Wie können wir ein Poster, das nur auf der Seite des Nutzers angezeigt wird, mit denen vergleichen, die er nicht gesehen hat (teilweises Feedback)?
Machine Learning / AI
(Nach Klärung mit dem Interviewer) Wie formulieren wir jetzt die Aufgabe und den Ansatz, da die Item-Empfehlungen bereits vorhanden sind und die Blöcke auf der Startseite ohne doppelte Inhalte platziert werden sollen?
Wodurch genau entsteht die Streuung bei der IPS-Schätzung?
Gib eine kurze Idee, wie man die RAG-Erfahrung für Empfehlungssysteme neu verpacken kann, gefolgt von typischen Fragen. Nicht, wie man antwortet, sondern worum es aus meiner Erfahrung und meinem Lebenslauf geht.
Schreiben Sie einen kurzen Absatz zur Selbstpräsentation, in dem Sie hervorheben, dass Empfehlungssysteme sehr ähnlich zu RAG sind - Retrieval, Re-Ranking, architektonische Ähnlichkeiten usw., damit ich es mir merken und erzählen kann.
Wie funktioniert der Kontrastverlust mit Negativen im Batch?
Wie erfolgt die inkrementelle Aktualisierung des FAISS-Index in der Produktion?
Was sind Items? Wie spricht man sie richtig aus?
Schätzen Sie, wie viele Daten für das Fine-Tuning des Modells in der Produktion benötigt werden, beschreiben Sie den Fine-Tuning-Prozess, die Parameter, die Verlustfunktion (Kontrastiv/Triplet) und warum genau diese gewählt wurde.
# Formulieren und schreiben Sie die Definition dessen, was roc auc ist. # Wie wird der roc_auc_score berechnet? # Schreiben Sie eine Funktion, die roc_auc_score gemäß der geschriebenen Definition berechnet. # Und für eine beliebige Anzahl von Klassen mit gegebener Prioritätsreihenfolge? # Das Modell funktioniert wie folgt # y_score[i] >= Schwelle -> y_pred[i] = 1 # y_score[i] < Schwelle -> y_pred[i] = 0 def test_roc_aur_score(): y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.6, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.8 y_true = [0, 1, 0, 0, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.375 y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1 y_true = [0, 0, 0, 0, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0 # Bonus-Tests für mehrere Klassen y_true = [0, 1, 0, 0.5, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0. y_true = [0, 0.1, 0.2, 0.3, 0.4, 0.6] y_score = [0, 0.1, 0.2, 0.3, 0.4, 0.6] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1
Was tun, wenn ein Block unterschiedliche Mengen an Inhalt hat — einzelne Blöcke und Blöcke mit 30 Elementen? Wie mit den Punktzahlen des Inhalts arbeiten, um eine Funktion dieses Blocks zu erhalten?
Habe ich richtig verstanden: Wir haben einen Tracker, der eine durchschnittliche Punktzahl vom Content-Tracker für die Befüllung des Blocks hat, es gibt Nutzer- und Blockeigenschaften, wir haben einen positiven Wert genommen — was genau?
Bitte erzählen Sie uns genau, um welches Projekt es sich handelte und worin genau Ihre Aufgaben bestanden.
Erzähle mir von deiner Erfahrung, womit hast du dich in den letzten fünf Jahren beschäftigt?
Wenn man dir unbegrenzte GPU für die Verbesserung der Systemqualität geben würde, in welche Richtung würdest du zuerst investieren?
Was ist DSSM, weißt du?
Warum wurde das Projekt zwei Jahre lang entwickelt, wenn du sagst, dass das Wesentliche vor zwei Jahren erledigt wurde? Ist das Projekt jetzt in Wartung oder wurde es weiterentwickelt?
Warum wird dann der Ranker trainiert? Das heißt, er wird unabhängig vom Inhalt sein — was ist sein Ziel?
Welches Arbeitsformat ziehen Sie in Betracht und in welcher Stadt wohnen Sie?
# Gegeben ist ein Array a = [1, 20, 10, 0, 59, 63, 0, 88, 0] -> [0, 0, 0, 1, 20, 10, 59, 63, 88] # Es ist notwendig, eine optimale Funktion zu schreiben, die die Nullen an den Anfang des Arrays verschiebt und die Reihenfolge der anderen Elemente beibehält def move_zeros_to_left(a: List[int]) -> List[int]: pass