Saltar al contenido
Aethel

Entrevista con IA para ciencia de datos y machine learning

Actualizado en noviembre de 2026

Las entrevistas de datos y machine learning giran alrededor de una pregunta: ¿cómo supo que el resultado era correcto? Una entrevista con IA le va a preguntar por datos sucios, por cómo validó un modelo, por un experimento que lo sorprendió y por lo que pasó cuando un modelo llegó a producción. Aquí está lo que puede esperar, dos ejemplos resueltos, los errores más comunes y práctica gratuita en su nivel.

Practicar preguntas de datos y ML gratis

Esta guía y la práctica para su rol están en español. La inscripción y la página de resultados de Aethel están en inglés, y la entrevista la puede hacer en español: lo elige justo antes de empezar.

Qué preguntan las entrevistas con IA en datos y machine learning

  1. Validación

    “¿Cómo probó un modelo antes de que alguien dependiera de él?”

    Lo que se escucha: Un conjunto de prueba que imite cómo se usará el modelo (muchas veces separado por tiempo), una línea base que superar y una métrica elegida por la decisión, no por costumbre.

  2. Un resultado demasiado bueno

    “Cuénteme de una vez que un modelo parecía demasiado bueno. ¿Qué estaba mal?”

    Lo que se escucha: La fuga de datos que encontró (una variable del futuro, registros duplicados entre entrenamiento y prueba, el objetivo escondido en un id) y cómo la detectó.

  3. Experimentos

    “Describa una prueba A/B cuyo resultado lo sorprendió. ¿Cómo lo interpretó?”

    Lo que se escucha: Tamaño de muestra, la métrica fijada antes de la prueba, el efecto novedad o la estacionalidad, y qué se decidió.

  4. Datos en los que no podía confiar

    “¿Qué hizo cuando los datos que necesitaba faltaban, tenían sesgo o estaban mal?”

    Lo que se escucha: Cómo se dio cuenta, qué hizo en lugar de descartarlos y qué efecto tuvo en el resultado.

  5. Modelos en producción

    “Un modelo empeoró después del lanzamiento. ¿Cómo se enteró y qué hizo?”

    Lo que se escucha: El monitoreo que tenía (o el que le habría gustado tener), deriva de datos frente a un error del pipeline, y el arreglo.

  6. Simple frente a complejo

    “¿Cuándo un método simple le ganó a uno complejo?”

    Lo que se escucha: Una comparación justa con los mismos datos, y el costo de la opción compleja en tiempo, dinero o mantenimiento.

  7. Explicar la incertidumbre

    “¿Cómo le explica un pronóstico con un rango amplio a alguien que quiere un solo número?”

    Lo que se escucha: Un caso real, las palabras que usó y qué hizo esa persona con la información.

Ejemplo resuelto: tiempos de entrega con GPS incompleto

Cada ejemplo muestra una respuesta débil y una fuerte a la misma pregunta. Las líneas “Con las reglas de Aethel” aplican las reglas de calificación publicadas de Aethel, un ejemplo concreto de cómo una entrevista con IA puede evaluar una respuesta.

Ejemplo inventadoEscrito por Aethel para mostrar la diferencia. No es una persona real y la IA no lo calificó.

Pregunta: “¿Qué hizo cuando los datos que necesitaba faltaban, tenían sesgo o estaban mal?”

Respuesta débil

“Los datos tenían muchos problemas, valores faltantes y cosas raras. Limpié todo con pandas, eliminé los registros incompletos y después entrené el modelo. Quedó con buena precisión y el equipo de negocio quedó contento.”

Por qué es débil: No dice qué datos, de qué tamaño ni qué tenían de raro, y eliminar registros incompletos sin preguntar por qué faltaban es justo una de las señales de alerta que escucha un entrevistador. "Buena precisión" y "quedó contento" no son resultados.

Con las reglas de Aethel: Situación 0, razonamiento 0, resultado 1: 1 de 8 puntos, y sin un caso específico el área llega como máximo a 60 en la escala de Aethel.

