کمپنی کے لحاظ سے AI انجینئرنگ انٹرویو سوالات کے ذخیرے کو استعمال کرنے کا طریقہ

یہ منصوبہ کیا فراہم کرتا ہے

AI Engineering Interview Questions Company Wise ایک مرتب کردہ تیاری کا ذریعہ ہے جس میں 35 کمپنیوں سے عوامی طور پر رپورٹ کیے گئے انٹرویو سوالات شامل ہیں۔ سوالات کو بار بار آنے والے تکنیکی موضوعات اور کمپنی، دونوں کے لحاظ سے منظم کیا گیا ہے، جس سے عام توقعات کی نشاندہی کرنا اور کسی مخصوص انٹرویو مرحلے کے لیے تیاری کرنا آسان ہو جاتا ہے۔

یہ ریپوزٹری AI Engineer، Generative AI Engineer، LLM Engineer، Agentic AI Engineer، Machine Learning Engineer، Research Engineer، Applied Scientist، Forward Deployed Engineer، AI Solutions Architect، AI Platform Engineer، MLOps Engineer، اور LLMOps Engineer جیسے عہدوں کے لیے متعلقہ ہے۔

یہ سوالات عوامی انٹرویو تجربات سے مرتب کیے گئے ہیں۔ انٹرویو کے مراحل ٹیم، سینیارٹی، خطے اور وقت کے لحاظ سے مختلف ہوتے ہیں، اس لیے اس مجموعے کو عین اسکرپٹ کے بجائے تیاری کے نقشے کے طور پر استعمال کیا جانا چاہیے۔

اہم خصوصیات

• کمپنی کے لحاظ سے تنظیم: جدید AI لیبز، بڑی ٹیکنالوجی کمپنیوں، انفراسٹرکچر فراہم کنندگان، AI پر مبنی مصنوعات بنانے والی کمپنیوں اور انٹرپرائز AI تنظیموں سے متعلق سوالات دیکھیں۔
• مختلف کمپنیوں کے مشترکہ موضوعات: دہرائے گئے سوالات کا مطالعہ کرنے کے بجائے ان سوالات سے آغاز کریں جو متعدد آجر کمپنیوں میں بار بار آتے ہیں۔
• عہدوں کا احاطہ: تحقیق، اطلاقی AI، پلیٹ فارم، inference، agent، solutions اور operational عہدوں کے لیے تیاری کریں۔
• رپورٹ کیا گیا انٹرویو سیاق: کمپنی کے حصے شامل عہدوں، عوامی طور پر رپورٹ کیے گئے انٹرویو مراحل اور کمپنی سے متعلق مخصوص موضوعات بیان کرتے ہیں۔
• لنک شدہ وضاحتیں: بہت سے سوالات میں ایسے مضامین یا ویڈیوز کے لنکس شامل ہیں جن میں جواب یا مزید تفصیلی وضاحت موجود ہے۔
• مسلسل اپ ڈیٹس: منتظمین کے مطابق وہ سوالات اور جوابات شامل کرتے رہیں گے۔

شامل موضوعات

مشترکہ سوالات کا حصہ AI انجینئرنگ کے بڑے شعبوں میں تقسیم کیا گیا ہے۔ ان شعبوں کو اپنے مطالعاتی منصوبے کی بنیاد کے طور پر استعمال کریں۔

LLM کے اندرونی اجزا اور فن تعمیر

اس حصے میں attention، KV caches، MQA، GQA، MLA، FlashAttention، tokenization، positional encoding، RoPE، scaling laws، mixture-of-experts models، normalization، transformer feed-forward networks اور decoding strategies شامل ہیں۔

نمائندہ سوالات میں شامل ہیں:

