Machine Learning / AI

Дайте пример, когато неправилната употреба на BatchNorm в режим `eval()` доведе до грешки в предсказанията.

Практическо задание Какъв набор от артефакти позволява честно възпроизвеждане на сравнение на две изпълнения на LoRA? - Само крайната таблица с качество. - Commit с код и скрийншот на крайната метрика. - Код и файл с конфигурацията на експеримента. - Код, хеш на данните, базов модел, конфигурация на LoRA, зависимости и команда за стартиране. - Само линк към клон на Git. - Код, параметри на LoRA, версия на базовия модел и зависимости.

Има ли текущи интервюта в големи технологични компании като Yandex или Alfa?

Практическо задание SQL заявка към 80 милиона съобщения създава дублиране след JOIN. Какво действие е по-добре да започнете първо? - Проверете кардиналността на JOIN, ключовете и плана за изпълнение преди оптимизация. - Създайте индекс върху едно поле за свързване. - Експортирайте резултата в CSV и премахнете дублиращите се записи в Python. - Винаги добавяйте DISTINCT към всички колони. - Добавете DISTINCT след проверка на резултата на проба. - Проверете ключовете за свързване и уникалността на двете таблици.

След новата версия на модела средната оценка за качество се е увеличила, но редакторите казват, че отговорите по юридически и финансови теми са станали значително по-лоши. Каква визуализация ще направите първо, за да решите дали да спрете издаването?

Обикновено как управлявате версиите на данните и моделите в такива експерименти?

Планирате ли да останете на Филипините или да се преместите в друга страна?

Можете ли по-подробно да разкажете какво точно ви се стори "задушаващо" в въпросите и как това повлия на вашето възприятие за интервюто?

Имали ли сте опит в работа в напълно англоезични екипи?

Имали ли сте опит с интервюта с ИИ?

Имаш ли оферти на ръка или финални етапи в други компании?

Как бихте количествено оценили въздействието на емисиите върху метриките на модела, например точност или F1-скор?

Как бихте оптимизирали индексите по ключовете за свързване, за да намалите дублирането и да ускорите заявката?

Представете си, че работите с модел в PyTorch и след като го превключите в режим на оценка eval() виждате, че метриките на фиксиран тестов набор от 10 000 примера се променят при всяко изпълнение. Фиксирате началното състояние на генераторите на случайни числа за възпроизводимост: къде още може да се крие източникът на промените? Обяснете ролята на Dropout, BatchNorm и torch.no_grad() и назовете метриките с прагове, по които ще проверите стабилността на резултатите.

Оценете английския си отделно за четене/писане и говорене според нивата CEFR.

Практическо задание AI предлага да обучи LoRA върху всички 2 милиона неочистени диалога. Кой е най-зрелият отговор на кандидата? - Да се доверим на AI: голям корпус ще компенсира грешките. - Първо да променим промта, без да променяме данните. - Да обучим LoRA върху почистената част и да я сравним с базовия модел. - Да проверим случайна извадка от маркировките преди обучението. - Първо да проверим данните и качеството по теми на отделен набор, след което да ограничено обучаваме LoRA. - Да обучим върху целия корпус, но да намалим ранга на LoRA.

Как точно бихте използвали `EXPLAIN`, за да идентифицирате проблеми с производителността в този заявка?

Кой формат на формализиране ви е най-удобен: GPH, IP или TК?

В таблицата с диалози има 80 милиона съобщения, а аналитичният заявка за оценъчния набор отнема 25 минути и понякога връща дублиращи се двойки въпрос-отговор. Какво ще поправите първо и защо?

За генериране на въпроси, големият езиков модел трудно поддържа стила при редки теми. AI асистентът предлага веднага да стартира LoRA върху цялостния исторически корпус от 2 милиона диалога, но маркировката е частично шумна. В кои случаи не бихте се доверили на този съвет и какво бихте избрали първо?