Respuesta fuerte

“En una app de delivery en Lima, con unos 40.000 pedidos al día, construí el modelo que estima el tiempo de entrega que ve el cliente. Al revisar los datos antes de modelar, vi que un 12 por ciento de los viajes no tenía puntos de GPS en el tramo final, y que se concentraban en distritos con edificios altos, donde los pedidos además tardaban más. Si eliminaba esos viajes, el modelo aprendería con los pedidos fáciles y prometería tiempos demasiado cortos justo en las zonas difíciles. En lugar de eso, usé como dato de llegada la hora en que el repartidor marcaba "entregado" en la app, que estaba en el 99 por ciento de los viajes, y agregué una variable que indicaba si el GPS tenía huecos. Lo probé con las últimas seis semanas, separadas por tiempo, contra el estimado anterior, que era un promedio por distrito. El error absoluto medio bajó de 11 a 7 minutos, y en los distritos con edificios altos los reclamos por pedidos atrasados bajaron un 22 por ciento el mes siguiente, según el equipo de atención al cliente.”

Por qué es fuerte: Revisa los datos antes de confiar en ellos, encuentra un patrón en lo que falta y entiende por qué eliminarlo sesgaría el modelo. Reemplaza el dato con otro que sí existe, valida separando por tiempo contra una línea base justa y mide el efecto en una decisión real, confirmado por otro equipo.

Con las reglas de Aethel: Situación 2, razonamiento 2, resultado 2: 6 de 8 puntos, que en la escala fija de Aethel son 87. Un puntaje real puede ser distinto.

Lo que viene después: Repregunta probable: ¿qué tan confiable es la hora en que el repartidor marca "entregado"? Tenga lista la comprobación que hizo, por ejemplo contra los viajes que sí tenían el GPS completo.

Ejemplo resuelto: una regresión que le ganó al modelo complejo

Ejemplo inventadoEscrito por Aethel para mostrar la diferencia. No es una persona real y la IA no lo calificó.

Pregunta: “¿Cuándo un método simple le ganó a uno complejo?”

Respuesta débil

“En un proyecto probé varios modelos, como regresión logística, random forest y redes neuronales, y al final la regresión logística funcionó casi igual de bien. Así que nos quedamos con la más simple, porque siempre es mejor tener modelos interpretables.”

Por qué es débil: Nombra algoritmos pero no el problema, los datos ni la métrica, así que "casi igual de bien" no se puede evaluar. La última oración es una regla general; la decisión real depende de cuánto vale cada punto de diferencia, y eso es lo que el entrevistador va a preguntar.

Con las reglas de Aethel: Situación 1, razonamiento 1, resultado 0: 2 de 8 puntos, y sin un caso específico el área llega como máximo a 60 en la escala de Aethel.

Respuesta fuerte

“En una cadena de farmacias en Colombia, con unas 350 tiendas, me pidieron reemplazar la regla que decidía qué productos trasladar entre tiendas antes de que vencieran. El equipo esperaba un modelo de gradient boosting, y lo construí, pero antes armé una línea base simple: una regresión con las ventas de las últimas ocho semanas y la fecha de vencimiento. En una prueba con los últimos tres meses, separados por tiempo, el gradient boosting acertaba en el 81 por ciento de los productos que terminaban vencidos y la regresión en el 78. Calculé cuánto valían esos 3 puntos: unos 9 millones de pesos al mes en producto salvado, frente a un pipeline nuevo que había que recalcular cada noche y que nadie del equipo de logística sabía revisar. Propuse lanzar la regresión, con sus coeficientes visibles para los jefes de tienda, y dejar el modelo complejo para una segunda etapa si la diferencia crecía. Después de cuatro meses, la merma por vencimiento bajó un 31 por ciento, y los jefes de tienda aceptaban el 85 por ciento de los traslados sugeridos porque entendían por qué se los pedían.”