• scaled dot-product attention میں 1/sqrt(d_k) کا عامل کیوں استعمال کیا جاتا ہے؟
• بڑے پیمانے پر KV cache کے میموری سے متعلق کیا اثرات ہوتے ہیں؟
• FLOPs کم کیے بغیر FlashAttention زیادہ تیز کیوں ہو سکتا ہے؟
• greedy decoding، beam search، top-k، top-p اور temperature sampling ایک دوسرے سے کیسے مختلف ہیں؟
• decoder-only transformer کے forward pass کے دوران ہر tensor کے ساتھ کیا ہوتا ہے؟

Inference، Serving اور GPU کارکردگی

یہ زمرہ LLMs کو مؤثر انداز میں deploy کرنے پر مرکوز ہے۔ اس میں prefill اور decode کا رویہ، continuous batching، PagedAttention، speculative decoding، prompt caching، quantization، parallelism، latency metrics، GPU capacity estimates اور serving frameworks شامل ہیں۔

آپ کو تعریفوں کے ساتھ ساتھ operational trade-offs پر بھی گفتگو کے لیے تیار رہنا چاہیے۔ مثال کے طور پر، انٹرویو لینے والا deployment کے بعد p99 latency کے دوگنا ہونے کی وجہ معلوم کرنے یا 70-billion-parameter ماڈل کو serve کرنے کے لیے درکار میموری کا اندازہ لگانے کو کہہ سکتا ہے۔

RAG اور Retrieval

ریٹریول کے حصے میں chunking، sparse اور dense retrieval، hybrid search، reranking، retrieval evaluation، HyDE، agentic RAG، approximate nearest-neighbor indexes، permission-aware retrieval، index freshness، document parsing اور citation attribution شامل ہیں۔

Agents اور Tool Use

Agents سے متعلق سوالات ReAct، tool calling، MCP، retries، timeouts، tool schemas، multi-agent orchestration، memory، loop termination، human approval، auditability اور طویل عرصے تک چلنے والے agents کے drift کا جائزہ لیتے ہیں۔

Fine-Tuning اور Alignment

اس حصے میں RLHF، PPO، DPO، GRPO، LoRA، QLoRA، prompt اور prefix tuning، catastrophic forgetting، verifiable rewards کے ساتھ RL، reward hacking اور knowledge distillation شامل ہیں۔

Evaluation اور Observability

Evaluation سے متعلق سوالات LLM-as-judge systems، محدود ground truth، مہنگے expert labels، hallucination detection اور یہ فیصلہ کرنے کے regression gates سے متعلق ہیں کہ model یا prompt میں تبدیلیاں جاری کی جانی چاہییں یا نہیں۔

رسائی اور سیٹ اپ

یہ منصوبہ software library کے بجائے documentation repository ہے، اس لیے package installation کی ضرورت نہیں۔ آپ اسے براہ راست GitHub پر پڑھ سکتے ہیں۔

اختیار 1: براؤزر میں استعمال کریں

1. GitHub پر ریپوزٹری کھولیں۔
2. table of contents استعمال کرتے ہوئے Common Questions Asked Across Companies کھولیں۔
3. RAG، inference یا agents جیسی تکنیکی کیٹیگری منتخب کریں۔
4. جب دستیاب ہوں تو لنک شدہ جوابات دیکھیں۔
5. مشترکہ مواد مکمل کرنے کے بعد اپنی مطلوبہ کمپنی کے حصے پر جائیں۔

اختیار 2: مقامی طور پر Clone کریں

ریپوزٹری کو clone کرنے سے آپ کو ایک offline copy ملتی ہے جسے آپ تلاش، annotate اور update کر سکتے ہیں۔

git clone https://github.com/pallavi-shekhar/ai-engineering-interview-questions-company-wise.git
cd ai-engineering-interview-questions-company-wise

مستقبل کی اپ ڈیٹس حاصل کرنے کے لیے چلائیں:

git pull

اس کے بعد آپ README کو text editor یا Markdown viewer میں کھول سکتے ہیں اور کمپنی، ٹیکنالوجی یا keyword تلاش کرنے کے لیے full-text search استعمال کر سکتے ہیں۔

