Machine Learning / AI

Nevadí vám zkusit absolvovat pohovor s AI?

Jaká je pro vás minimální a pohodlná úroveň příjmu v rublích?

Proč nyní zvažujete novou nabídku?

Jaké máte vysokoškolské vzdělání a obor studia?

Jak přesně BatchNorm využívá uložené statistiky v režimu `eval()` a proč je to důležité pro stabilitu výsledků?

Máte otázky ohledně podmínek spolupráce?

Jak byste vizualizovali odchylky v tématických hodnoceních, abyste pochopili, jak moc ovlivňují celkový obraz?

Praktický úkol Kontrola LLM v PyTorch dává při dvou spuštěních různé výsledky. Které řešení je zralejší? - Aktivujte eval() a porovnejte výsledky znovu. - Zvyšte velikost testovací sady. - Opakujte spuštění a vyberte nejlepší výsledek. - Přepněte na TensorFlow bez analýzy příčiny. - Zafixujte seed a považujte problém za vyřešený. - Zkontrolujte eval(), no_grad(), seed, DataLoader a deterministické CUDA operace.

Povězte nám, jak se vám líbil formát pohovoru: co se vám líbilo a co byste chtěli zlepšit.

Praktická úloha Umělá inteligence vygenerovala kód pro rozhodnutí o vydání nového LLM. Proveďte revizi: upravte ho tak, aby editor mohl porovnat kvalitu verzí podle tematických segmentů, vidět rozptyl hodnocení a zaznamenat riziko zhoršení na malé skupině dat. 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('Kvalita modelů') plt.ylabel('Průměrné hodnocení') plt.show() print('Nejlepší verze:', 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"Téma: {topic}") plt.suptitle("") plt.ylabel("Hodnocení") plt.show() small_groups = stats[stats["count"] < 30] print("Malé skupiny - závěry nejsou spolehlivé:") print(small_groups)

Uveďte příklad, jak jste identifikovali a řešili problém konfliktujících příkladů v reálném projektu.

Praktický úkol Umělá inteligence vygenerovala kód pro rozhodnutí o vydání nového LLM. Proveďte revizi: upravte ho tak, aby editor mohl porovnat kvalitu verzí podle tematických segmentů, vidět rozptyl hodnocení a zaznamenat riziko zhoršení na malé skupině dat. 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('Kvalita modelů') plt.ylabel('Průměrné hodnocení') plt.show() print('Nejlepší verze:', summary.idxmax())

Jak zajišťujete původ výsledků experimentu, abyste mohli přesně pochopit, odkud metriky pocházejí?

Jste připraveni zvážit projekty na částečný úvazek a kombinace?

Jak se hodnotíte?

Jak obvykle spravujete verze dat a modelů v takových experimentech?

Existují aktuální pohovory ve velkých technologických firmách, jako je Yandex nebo Alfa?

Den 1. den před porovnáním dvou verzí LLM bylo zjištěno, že kód experimentu ve větvi je přítomen, ale přesná verze dat a parametry LoRA nejsou stanoveny. Co bys vybral jako první přírůstek na následující dva dny a čím bys byl vědomě ochoten obětovat?

Praktický úkol Jaký soubor artefaktů umožňuje spravedlivé porovnání dvou spuštění LoRA? - Pouze konečná tabulka kvality. - Commit s kódem a snímkem obrazovky konečné metriky. - Kód a konfigurační soubor experimentu. - Kód, hash dat, základní model, konfigurace LoRA, závislosti a příkaz spuštění. - Pouze odkaz na větev Git. - Kód, parametry LoRA, verze základního modelu a závislosti.

Uveďte příklad, kdy nesprávné použití BatchNorm v režimu `eval()` vedlo k chybám v předpovědích.