Preguntas de entrevista en Baidu

En qué se centran las entrevistas de Baidu

Preguntas comunes en entrevistas de Baidu

• Dado un arreglo de enteros, encuentra la subsecuencia creciente más larga.
  Lo que cubre una buena respuesta

  • Usar programación dinámica con dp[i] = longitud máxima terminando en i.
  • Complejidad O(n^2) para la solución básica, O(n log n) con búsqueda binaria.
  • Reconstruir la subsecuencia almacenando predecesores.

  Ver respuesta de ejemplo

  La subsecuencia creciente más larga (LIS) se resuelve típicamente con programación dinámica. Definimos dp[i] como la longitud de la LIS que termina en el índice i. Para cada i, iteramos sobre todos j < i y si nums[j] < nums[i], actualizamos dp[i] = max(dp[i], dp[j] + 1). La respuesta es el max(dp). La reconstrucción requiere un arreglo de predecesores. La complejidad es O(n^2). Para optimizar a O(n log n), se usa un arreglo auxiliar que mantiene el valor más pequeño posible para cada longitud, y se aplica búsqueda binaria para encontrar la posición correcta. Esta solución es más eficiente para arreglos grandes, pero no reconstruye directamente la subsecuencia sin almacenamiento adicional. Es importante considerar que los arreglos pueden tener enteros negativos, y que la subsecuencia no necesita ser contigua.

  def longest_increasing_subsequence(nums):
      if not nums:
          return []
      n = len(nums)
      dp = [1] * n
      prev = [-1] * n
      max_len = 1
      max_idx = 0
      for i in range(n):
          for j in range(i):
              if nums[j] < nums[i] and dp[j] + 1 > dp[i]:
                  dp[i] = dp[j] + 1
                  prev[i] = j
          if dp[i] > max_len:
              max_len = dp[i]
              max_idx = i
      # Reconstruir la subsecuencia
      seq = []
      i = max_idx
      while i != -1:
          seq.append(nums[i])
          i = prev[i]
      seq.reverse()
      return seq
  
  # Complejidad temporal: O(n^2) | Espacial: O(n)

• Implementa una función para detectar ciclos en un grafo dirigido.
  Lo que cubre una buena respuesta

  • Usar DFS con colores (0: no visitado, 1: en stack, 2: procesado).
  • Si encontramos un nodo en estado 1, hay ciclo.
  • Alternativamente, usar orden topológico (Kahn) con grados de entrada.

  Ver respuesta de ejemplo

  Para detectar ciclos en un grafo dirigido, el enfoque más común es DFS con un arreglo de estados. Inicialmente todos los nodos están en estado 0 (no visitado). Durante DFS, marcamos el nodo como 1 (en proceso) y recorremos sus vecinos. Si encontramos un vecino en estado 1, significa que hay un ciclo. Al terminar el nodo, lo marcamos como 2. Otra opción es el algoritmo de Kahn para orden topológico: calculamos grados de entrada, añadimos nodos con grado 0 a una cola, y los procesamos reduciendo grados de vecinos; si al final no se procesan todos los nodos, hay ciclo. Ambos tienen complejidad O(V+E). Un error común es no reiniciar el estado entre componentes conexos; el DFS debe iterar sobre todos los nodos no visitados. El método con DFS es más directo para detección simple, mientras que Kahn también produce un orden topológico si no hay ciclo.

  def has_cycle(graph):
      # graph: lista de adyacencia, nodos 0..n-1
      n = len(graph)
      state = [0] * n  # 0=no visitado, 1=en stack, 2=procesado
      
      def dfs(u):
          if state[u] == 1:
              return True
          if state[u] == 2:
              return False
          state[u] = 1
          for v in graph[u]:
              if dfs(v):
                  return True
          state[u] = 2
          return False
      
      for i in range(n):
          if state[i] == 0:
              if dfs(i):
                  return True
      return False
  
  # Complejidad temporal: O(V+E) | Espacial: O(V)

• Diseña un sistema de autocompletado de búsqueda en tiempo real como el de Baidu.
  Lo que cubre una buena respuesta

  • Requerimientos: baja latencia, alta disponibilidad, actualización de datos frecuente.
  • Componentes: recolector de consultas, motor de sugerencias, capa de ranking, caché, almacenamiento de datos.
  • Flujo: usuario escribe → frontend envía prefijo → servidor busca en trie/índice invertido → ranking → devuelve top K.