بنیادی استعمال: تیاری کا منصوبہ بنائیں

مرحلہ 1: ہدف بنائے گئے عہدے کا انتخاب کریں

عہدے کی وضاحت سے آغاز کریں، کیونکہ مختلف عہدے ریپوزٹری کے مختلف حصوں پر زور دیتے ہیں۔ LLM inference کے عہدے کے لیے GPU اور serving کی گہری سمجھ درکار ہو سکتی ہے، جبکہ applied AI کا عہدہ RAG، evaluation اور product trade-offs پر زیادہ توجہ دے سکتا ہے۔

عہدے سے موضوع تک ایک سادہ mapping کچھ یوں ہو سکتی ہے:

• ایل ایل ایم یا انفیرنس انجینئر: ٹرانسفارمر کے اندرونی حصے، کے وی کیش کی میموری، بیچنگ، کوانٹائزیشن، متوازی کاری، اور تھروپٹ۔
• اپلائیڈ اے آئی انجینئر: آر اے جی، ایجنٹس، جانچ، پرامپٹنگ، اور فائن ٹیوننگ سے متعلق فیصلے۔
• ایجنٹ انجینئر: ٹول اسکیمے، دوبارہ کوششیں، میموری، لوپ کا اختتام، آرکیسٹریشن، اور انسانی منظوری۔
• ایم ایل اوپس یا ایل ایل ایم اوپس انجینئر: سروسنگ میٹرکس، آبزرویبلٹی، ریگریشن گیٹس، گنجائش کی منصوبہ بندی، اور پروڈکشن کی تشخیص۔

مرحلہ 2: پہلے عام سوالات مکمل کریں

ریڈمی واضح طور پر تجویز کرتی ہے کہ ان سوالات سے آغاز کیا جائے جو مختلف کمپنیوں میں بار بار آتے ہیں۔ اس سے آپ کو وسیع کوریج ملتی ہے اور دہرائی جانے والی تیاری سے بچا جا سکتا ہے۔

ہر سوال کے لیے سمجھ کی چار سطحیں تیار کریں:

1. تعریف: تصور کو ایک یا دو جملوں میں واضح طور پر بیان کریں۔
2. طریقۂ کار: وضاحت کریں کہ یہ اندرونی طور پر کیسے کام کرتا ہے۔
3. تبادلے: فوائد، اخراجات، حدود، اور ناکامی کے طریقوں کی وضاحت کریں۔
4. اطلاق: ایسی مثال دیں کہ آپ اسے کب استعمال کریں گے یا کب نہیں کریں گے۔

مرحلہ 3: منسلک جوابات کا انتخاب سے استعمال کریں

بہت سی اندراجات میں آؤٹ کم اسکول کے مضامین یا ویڈیوز کے لنکس شامل ہیں۔ جواب کھولنے سے پہلے سوال پڑھیں اور یادداشت سے جواب دینے کی کوشش کریں۔ پھر منسلک مواد استعمال کرکے معلوم کریں کہ کون سی تفصیلات رہ گئی ہیں۔

مثلاً، کے وی کیش کا سوال آپ کو محض بنیادی تعریف سے آگے لے جانا چاہیے۔ آپ کی حتمی تیاری میں کیش کا مقصد، سیکوئنس کی لمبائی کے ساتھ اس کی نمو، میموری پر اس کے اثرات، اور اسے سنبھالنے کے لیے استعمال ہونے والی سروسنگ تکنیکیں شامل ہونی چاہییں۔

مرحلہ 4: ہدف کمپنی کا مطالعہ کریں

عام موضوعات مکمل کرنے کے بعد اس کمپنی کے سیکشن کو کھولیں جسے آپ ہدف بنا رہے ہیں۔ ریپوزٹری اداروں کو فرنٹیئر اے آئی لیبز، بڑی ٹیکنالوجی کمپنیاں، انفراسٹرکچر کمپنیاں، اے آئی پر مبنی مصنوعات بنانے والی کمپنیاں، اور انٹرپرائز اے آئی کمپنیوں جیسی کیٹیگریز میں تقسیم کرتی ہے۔

