிமாணத்துடன் மேப் செய்யப்படுகிறது. GenAI பொறியியல் பணியமர்த்தல்களுக்கு, ஆறு பரிமாணங்கள் பணிப்பதவியின் உண்மையான பரப்பளவை உள்ளடக்குகின்றன — கோடிங் அடிப்படைகள், சிஸ்டம் டிசைன், LLM டொமைன் அறிவு, மதிப்பீட்டு முறையியல், ஒத்துழைப்பு மற்றும் தொடர்பு, மற்றும் புரொடக்ஷன் பொறியியல். ஒரு சுற்று அருகிலுள்ள பரிமாணங்களில் இரண்டாம் நிலை சமிக்ஞையை உருவாக்கலாம், ஆனால் ஒவ்வொரு பரிமாணத்திற்கும் அதைச் சொந்தமாகக் கொண்ட ஒரு — மற்றும் ஒரே ஒரு — சுற்று இருக்க வேண்டும்.

இரண்டு பண்புகள் அணியை அலங்காரமானதாக அல்லாமல் பயனுள்ளதாக ஆக்குகின்றன. கவரேஜ் என்பது ஒவ்வொரு பரிமாணத்தையும் மதிப்பிடும் குறைந்தது ஒரு சுற்று இருக்கிறது என்ற பண்பு; உள்ளடக்கப்படாத எந்தப் பரிமாணமும் தவறான பணியமர்த்தலாக மாறக் காத்திருக்கும் ஒரு குருட்டுப் புள்ளி. முதன்மைகளில் மேலெழுதல் இல்லாமை (No-overlap on primaries) என்பது இரண்டு சுற்றுகள் ஒரே முதன்மைப் பரிமாணத்தைக் கோரக்கூடாது என்ற பண்பு; மேலெழுதல் நேர்காணலர் நேரத்தை வீணடிக்கிறது மற்றும் சமிக்ஞையைச் சேர்க்காமல் சுழற்சி நீளத்தை அதிகரிக்கிறது. கீழே உள்ள Code Walkthrough இரண்டு பண்புகளையும் இயக்கக்கூடிய சோதனைகளாகக் குறியீடாக்குகிறது, இதனால் வடிவமைப்பு ஒவ்வொரு முறையும் ஒரே வழியில் சரிபார்க்கப்படுகிறது, ஒவ்வொரு பணியமர்த்தல் தொடக்கக் கூட்டத்திலும் மீண்டும் விவாதிக்கப்படுவதில்லை.

மூன்றாவது கருத்து, சுற்று எடை (round weight), ஒவ்வொரு சுற்றும் இறுதி முடிவுக்கு எவ்வளவு பங்களிக்கிறது என்பதைப் பிடிக்கிறது. ஒவ்வொரு சுற்றையும் சம எடையில் விட்டுவிடுவது, கலாச்சார உரையாடலை AI சிஸ்டம் டிசைன் சுற்றுடன் அமைதியாகச் சமப்படுத்துகிறது, இது ஒரு பணியமர்த்தல் குழு உண்மையில் நம்புவது அரிதாகவே இருக்கும். எடையைப் பெயரிடுவது உரையாடலை மதிப்பாய்வு செய்யக்கூடிய வெளிப்படையான இடத்திற்குக் கட்டாயப்படுத்துகிறது.

ஒரு நேர்காணல் சுழற்சியை வடிவமைப்பது என்பது ஒரு மீண்டும் மீண்டும் நிகழும் கவரேஜ்-மற்றும்-அளவுத்திருத்த (calibration) சுழற்சி ஆகும்:

Code Walkthrough

கருத்துகள் பகுதியில் உள்ள திறன் அணியின் அடிப்படையில், இந்தப் பகுதி அணியை இயக்கக்கூடிய கோடாக மாற்றுகிறது, இதனால் கவரேஜ் பகுப்பாய்வு யாரும் மீண்டும் படிக்காத ஒரு விக்கி பக்கத்தில் இருப்பதற்குப் பதிலாக தானாகவே இயங்குகிறது. கீழே உள்ள துணுக்கு திறன் enum, சுற்று dataclass மற்றும் சுழற்சி-நிலை கவரேஜ் முறைகளை ஒரு தன்னிறைவான எடுத்துக்காட்டாக இணைக்கிறது.

Code snippetpython
1from dataclasses import dataclass, field
2from enum import Enum
3
4class CompetencyArea(Enum):
5    CODING = "coding_fundamentals"
6    SYSTEM_DESIGN = "system_design"
7    LLM_KNOWLEDGE = "llm_domain_knowledge"
8    EVALUATION = "evaluation_methodology"
9    COLLABORATION = "collaboration_communication"
10    PRODUCTION = "production_engineering"
11
12@dataclass
13class InterviewRound:
14    name: str
15    duration_minutes: int
16    primary_competency: CompetencyArea
17    secondary_competencies: list[CompetencyArea] = field(default_factory=list)
18    weight: float = 1.0
19
20@dataclass
21class InterviewLoop:
22    role_title: str
23    rounds: list[InterviewRound] = field(default_factory=list)
24
25    def coverage_report(self) -> dict[str, list[str]]:
26        coverage = {area.value: [] for area in CompetencyArea}
27        for r in self.rounds:
28            coverage[r.primary_competency.value].append(f"{r.name} (primary)")
29            for sc in r.secondary_competencies:
30                coverage[sc.value].append(f"{r.name} (secondary)")
31        return coverage
32
33    def identify_gaps(self) -> list[str]:
34        return [a for a, rs in self.coverage_report().items() if not rs]