Por qué es fuerte: La comparación es justa (los mismos datos, la misma separación por tiempo), la diferencia se traduce a dinero y se pone frente a un costo concreto, y la decisión considera a las personas que van a usar el resultado. El resultado se sigue durante meses e incluye si la gente confió en él, que es parte de que un modelo funcione.

Con las reglas de Aethel: Situación 2, razonamiento 2, resultado 3: 7 de 8 puntos, que en la escala fija de Aethel son 91. Un puntaje real puede ser distinto.

Lo que viene después: Prepárese para: ¿qué haría si dentro de un año la diferencia entre los dos modelos fuera de 10 puntos? Decir qué número lo haría cambiar de opinión muestra que la decisión no fue por gusto.

Errores comunes en las respuestas de datos y ML

  • Reportar la exactitud y nada más. Con datos desbalanceados, la exactitud (accuracy) esconde todo. Diga qué métrica servía para la decisión, como el recall con una precisión fija, y por qué.
  • Separar al azar cuando el problema es en el tiempo. Si el modelo predice el futuro, pruébelo con datos posteriores a los del entrenamiento. Los entrevistadores escuchan esto.
  • Borrar datos sucios sin preguntar por qué. Los valores faltantes o raros casi siempre significan algo. Diga qué significaban antes de decir qué hizo con ellos.
  • Nombrar algoritmos en lugar de decisiones. "Usé XGBoost" no es una razón. Una comparación justa con una línea base simple, en la misma separación, sí lo es.
  • Terminar sin una decisión. Un análisis que nadie usó es media historia. Diga qué se decidió, o por qué no se decidió nada.
  • Esconder la incertidumbre. Los intervalos, los rangos y los límites de sus datos son parte de una respuesta fuerte, no una debilidad que haya que ocultar.

Números que conviene tener a mano

Un entrevistador ubica un caso por sus números. Búsquelos para cada uno de sus casos antes de la entrevista; redondeados sirven:

  • Filas, usuarios o eventos en sus datos de entrenamiento, y el período que cubren
  • La línea base con la que comparó, y su resultado en el mismo conjunto de prueba
  • La métrica que eligió para la decisión, con su valor antes y después
  • Para un experimento: usuarios por grupo, cuánto duró y el intervalo alrededor del efecto
  • Latencia, costo o frecuencia de actualización de un modelo en producción
  • La decisión que cambió su trabajo, con su tamaño: dinero, tiempo, inventario o personas

Practique gratis

Elija un nivel, escriba una respuesta a cada pregunta y lea la revisión rápida después de cada una. Es gratis, no necesita cuenta, no se guarda nada y no es un puntaje.

Preguntas de analistas, científicos de datos e ingenieros de ML

¿Una entrevista con IA me va a hacer preguntas de estadística o de SQL?

Algunas herramientas incluyen una prueba escrita o de programación, así que pregunte. La entrevista de Aethel pregunta por su propio trabajo: cómo revisó los datos, cómo validó un modelo y cómo explicó un resultado. La estadística aparece en su razonamiento, no como examen.

Soy analista de datos, no ingeniero de ML. ¿Esta guía me sirve?

Sí. Cambie el modelo por el análisis o el dashboard: cómo supo que los números estaban bien, quién los usó y qué cambió. Las preguntas de validación aplican a una consulta SQL tanto como a un modelo.

¿Puedo hablar de un proyecto de Kaggle, de un bootcamp o de la universidad?

Sí, sobre todo en nivel junior. Diga qué hizo más allá del notebook de partida: un esquema de validación, una variable que probó y descartó, un error que encontró. Aclare que fue una competencia o un curso.

¿Cómo hablo de modelos sin compartir datos privados?

Describa los datos por su forma y su tamaño (unos 40.000 pedidos al día, 25 variables, dos años) y redondee los resultados. El entrevistador necesita el método y las comprobaciones, no los números que su empresa guarda en privado.

Más guías

In English: AI interview prep for data scientists and ML engineers