کمپنی کے سیکشن سے یہ معلوم کریں:

• رپورٹ کیے گئے انٹرویو تجربات میں شامل کردار۔
• انٹرویو لوپ کا عوامی طور پر رپورٹ کیا گیا ڈھانچہ۔
• وہ سوالات یا موضوعات جو اس ادارے کے لیے زیادہ مخصوص ہیں۔
• وہ تکنیکی شعبے جن کے لیے اضافی مشق درکار ہے۔

مرحلہ 5: سوالات کو فعال مشق میں تبدیل کریں

صرف اندراجات نہ پڑھیں۔ ان کے جوابات بلند آواز میں دیں، مختصر وضاحتیں لکھیں، متعلقہ فارمولے اخذ کریں، اور ضمنی سوالات کی مشق کریں۔

مثلاً، مسلسل بیچنگ کے سوال کے لیے جواب کا یہ ڈھانچہ استعمال کریں:

1. جامد اور مسلسل بیچنگ کی تعریف کریں۔
2. وضاحت کریں کہ درخواستیں مختلف اوقات میں کیوں مکمل ہوتی ہیں۔
3. بیان کریں کہ خالی ہونے والے بیچ سلاٹس کو دوبارہ کیسے استعمال کیا جا سکتا ہے۔
4. اس طریقۂ کار کو استعمال اور تھروپٹ سے مربوط کریں۔
5. شیڈولنگ، تاخیر، اور نفاذ کے تبادلوں پر گفتگو کریں۔

مطالعے کی عملی مثالیں

مثال 1: انفیرنس کے سوال کی تیاری

فرض کریں آپ اس سوال کا انتخاب کرتے ہیں کہ پری فل کمپیوٹ باؤنڈ جبکہ ڈیکوڈنگ میموری بینڈوڈتھ باؤنڈ کیوں ہوتی ہے۔

1. پری فل اور ڈیکوڈ مراحل کی تعریف کریں۔
2. وضاحت کریں کہ پری فل کے دوران پرامپٹ ٹوکنز کو متوازی طور پر کیسے پروسیس کیا جا سکتا ہے۔
3. وضاحت کریں کہ آٹوریگریسو ڈیکوڈنگ ٹوکنز کو ترتیب وار کیوں تیار کرتی ہے۔
4. ڈیکوڈنگ کے دوران وزنوں تک بار بار رسائی کو میموری بینڈوڈتھ سے مربوط کریں۔
5. اس فرق کو ٹی ٹی ایف ٹی، فی ٹوکن تاخیر، بیچنگ، اور سروسنگ آرکیٹیکچر سے مربوط کریں۔
6. منسلک پری فل بمقابلہ ڈیکوڈ وضاحت پڑھیں اور اپنا جواب بہتر بنائیں۔

مثال 2: آر اے جی ڈیزائن کے سوال کی تیاری

بی ایم 25، ڈینس ریٹریول، یا دونوں کے انتخاب سے متعلق سوال کے لیے اپنا جواب کسی ہر صورت بہترین ریٹریور کا نام لینے کے بجائے تقاضوں کے گرد ترتیب دیں۔

1. کارپس، سوالات کی اقسام، تاخیر کا ہدف، اور جانچ کے میٹرک کی شناخت کریں۔
2. عین اصطلاحات کے لیے لغوی مطابقت کی خوبیوں پر گفتگو کریں۔
3. تصوری طور پر متعلقہ زبان کے لیے معنوی ریٹریول پر گفتگو کریں۔
4. وضاحت کریں کہ ہائبرڈ سرچ کب مفید ہو سکتی ہے۔
5. بیان کریں کہ تیار کردہ جوابات کی جانچ سے پہلے آپ ریٹریول کی جانچ کیسے کریں گے۔
6. اجازتوں، انڈیکس کی تازگی، اور دوبارہ درجہ بندی کی لاگت جیسے عملی امور شامل کریں۔

