Machine Learning / AI

İA ilə müsahibə keçirməyə cəhd etmək istəmirsiniz?

Sizin üçün minimal və rahat gəlir səviyyəsi rubl ilə nədir?

Niyə indi yeni təklifi nəzərdən keçirirsiniz?

BatchNorm dəqiq şəkildə `eval()` rejimində saxlanılan statistikaları necə istifadə edir və bunun nəticələrin sabitliyi üçün niyə vacibdir?

Sizin ali təhsiliniz və ixtisas sahəniz nədir?

Əməkdaşlıq şərtləri ilə bağlı suallarınız varmı?

Mövzu qiymətləndirmələrində çıxış edənləri ümumi mənzərəyə necə təsir etdiyini başa düşmək üçün necə vizuallaşdırardınız?

Tətbiqi tapşırıq PyTorch-da LLM yoxlaması iki icra zamanı fərqli nəticələr verir. Hansı həll daha yetkin? - eval() aktivləşdirin və nəticələri yenidən müqayisə edin. - Yoxlama dəstinin ölçüsünü artırın. - İcraatı təkrarlayın və ən yaxşı nəticəni seçin. - Səbəbi analiz etmədən TensorFlow-a keçin. - seed-i sabitləşdirin və problemi həll olunmuş sayın. - eval(), no_grad(), seed, DataLoader və deterministik CUDA əməliyyatlarını yoxlayın.

Müsahibə formatını necə tapdınız: sizə nə bəyəndi və nəyi yaxşılaşdırmaq istərdiniz?

Əl ilə tapşırıq AI yeni LLM-in buraxılması ilə bağlı qərar üçün kod yaratdı. Yoxlayın: onu dəyişdirin ki, redaktor mövzulu seqmentlər üzrə versiyaların keyfiyyətini müqayisə edə bilsin, qiymətləndirmələrin yayılmasını görə bilsin və kiçik məlumat qrupunda pisləşmə riskini görə bilsin. import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') summary = scores.groupby('model_version')['score'].mean() plt.bar(summary.index, summary.values) plt.title('Modellərin keyfiyyəti') plt.ylabel('Orta qiymət') plt.show() print('Ən yaxşı versiya:', summary.idxmax()) --- import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') stats = ( scores.groupby(["topic", "model_version"])["score"] .agg(["mean", "std", "count"]) .reset_index() ) print(stats) for topic, group in scores.groupby("topic"): group.boxplot(column="score", by="model_version") plt.title(f"Mövzu: {topic}") plt.suptitle("") plt.ylabel("Qiymətləndirmə") plt.show() small_groups = stats[stats["count"] < 30] print("Kiçik qruplar - nəticələr etibarlı deyil:") print(small_groups)

Praktik tapşırıq AI, yeni LLM-nin buraxılması ilə bağlı qərar qəbul etmək üçün kod yaratdı. Yoxlama aparın: onu dəyişdirin ki, redaktor tematik seqmentlər üzrə versiyaların keyfiyyətini müqayisə edə bilsin, qiymətləndirmələrin yayılmasını görə bilsin və kiçik məlumat qrupunda pisləşmə riskini aşkar edə bilsin. import matplotlib.pyplot as plt import pandas as pd scores = pd.read_csv('model_scores.csv') summary = scores.groupby('model_version')['score'].mean() plt.bar(summary.index, summary.values) plt.title('Modellərin keyfiyyəti') plt.ylabel('Orta qiymət') plt.show() print('Ən yaxşı versiya:', summary.idxmax())

Nümunələrin ziddiyyətli olduğu bir real layihədə necə aşkar etdiyiniz və həll etdiyiniz nümunə göstərin.

Yarımştat layihələrini və birləşmələri nəzərdən keçirməyə hazırsınızmı?

Eksperiment nəticələrinin mənşəyini necə təmin edirsiniz ki, metriklərin haradan gəldiyini dəqiq başa düşəsiniz?

Belə təcrübələrdə məlumatların və modellərin versiyalarını adətən necə idarə edirsiniz?

İki LLM versiyasını müqayisə etmədən bir gün əvvəl, eksperiment kodunun şaxədə mövcud olduğu, lakin dəqiq məlumat versiyasının və LoRA parametrlərinin müəyyən edilmədiyi məlum oldu. Gələcək iki gün üçün ilk artımı nə seçərdin və bilincli olaraq nədən imtina edərdin?

Tətbiqi tapşırıq Hansı artefaktlar dəstəsi iki LoRA işə salınmasının dürüst şəkildə müqayisəsini təmin edir? - Yalnız son keyfiyyət cədvəli. - Kod və son metrikanın ekran görüntüsü ilə commit. - Təcrübənin kodu və konfiqurasiya faylı. - Kod, məlumatların hash-i, əsas model, LoRA konfiqurasiyası, asılılıqlar və işə salma əmri. - Yalnız Git şaxəsinə link. - Kod, LoRA parametrləri, əsas modelin versiyası və asılılıqlar.

Özünüzü hansı dərəcədə qiymətləndirirsiniz?

Yandex və Alfa kimi böyük texnologiya şirkətlərində hazırda müsahibələr varmı?

`eval()` rejimində BatchNorm-un düzgün olmayan istifadəsinin proqnozlarda səhvlərə səbəb olduğu nümunə göstərin.