เจาะลึกสัมภาษณ์งาน Data Science ปี 2026 เปลี่ยนไปอย่างไร

การสัมภาษณ์งานด้าน data science ในช่วงสองปีที่ผ่านมาเปลี่ยนแปลงไปรวดเร็วยิ่งกว่าช่วงห้าปีก่อนหน้านั้นเสียอีก หากคุณเคยเตรียมตัวสัมภาษณ์ในปี 2023 หรือ 2024 และกำลังจะกลับเข้าสู่ตลาดงานในตอนนี้ รูปแบบที่คุณเคยฝึกฝนมาอาจไม่ตรงกับความเป็นจริงที่คุณจะได้พบเจอ

การเปลี่ยนแปลงบางอย่างเกิดขึ้นในเชิงโครงสร้าง เช่น งานแบบนำกลับไปทำบ้าน (take-home assignment) ที่มีรูปแบบเปลี่ยนไป และการอนุญาตให้ใช้เครื่องมือ AI ในการทดสอบเขียนโค้ดสด (live coding) นอกจากนี้ คำถามการออกแบบระบบ machine learning ที่เคยสงวนไว้สำหรับระดับ senior ก็เริ่มปรากฏในรอบของระดับ mid-level มากขึ้น

ในส่วนของเนื้อหา คำถามเกี่ยวกับการประเมิน generative AI (GenAI) และ large language model (LLM) ได้กลายเป็นหมวดหมู่เฉพาะ และรอบการทดสอบพฤติกรรม (behavioral round) ก็หันมาเจาะลึกเรื่องวิธีจัดการกับผลลัพธ์จาก AI แทนที่จะเป็นแค่ข้อมูลที่กำกวมเท่านั้น สิ่งเหล่านี้สะท้อนถึงตลาดงานที่รัดกุมและเพดานมาตรฐานที่สูงขึ้นกว่าเดิม

อย่างไรก็ตาม ทักษะพื้นฐานยังคงมีความสำคัญไม่เสื่อมคลาย ความเชี่ยวชาญใน SQL, การให้เหตุผลทางสถิติ, การทำ A/B testing และความสามารถในการอธิบายผลวิเคราะห์ให้คนที่ไม่ใช่สายเทคนิคเข้าใจ ยังคงเป็นปัจจัยตัดสินหลักว่าใครจะได้รับข้อเสนอเข้าทำงาน คู่มือนี้จะช่วยสำรวจทั้งสิ่งที่เปลี่ยนไปและสิ่งที่คุณยังต้องเตรียมตัวอยู่

The Modern Data Science Interview Loop

การสัมภาษณ์ data science ในบริษัทเทคโนโลยีขนาดกลางถึงใหญ่ในปี 2026 มักใช้เวลา 4-6 รอบ ภายใน 2-4 สัปดาห์ โดยทั่วไปจะประกอบด้วยขั้นตอนดังนี้:

Recruiter screen (30-45 นาที) เน้นภูมิหลัง แรงจูงใจ และความคาดหวัง ผู้สัมภาษณ์จะคัดผู้สมัครที่ไม่สามารถสรุปประวัติการทำงานให้น่าสนใจภายใน 90 วินาทีออกไป คำตอบที่กำกวมมักไม่ได้รับผลตอบรับที่ดี

Technical coding round (45-90 นาที) การทดสอบ SQL และ Python ผ่านการแชร์หน้าจอสด ซึ่งในปัจจุบันมักจะมีเรื่องของเครื่องมือ AI เข้ามาเกี่ยวข้องด้วย

Statistics and machine learning fundamentals round (60-90 นาที) เน้นความลึกซึ้งเชิงแนวคิด การเลือกใช้ model, metric ในการประเมิน, การออกแบบ A/B testing และการวิเคราะห์โหมดความล้มเหลวของ model

Machine learning system design round (45-75 นาที) การออกแบบระบบตั้งแต่ต้นจนจบ (end-to-end production) ซึ่งปัจจุบันขยายขอบเขตมาถึงระดับ mid-level แล้ว

Business case หรือ product sense round (45-75 นาที) การเปลี่ยนโจทย์ธุรกิจเป็นโจทย์ข้อมูล กำหนดสิ่งที่ต้องวัดผล และสื่อสารผลลัพธ์ให้ผู้มีส่วนได้ส่วนเสียเข้าใจ