مثال 3: ایجنٹ کی قابلِ اعتماد کارکردگی کے سوال کی تیاری

ٹول کال کی خرابیوں، ٹائم آؤٹس، اور دوبارہ کوششوں کے لیے جواب کو پروڈکشن کنٹرول لوپ کے طور پر ترتیب دیں:

درخواست کی توثیق کریں
ٹائم آؤٹ کے ساتھ ٹول کال کریں
ناکامی کی درجہ بندی کریں
صرف مناسب صورت میں دوبارہ کوشش کریں
دوبارہ کوشش اور لاگت کی حدود نافذ کریں
کارروائی اور نتیجہ ریکارڈ کریں
محفوظ طریقے سے آگے بھیجیں یا روک دیں

اس کے بعد ریپوزٹری کے متعلقہ سوالات گفتگو کو لوپ کے اختتام، انسانی منظوری، واپس کیے جا سکنے والے اقدامات، آڈٹ کی اہلیت، اور طویل مدتی کاموں کے دوران ڈرفٹ تک بڑھا سکتے ہیں۔

اعلیٰ سطحی تیاری کی تجاویز

صرف تعریفیں نہیں، اخذ بھی کریں

کئی سوالات میں فارمولوں یا عددی اندازوں کا واضح طور پر مطالبہ کیا گیا ہے۔ کے وی کیش کی میموری، مختلف پریسیژنز پر ماڈل وزنوں کی میموری، فائن ٹیوننگ میموری، اور تقریباً سروسنگ گنجائش کا حساب لگانے کی مشق کریں۔ حساب سے پہلے مفروضے بیان کریں، کیونکہ نتائج آرکیٹیکچر، پریسیژن، بیچ سائز، اور سیکوئنس کی لمبائی پر منحصر ہوتے ہیں۔

کیٹیگریز کے درمیان تصورات کو مربوط کریں

انٹرویو کے مضبوط جوابات اکثر آرکیٹیکچر کو پروڈکشن کے رویے سے مربوط کرتے ہیں۔ مثلاً:

• کے وی کیش کا ڈیزائن ٹرانسفارمر اٹینشن کو جی پی یو میموری اور سروسنگ گنجائش سے مربوط کرتا ہے۔
• کوانٹائزیشن عددی پریسیژن کو ماڈل کے معیار، میموری کے استعمال، اور تھروپٹ سے مربوط کرتی ہے۔
• چنکنگ دستاویز کے ڈھانچے کو ریٹریول ریکال اور جواب کی نسبت سے مربوط کرتی ہے۔
• ٹول اسکیمے کا ڈیزائن ماڈل کے رویے کو ایجنٹ کی قابلِ اعتماد کارکردگی اور حفاظت سے مربوط کرتا ہے۔
• فائن ٹیوننگ کے انتخاب ڈیٹا کے معیار کو لاگت، تاخیر، اور تباہ کن فراموشی سے مربوط کرتے ہیں۔

سسٹم کے سوالات کو تقاضوں کی گفتگو میں تبدیل کریں

جب آپ سے کسی اے آئی سسٹم کا ڈیزائن تیار کرنے کو کہا جائے تو فوراً ٹولز کے نام لینے کے بجائے پابندیوں سے آغاز کریں۔ متوقع ٹریفک، تاخیر، معیار، ڈیٹا کی تازگی، رازداری، اجازتوں، ناکامی سے نمٹنے، اور لاگت کو واضح کریں۔ پھر وضاحت کریں کہ ہر معماری فیصلہ ان تقاضوں کو کیسے پورا کرتا ہے۔

