Machine Learning / AI
¿Cómo suele verificar la calidad y relevancia de los datos antes de entrenar LoRA?
¿Cómo podemos comparar un póster que solo se muestra en la página del usuario con aquellos que no ha visto (retroalimentación parcial)?
Tarea práctica La puntuación media de la nueva LLM ha aumentado, pero los editores se quejan de respuestas financieras. ¿Qué gráfico apoyará mejor la decisión de lanzamiento? Un indicador principal de la puntuación media. Columnas con la puntuación media de todos los temas. Cajas con bigotes por temas y versiones del modelo. Tabla de puntuaciones medias por temas. Nube de palabras de las nuevas respuestas. Distribuciones de puntuaciones por versiones y temas con el tamaño de cada grupo.
¿Y cómo funcionaría teóricamente en el boosting si el objetivo es menos uno? Supongamos que tenemos positivo y negativo, si en el positivo establecemos un objetivo de 10 en lugar de uno, ¿qué pasaría, no cambiaría nada?
¿Cómo está construido el orquestador: qué marco y arquitectura se utilizan, qué hace, es de un solo paso o puede razonar varias veces antes de responder?
import unittest class Solution: def isvalid(self, s:str) -> bool: matching_brackets = { ")": "(", "]": "[", "}": "{", } stack: list[str] = [] for bracket in s: if bracket in "([{": stack.append(bracket) continue if bracket not in matching_brackets: return False if not stack or stack[-1] != matching_brackets[bracket]: return False stack.pop() return not stack class SolutionTest: def __init__(self): self.Solution = Solution() def run(self): test_cases = [ ("", True), ("()", True), ("(){}[]", True), ("(({}))", True), ("(", False), (")", False), ("(((", False), ("{[]}", False), ] for brackets, expected in test_cases: actual = self.Solution.isvalid(brackets) assert actual == expected, ( f"Error para {brackets!r}" f"Se esperaba {expected}, pero se obtuvo {actual}" ) print(f"Todas las pruebas pasaron: {len(test_cases)}") if __name__ == "__main__": SolutionTest().run()
¿Qué obtiene LLM en la salida en cada paso de inferencia?
¿Habrá posibilidad de proporcionar empleo o contratos para verificar la experiencia en las etapas finales?
¿Qué es la precisión?
Si la ejecución cambió el estado, pero el LLM no lo ve, ¿cómo se actualizan técnicamente el estado y los metadatos?
Cuente sobre las tareas de los últimos seis meses en su último trabajo en [organización]: ¿en qué se centró su trabajo?
Tarea práctica AI propone entrenar LoRA en los 2 millones de diálogos sin limpiar. ¿Cuál es la respuesta más madura del candidato? - Confiar en AI: un gran corpus compensará los errores. - Primero cambiar el prompt sin modificar los datos. - Entrenar LoRA en la parte limpia y compararla con el modelo base. - Verificar una muestra aleatoria de las etiquetas antes del entrenamiento. - Primero verificar los datos y la calidad por temas en un conjunto separado, luego entrenar LoRA de manera limitada. - Entrenar en todo el corpus, pero reducir el rango de LoRA.
¿Cómo se puede lograr que un modelo de respuestas siga una estructura estricta, por ejemplo, en JSON?
¿Cuál es la dimensión de los logits y cómo se obtiene un token a partir de ellos?
¿Qué herramientas de IA utilizas a diario?
Dada una cadena que contiene letras y números. Encuentra el número máximo que aparece en la cadena (considerando los dígitos consecutivos como un solo número).
¿Por qué se multiplica el vector Q durante la decodificación y qué se obtiene?
¿Cuáles son las opciones de muestreo de nuevos tokens en LLM?
¿Qué se hace con los logits antes del muestreo y qué parámetros de muestreo conoces?
¿Qué posiciones estás considerando y qué tareas te parecen más interesantes?