Behavioral round (30-60 นาที) ใช้คำถามรูปแบบ STAR เน้นการทำงานร่วมกัน และที่เพิ่มมาคือการรับมือกับสถานการณ์ที่ AI แสดงผลผิดพลาดอย่างไม่คาดคิด

สำหรับตำแหน่งเฉพาะทาง GenAI จะมีรอบการประเมินโดยเฉพาะ เพื่อทดสอบการออกแบบและปรับใช้เฟรมเวิร์กการประเมิน LLM

What Has Changed: The Six Biggest Shifts

1. เครื่องมือ AI กลายเป็นส่วนหนึ่งของการสัมภาษณ์แล้ว แต่กฎเกณฑ์แตกต่างกันไป

นโยบายห้ามใช้เครื่องมือช่วยแบบเดิมถูกแทนที่ด้วย 3 รูปแบบหลัก ซึ่งผู้สมัครต้องทำความเข้าใจให้ดี:

• การสัมภาษณ์แบบคุมสอบห้ามใช้เครื่องมือ (Proctored no-tools rounds): มักใช้ในบริษัทใหญ่เพื่อวัดการให้เหตุผลอิสระ โดยเน้นที่การอธิบายว่า "เมื่อใด" และ "ทำไม" ถึงใช้คำสั่งนั้นๆ มากกว่าการจำ syntax
• การสัมภาษณ์แบบอนุญาตให้ AI ช่วย (AI-allowed assisted rounds): พบประมาณ 25% ในสหรัฐฯ ผู้สัมภาษณ์จะเน้นดูว่าคุณตรวจสอบ แก้ไข และอธิบายโค้ดที่ AI สร้างขึ้นได้ดีแค่ไหน
• งานนำกลับไปทำที่บ้านแบบปลายเปิดที่คาดหวังให้ใช้ AI (Open-ended take-homes with expected AI use): คุณอาจต้องอธิบายว่าใช้ AI ช่วยอย่างไรในขั้นตอนการสอบสัมภาษณ์ติดตามผล

ข้อควรปฏิบัติ: ควรสอบถาม recruiter ล่วงหน้าให้ชัดเจนว่าอนุญาตให้ใช้เครื่องมือ AI หรือไม่และใช้เครื่องมือใดได้บ้าง

2. คำถามการเขียนโค้ดกลายเป็นแบบ "ทนทานต่อ AI" (AI-Resistant)

เมื่อ AI เขียนโค้ดพื้นฐานได้ คำถามจึงเปลี่ยนไปเน้นการตัดสินใจมากขึ้น รูปแบบใหม่ที่พบบ่อยคือการส่งโค้ดที่ AI เขียนผิดมาให้คุณแก้บั๊ก (Debug) เพื่อดูว่าคุณเข้าใจสาเหตุของความผิดพลาดหรือไม่ แพลตฟอร์มอย่าง StrataScratch ได้เพิ่มโหมดนี้เพื่อช่วยเตรียมตัวโดยเฉพาะ นอกจากนี้ยังมีการขอให้อธิบายการทำงานของ query ทีละขั้นตอนเพื่อวัดความเข้าใจเชิงลึก

3. Machine Learning System Design ย้ายมาอยู่ในระดับเริ่มต้นมากขึ้น

Data scientist ยุคใหม่ถูกคาดหวังให้ดูแล model ได้ตลอดวงจรชีวิต โจทย์การออกแบบระบบจึงพบได้บ่อยขึ้นแม้ในระดับ mid-level สิ่งที่เปลี่ยนไปในปี 2026 คือเนื้อหาคำถามที่ครอบคลุมถึง:

• การออกแบบระบบประเมิน LLM: เช่น การออกแบบเฟรมเวิร์กประเมิน Chatbot โดยใช้ LLM-as-judge หรือชุดทดสอบ golden test sets
• สถาปัตยกรรมที่เกี่ยวข้องกับ AI: ความเข้าใจเรื่อง vector databases, สถาปัตยกรรม RAG และการจัดการเรื่องต้นทุนกับความหน่วง (latency) กลายเป็นมาตรฐานใหม่

4. คำถามเกี่ยวกับ Generative AI และ LLM กลายเป็นหมวดหมู่แยกชัดเจน

ข้อมูลจาก Dataford พบว่าคำถาม GenAI มีความยากเป็นอันดับต้นๆ ครอบคลุมทั้งการทำ RAG, การลดอาการภาพหลอน (hallucinations) และการประเมินระบบในสภาพแวดล้อมจริง ผู้สมัครที่โดดเด่นคือผู้ที่สามารถอธิบายได้ว่าจะวัดผลระบบอย่างไรและมีต้นทุนการใช้งานเท่าใด