تشخیصی فریم ورک تیار کریں

پروڈکشن انٹرویوز میں اکثر معلوماتی سوالات کے بجائے منظرنامے استعمال کیے جاتے ہیں۔ تاخیر میں اضافے کی صورت میں تحقیق کو حالیہ تبدیلیوں، ٹریفک کی نوعیت، قطار بندی، پرامپٹ کی طوالت، آؤٹ پٹ کی طوالت، بیچنگ، کیش کے رویے، GPU کے استعمال، میموری کے دباؤ، نیٹ ورک کے انحصارات، اور ڈاؤن اسٹریم سروسز میں تقسیم کریں۔

شواہد پر مبنی ٹریکر برقرار رکھیں

ہر سوال کے لیے اعتماد کا اسکور رکھنے والی مقامی چیک لسٹ بنائیں:

0 - بالکل نہیں دیکھا
1 - موضوع پہچانتا ہوں
2 - تعریف سمجھا سکتا ہوں
3 - طریقۂ کار اور سمجھوتے سمجھا سکتا ہوں
4 - ضمنی سوالات یا حسابات حل کر سکتا ہوں
5 - اسے سکھا سکتا ہوں اور ڈیزائن کی مختلف صورتوں سے نمٹ سکتا ہوں

تنگ دائرے کے کمپنی-مخصوص مواد پر وقت صرف کرنے سے پہلے کم اسکور والے عام سوالات کا جائزہ لیں۔

کمپنی کے لحاظ سے فرضی انٹرویوز کریں

ہدف کمپنی سے متعلق سوالات منتخب کریں اور وقت کی پابندی کے تحت جواب دیں۔ کسی مشقی ساتھی سے کہیں کہ وہ مفروضوں کو چیلنج کرے، حسابات طلب کرے، ناکامیاں متعارف کرائے، یا تقاضے تبدیل کرے۔ یہ مقررہ جوابات یاد کرنے کے مقابلے میں انٹرویو کی گفتگو کی بہتر عکاسی کرتا ہے۔

ریپوزٹری کی تازہ کاریوں کو مدنظر رکھیں

منتظمین نئے سوالات اور جوابات شامل کرنے کا ارادہ رکھتے ہیں۔ اگر آپ نے ریپوزٹری کلون کی ہے تو وقتاً فوقتاً git pull چلائیں۔ اگر آپ براؤزر والا ورژن استعمال کرتے ہیں تو انٹرویو سے پہلے عام سوالات اور ہدف کمپنی کے حصوں کا دوبارہ جائزہ لیں۔

اہم حدود

• رپورٹ کیے گئے سوالات اس بات کی ضمانت نہیں دیتے کہ آئندہ انٹرویو لینے والا بھی وہی سوال پوچھے گا۔
• انٹرویو کا مرحلہ ٹیم، سطح، مقام، اور بھرتی کے عرصے کے لحاظ سے تبدیل ہو سکتا ہے۔
• فی الحال ہر سوال کے ساتھ جواب کا لنک موجود نہیں ہے۔
• لنک شدہ وضاحت فعال مشق میں معاون ہونی چاہیے، اس کا متبادل نہیں۔
• کمپنی سے تعلق کو موضوعات کی ترجیح مقرر کرنے کے لیے استعمال کریں، اسکرپٹس یاد کرنے کے لیے نہیں۔

نتیجہ

یہ ریپوزٹری اس وقت سب سے زیادہ مؤثر ہوتی ہے جب اسے سرسری طور پر دیکھنے والی فہرست کے بجائے ایک منظم نصاب کے طور پر استعمال کیا جائے۔ بار بار آنے والے سوالات سے آغاز کریں، ہر جواب کو طریقۂ کار اور سمجھوتوں کے ذریعے گہرا کریں، پھر متعلقہ کمپنی کے حصے کا مطالعہ کریں اور حقیقت پسندانہ ضمنی سوالات کی مشق کریں۔ اس مجموعے کو اخذ کردہ نتائج، ڈیزائن کی مشقوں، تشخیصی منظرناموں، اور فرضی انٹرویوز کے ساتھ ملانے سے اے آئی انجینئرنگ کے مختلف کرداروں کے لیے ایک مرکوز تیاری کا عمل تشکیل پاتا ہے۔