Machine Learning / AI

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

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.

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

Praktický úkol SQL dotaz na 80 milionů zpráv vytváří duplicitní záznamy po JOINu. Jakou akci je nejlepší začít jako první? - Zkontrolovat kardinalitu JOINu, klíče a plán provedení před optimalizací. - Vytvořit index na jednom poli spojení. - Exportovat výsledek do CSV a odstranit duplicitní záznamy v Pythonu. - Vždy přidat DISTINCT ke všem sloupcům. - Přidat DISTINCT po kontrole výsledku na vzorku. - Zkontrolovat klíče spojení a jedinečnost obou tabulek.

Po nové verzi modelu se průměrné hodnocení kvality zvýšilo, ale redaktoři říkají, že odpovědi na právní a finanční témata se výrazně zhoršily. Jakou vizualizaci byste udělali jako první, abyste rozhodli, zda vydání zastavit?

Jak obvykle spravujete verze dat a modelů v takových experimentech?

Plánujete dále zůstat na Filipínách nebo se přestěhovat do jiné země?

Můžete podrobněji popsat, co vám na otázkách přišlo "dusivé" a jak to ovlivnilo vaše vnímání pohovoru?

Máte zkušenosti s prací v úplně anglicky mluvících týmech?

Máte zkušenosti s pohovory s AI?

Máte nabídky v ruce nebo finální fáze v jiných společnostech?

Jak byste kvantitativně odhadli vliv emisí na metriky modelu, například přesnost nebo F1-skóre?

Jak byste optimalizovali indexy na spojovacích klíčích, aby se snížily duplicity a urychlila dotaz?

Představte si, že pracujete s modelem v PyTorch a po jeho převedení do režimu hodnocení eval() vidíte, že metriky na pevně stanovené testovací sadě 10 000 příkladů se při každém spuštění mění. Fixujete počáteční stav generátorů náhodných čísel pro reprodukovatelnost: kde ještě může být zdroj změn skryt? Vysvětlete roli Dropout, BatchNorm a torch.no_grad() a pojmenujte metriky s prahy, podle nichž ověříte stabilitu výsledků.

Ohodnoťte svou angličtinu samostatně pro čtení/písmo a konverzaci podle úrovní CEFR.

Praktický úkol AI navrhuje trénovat LoRA na všech 2 milionech nezpracovaných dialogů. Jaká je nejzralejší odpověď kandidáta? - Důvěra v AI: velký korpus sám vyrovná chyby. - Nejprve změnit prompt, aniž bychom měnili data. - Vytrénovat LoRA na očištěné části a porovnat ji s základním modelem. - Před tréninkem zkontrolovat náhodný vzorek označení. - Nejprve zkontrolovat data a kvalitu podle témat na samostatném setu, poté omezeně trénovat LoRA. - Trénovat na celém korpusu, ale snížit řád LoRA.

Jak byste přesně použili `EXPLAIN` k odhalení problémů s výkonem v tomto dotazu?

Jaký formát formalizace vám vyhovuje nejvíce: GPH, IP nebo TК?

V tabulce dialogů je 80 milionů zpráv a analytický dotaz pro sadu hodnocení trvá 25 minut a občas vrací duplicitní páry otázka-odpověď. Co byste opravili jako první a proč?

Pro generování otázek má velký jazykový model potíže udržet styl u vzácných témat. AI asistent navrhuje okamžitě spustit LoRA na celém historickém korpusu 2 milionů dialogů, ale označení je částečně šumivé. Kde této radě nedůvěřujete a co byste vybrali jako první?