• CompetencyArea GenAI பணியமர்த்தல் உள்ளடக்க வேண்டிய ஆறு பரிமாணங்களைப் பெயரிடுகிறது, பொதுவான "தொழில்நுட்பம் / நடத்தை" பிரிவைக் கடந்து, ஒவ்வொரு சுற்றுக்கும் மதிப்பிடுவதற்கான ஒரு குறிப்பிட்ட திறன் இருக்கும்படி செய்கிறது.
• InterviewRound சுற்றின் முதன்மைத் திறன், எந்த இரண்டாம் நிலை சமிக்ஞைகளையும், மற்றும் பணியமர்த்தல் முடிவு அதை எவ்வளவு சார்ந்துள்ளது என்பதைக் குறியீடாக்கும் ஒரு weight-ஐயும் பிடிக்கிறது — மறைமுகத் தீர்ப்புகளை வெளிப்படையானதாகவும் மதிப்பாய்வு செய்யக்கூடியதாகவும் ஆக்குகிறது.
• InterviewLoop.coverage_report ஒவ்வொரு திறனையும் அதை மதிப்பிடும் சுற்றுகளுடன் மேப் செய்கிறது, இதனால் மேலெழுதல் (கோடிங்கில் முதன்மையாக இரண்டு சுற்றுகள்) ஒரே பார்வையில் தெரிகிறது.
• InterviewLoop.identify_gaps பூஜ்ஜிய கவரேஜ் உள்ள எந்தத் திறனையும் கொடியிடுகிறது, வடிவமைப்புப் பிழைகள் பணியமர்த்தல் தவறுகளாக மாறுவதற்கு முன்பே அவற்றைப் பிடிக்கிறது.

identify_gaps() ஒரு வெற்றுப் பட்டியலைத் திருப்பி அளித்து, மேலும் எந்தத் திறனும் ஒன்றுக்கு மேற்பட்ட (primary) பதிவுடன் தோன்றாதபோது அது வேலை செய்கிறது என்பதை நீங்கள் அறிவீர்கள் — ஒவ்வொரு பரிமாணமும் சரியாக ஒரு முறை உள்ளடக்கப்பட்டுள்ளது.

துறை பயன்பாடு

செய்ய வேண்டியவை மற்றும் செய்யக்கூடாதவை

இப்போது நீங்கள் செயலாக்கத்தைக் கடந்து வந்துவிட்டீர்கள், கீழே உள்ள நடைமுறைகள் ஒரு நீடித்த அணுகுமுறையை ஒரு பலவீனமான அணுகுமுறையிலிருந்து பிரிக்கின்றன.

செய்ய வேண்டியவை

1. முதலில் திறன் அணியை வரையறுக்கவும், பின்னர் இரண்டாம் நிலை கவரேஜைச் சேர்ப்பதற்கு முன் ஒவ்வொரு சுற்றையும் சரியாக ஒரு முதன்மைத் திறனுடன் மேப் செய்யவும்.
2. சுழற்சி வரையறைக்கு எதிராக identify_gaps()-ஐ இயக்கி, முதல் வேட்பாளரைத் திட்டமிடுவதற்கு முன் உள்ளடக்கப்படாத எந்தத் திறனையும் தீர்க்கவும்.
3. ஒவ்வொரு சுற்றையும் மதிப்பிடப்படும் திறனுடன் பொருந்தும் பணிப்பதவியைக் கொண்ட ஒரு நேர்காணலருக்கு ஒதுக்கவும் (எ.கா., LLM ஆழமான ஆய்வுக்கு ML Lead, தற்செயலாகக் கிடைக்கும் ஒரு பொறியாளர் அல்ல).

செய்யக்கூடாதவை

1. இரண்டு சுற்றுகள் ஒரே முதன்மைத் திறனைப் பகிர்ந்து கொள்ள அனுமதிக்காதீர்கள் — மேலெழுதல் நேர்காணலர் நேரத்தை வீணடிக்கிறது மற்றும் சமிக்ஞையைச் சேர்க்காமல் சுழற்சி நீளத்தை அதிகரிக்கிறது.
2. திறன் அணியைப் புதுப்பிக்காமல் ஒரு சுற்றைச் சேர்க்காதீர்கள்; ஆவணப்படுத்தப்படாத சுற்றுகள் ஏற்கனவே உள்ள கவரேஜை நகலெடுப்பதில் அல்லது அளவிடக்கூடிய எதையும் மதிப்பிடாமல் இருப்பதில் சறுக்குகின்றன.
3. சுற்று எடைகளை அலங்காரமானதாகக் கருதாதீர்கள் — ஒவ்வொரு சுற்றையும் weight=1.0-இல் விட்டுவிடுவது இறுதி முடிவில் கலாச்சாரச் சுற்றை AI சிஸ்டம் டிசைன் சுற்றுடன் சமமாகக் கணக்கிடச் செய்கிறது.