Machine Learning / AI
Co převádí rychlost modelu na štítek třídy?
Spočítejte celkovou částku příjmů (revenue) pro každého uživatele Pro každého uživatele najděte jeho první a poslední datum nákupu Přidejte do datového rámce nový sloupec prev_revenue, který obsahuje příjem z předchozího nákupu tohoto uživatele (posun uvnitř skupiny). Pokud předchozí není, nastavte NaN
Už tam pracujete čtyři roky. Proč jste se rozhodli odejít? Proč nyní zvažujete nabídku?
Jaký byl produkt ve [společnosti] z pohledu uživatele (dokumentová správa, extrakce dat z KS-2/KS-3/rozpočet)?
V jaké podobě LLM klasifikuje dotaz — co přesně vrací pro výběr scénáře?
Proč nelze jednoduše sčítat skóre BM25 a hustých embeddingů?
Kudy by ses chtěl dále rozvíjet, jaké profesní směry vyzdvihuješ pro sebe?
Proč navrhujete CatBoost pro tento úkol?
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)
Jaké jsou vaše přání nebo omezení ohledně projektů a tématických oblastí?
Jak bys nyní (se svými současnými znalostmi) řešil problém klasifikace a směrování požadavků v service desk pomocí víceúrovňového přístupu: rule-based → ML → LLM fallback → člověk? Uveďte konkrétní technologie, modely a metriky.
Z hlediska rychlosti, co bude rychlejší — jednoduchý agent s nástroji nebo multiagentní systém?
Co je to batch normalization?
Jak popisoval nástroje? Jaký je obecný formát a hlavní požadavky na popis?
Prosím, řekněte nám přesně, o jaký projekt šlo a čím jste se přesně zabývali.
Proč se používá F1 míra místo aritmetického průměru Precision a Recall?
Jak byste provedli experiment: pouze na historických datech nebo přes A/B test v produkci?
Odhadněte, kolik dat je potřeba pro dohloubení modelu v produkci, popište proces dohloubení, parametry, ztrátovou funkci (contrastive/triplet) a proč byla zvolena právě ona.
Jak často píšeš kód v Pythonu, backend? (v kontextu budoucích úkolů ve firmě)
Nezlobí vás, že se tým neustále mění, zákazník? Nebo nekomunikujete přímo se zákazníkem?