  Ver respuesta de ejemplo

  Para diseñar un sistema de autocompletado en tiempo real como el de Baidu, debemos priorizar baja latencia (milisegundos) y alta disponibilidad. Los componentes principales son: recolector de consultas (agrega búsquedas populares), motor de sugerencias (encuentra coincidencias de prefijo), capa de ranking (ordena por frecuencia/relevancia), y una base de datos para almacenar el mapa de prefijos. Una estructura común es un trie, donde cada nodo almacena el prefijo y una lista ordenada de las top K sugerencias. Para escalar, se particiona el trie por rango de letras y se replica. El flujo: el frontend envía el prefijo al load balancer, que redirige a un servidor de sugerencias; este consulta un caché distribuido (ej. Redis) para resultados frecuentes; si falla, accede al trie en memoria; luego retorna top 10 sugerencias. Para actualizar datos, se ejecutan jobs offline que recalculan frecuencias con logs de búsquedas y actualizan el trie periódicamente. Un desafío es manejar consultas con errores tipográficos, que requiere un enfoque de corrección o búsqueda difusa. También se necesita un sistema de monitorización para detectar cuellos de botella.

• Diseña un caché distribuido para un sitio web de alto tráfico.
  Lo que cubre una buena respuesta

  • Requerimientos: consistencia eventual, baja latencia, escalabilidad horizontal, tolerancia a fallos.
  • Componentes: clientes, servidores de caché (shards), sistema de coordinación (ej. ZooKeeper), mecanismo de replicación.
  • Flujo: cliente consulta → hash consistente → servidor de caché → si miss, obtiene de DB y almacena.

  Ver respuesta de ejemplo

  Un caché distribuido para un sitio web de alto tráfico debe ser altamente escalable y tolerante a fallos. El diseño típico consiste en varios servidores de caché (shards), un sistema de descubrimiento (como ZooKeeper) para gestionar la topología, y un algoritmo de hash consistente para distribuir las claves. Cuando un cliente solicita un dato, se aplica hash consistente a la clave para determinar qué shard debe responder. Si el shard tiene el dato, lo retorna; si no, se consulta la base de datos subyacente, se almacena en el shard y se responde. Para alta disponibilidad, cada shard puede tener réplicas; los datos se replican de forma asíncrona. Se puede usar un protocolo de gossip para sincronizar metadatos. Un problema común es la avalancha de caché cuando falla un shard; se puede mitigar con réplicas, o expulsión perezosa y reintentos. También se debe considerar el vencimiento de datos (TTL) y políticas de reemplazo (LRU). Es importante monitorear la tasa de aciertos y latencia para ajustar el número de shards. Alternativas como Redis Cluster o Memcached ya implementan estas características.

• Explica la diferencia entre la regularización L1 y L2 y cuándo usar cada una.
  Lo que cubre una buena respuesta

  • L1 (Lasso): suma de valores absolutos de pesos → produce soluciones dispersas.
  • L2 (Ridge): suma de cuadrados de pesos → pesos pequeños pero no cero.
  • L1 es útil para selección de características; L2 para evitar sobreajuste general.

  Ver respuesta de ejemplo

  La regularización L1 y L2 son técnicas para prevenir sobreajuste añadiendo una penalización a la función de pérdida. L1 (Lasso) añade la suma de los valores absolutos de los pesos, λ∑|w_i|, lo que tiende a llevar algunos pesos exactamente a cero, produciendo un modelo disperso. Por lo tanto, es útil cuando se sospecha que muchas características son irrelevantes, funcionando como selección de características. L2 (Ridge) añade la suma de los cuadrados de los pesos, λ∑w_i^2, que penaliza pesos grandes pero no los hace cero, distribuyendo el error entre todas las características. Es útil cuando todas las características tienen alguna relevancia y se quiere evitar que ninguna domine. L2 es computacionalmente más estable porque su derivada es lineal. En la práctica, también existe Elastic Net que combina ambas. La elección depende del problema: si hay muchas características irrelevantes, L1; si la mayoría son relevantes, L2. El hiperparámetro λ controla la fuerza de la regularización y debe ajustarse mediante validación cruzada.

• ¿Cómo manejarías el desbalanceo de clases en un problema de clasificación?
  Lo que cubre una buena respuesta

  • Técnicas: remuestreo (oversampling, undersampling), uso de métricas adecuadas, ajuste de costos, generación sintética (SMOTE).
  • Evaluar con precisión, recall, F1, curva ROC, en lugar de accuracy.
  • También considerar algoritmos ensemble (Random Forest, XGBoost) con pesos balanceados.