5. งานนำกลับไปทำบ้านวิวัฒนาการไป ไม่ได้หายไป

แม้ AI จะช่วยให้งาน take-home ดูดีได้ง่ายขึ้น แต่บริษัทต่างๆ ก็ปรับตัวด้วยการเพิ่มเซสชัน "การป้องกันงานสด" (live defense session) เพื่อให้ผู้สมัครอธิบายเหตุผลเบื้องหลังการตัดสินใจและลองแก้ไขงานตามโจทย์ใหม่เดี๋ยวนั้นเพื่อพิสูจน์ฝีมือจริง

6. รอบพฤติกรรมเริ่มเจาะลึกเรื่อง AI และการตัดสินใจเกี่ยวกับ Model

คำถามเชิงพฤติกรรมในปัจจุบันจะเจาะลึกถึงวิจารณญาณในการทำงานร่วมกับ AI เช่น การรับมือเมื่อ model ให้ผลลัพธ์ผิดพลาด หรือการตัดสินใจเลือกไม่ใช้ AI ในงานบางอย่างเพราะเหตุใด บริษัทที่เน้น AI (AI-first companies) ให้ความสำคัญกับรอบนี้มากเพื่อใช้คัดกรองทักษะตามจริง

What Hasน't Changed: The Foundations Still Matter

ท่ามกลางเทคโนโลยีใหม่ พื้นฐานยังคงเป็นเรื่องที่เจรจาต่อรองไม่ได้:

• ความเชี่ยวชาญ SQL: โดยเฉพาะ Window functions, CTEs และการทำ query optimization ใน cloud platform ต่างๆ เช่น BigQuery หรือ Snowflake
• การให้เหตุผลทางสถิติและ A/B testing: การออกแบบการทดลองและความเข้าใจเรื่อง Type I/II errors ยังคงสำคัญมาก
• เคสธุรกิจและ product sense: ความสามารถในการเปลี่ยนปัญหาธุรกิจเป็นตัวเลขที่วัดผลได้ยังคงเป็นตัวตัดสินหลัก
• การสื่อสาร: การคิดออกมาดังๆ และการอธิบายข้อดีข้อเสียของแต่ละแนวทางมีความสำคัญมากกว่าที่เคย

How to Prepare: A Round-by-Round Plan

• รอบการเขียนโค้ด: ฝึกแก้บั๊กโค้ด AI และยืนยันเรื่องการใช้เครื่องมือช่วยล่วงหน้า
• รอบสถิติและ ML: เน้นพื้นฐานการทดลองและ metric การประเมินที่ถูกต้อง
• รอบ System Design: ฝึกเฟรมเวิร์ก 6 ขั้นตอน และเพิ่มโจทย์ด้าน LLM/RAG เข้าไปในการฝึกซ้อม
• รอบพฤติกรรม: เตรียมเรื่องเล่ารูปแบบ STAR โดยเฉพาะสถานการณ์ที่ต้องจัดการกับความไม่แน่นอนของ AI

Recommended Preparation Resources

• StrataScratch: ฝึก SQL/Python และโหมด Debug AI Code
• Interview Kickstart: เน้นการออกแบบระบบ machine learning แบบ end-to-end
• Dataford: คลังคำถามสัมภาษณ์ GenAI จากบริษัทจริง
• IGotAnOffer: คู่มือเตรียมสัมภาษณ์แบบครบวงจรแยกตามรายบริษัท
• Exponent: ฝึกจำลองสัมภาษณ์ product sense
• LeetCode SQL: แพลตฟอร์มมาตรฐานสำหรับการฝึก SQL ระดับยาก

Final Thoughts

การสัมภาษณ์งาน Data Science ในปี 2026 เปลี่ยนจากการทดสอบว่าคุณ "สร้าง" อะไรได้ เป็นการทดสอบว่าคุณ "เข้าใจ" สิ่งที่ทำและสามารถประเมินงานของ AI ได้หรือไม่ ผู้สมัครที่ประสบความสำเร็จคือผู้ที่สามารถผสมผสานความลึกซึ้งทางเทคนิคเข้ากับวิจารณญาณในการทำงานจริง และสามารถสื่อสารเหตุผลเบื้องหลังการตัดสินใจได้อย่างชัดเจน