  Ver respuesta de ejemplo

  Para manejar el desbalanceo de clases en clasificación, primero se debe evaluar con métricas apropiadas como precisión, recall, F1-score y AUC-PR, ya que la exactitud (accuracy) puede ser engañosa. Las técnicas principales incluyen: remuestreo (oversampling de la clase minoritaria, undersampling de la mayoritaria), generación de datos sintéticos como SMOTE, y ajuste de pesos en la función de pérdida para penalizar más los errores en la clase minoritaria. También se pueden usar algoritmos ensemble como Random Forest con class_weight='balanced' o XGBoost con scale_pos_weight. Es importante no hacer oversampling antes de dividir en train/test para evitar fuga de datos. Otra estrategia es utilizar aprendizaje sensible al costo, asignando mayores costos a errores en la clase minoritaria. En dominios como detección de fraude, se recomienda combinar varias técnicas. Una limitación del undersampling es perder información; del oversampling, posible sobreajuste. La validación cruzada estratificada ayuda a mantener la proporción de clases.

• Cuéntame sobre una ocasión en la que tuviste que trabajar bajo plazos ajustados para entregar un proyecto.
  Lo que cubre una buena respuesta

  • Situación: proyecto con fecha límite ajustada por un cliente importante.
  • Tarea: liderar entrega de un módulo crítico en 2 semanas.
  • Acción: priorizar funcionalidades, dividir tareas, comunicación diaria con el equipo, gestión de riesgos.
  • Resultado: entrega a tiempo con calidad aceptable, cliente satisfecho.

  Ver respuesta de ejemplo

  En mi anterior trabajo, tuvimos que entregar un sistema de recomendaciones para un cliente de retail con un plazo de solo dos semanas, cuando normalmente requeriría un mes. Como líder técnico, organicé una reunión inicial para definir el alcance mínimo viable, priorizando las funcionalidades esenciales sobre las secundarias. Dividí el trabajo en tareas independientes y asigné responsables, estableciendo reuniones diarias de 15 minutos para revisar progreso y obstáculos. También coordiné con el equipo de QA para que empezaran las pruebas temprano. Identifiqué riesgos como la dependencia de un equipo externo para datos de entrenamiento, así que preparé un plan alternativo usando datos sintéticos. Al final, logramos entregar el módulo en la fecha, con un rendimiento ligeramente inferior pero aceptable. El cliente quedó satisfecho con la rapidez, y posteriormente añadimos mejoras. Aprendí que la comunicación constante y la priorización son clave bajo presión, pero también es importante gestionar expectativas realistas.

• Describe una situación en la que no estuviste de acuerdo con un miembro del equipo y cómo lo resolviste.
  Lo que cubre una buena respuesta

  • Situación: desacuerdo sobre la elección de una base de datos para un nuevo proyecto.
  • Tarea: llegar a un consenso técnico.
  • Acción: escuchar argumentos, investigar, organizar una reunión con datos objetivos.
  • Resultado: se adoptó una solución híbrida que satisfizo ambas perspectivas.

  Ver respuesta de ejemplo

  En un proyecto para migrar un sistema legacy, mi compañero y yo discrepamos sobre qué base de datos usar: yo prefería MongoDB por su flexibilidad de esquema, mientras él defendía PostgreSQL por su consistencia y madurez. En lugar de escalar el conflicto, propuse una reunión donde cada uno expuso sus argumentos con datos concretos: rendimiento esperado, costos de operación y facilidad de migración. Investigamos benchmarks y consultamos a otros equipos. Descubrimos que la mayoría de los datos eran estructurados, pero algunos módulos requerían documentos anidados. Llegamos a un compromiso: usar PostgreSQL como principal para datos transaccionales y una instancia pequeña de MongoDB para los documentos no estructurados, sincronizados mediante eventos. Esta solución híbrida fue aceptada por el equipo y funcionó bien. Aprendí que escuchar activamente y basar decisiones en evidencia es más efectivo que imponer una opinión. Además, mantener una actitud colaborativa fortaleció nuestra relación profesional.

Consejos para prepararse

• Domina las estructuras de datos y algoritmos con enfoque en programación dinámica, árboles y grafos, ya que son comunes en las entrevistas de Baidu.
• Practica el diseño de sistemas para sistemas distribuidos, especialmente en el contexto de búsqueda, recomendación y procesamiento de datos a gran escala.
• Revisa conceptos básicos de ML: aprendizaje supervisado vs no supervisado, sobreajuste, selección de características y métricas de evaluación de modelos.
• Prepárate para explicar tu proceso de pensamiento con claridad y escribir código libre de errores en un pizarrón o editor compartido.
• Investiga los productos de Baidu (por ejemplo, Baidu Search, Apollo, DuerOS) para comprender los desafíos técnicos que enfrentan.

Preguntas frecuentes