Machine Learning / AI

Haben Sie nichts dagegen, ein Vorstellungsgespräch mit KI zu versuchen?

Welches Mindesteinkommen ist für Sie in Rubeln komfortabel?

Welche Hochschulausbildung haben Sie und in welchem Fachgebiet?

Warum ziehen Sie jetzt ein neues Angebot in Betracht?

Haben Sie Fragen zu den Bedingungen der Zusammenarbeit?

Wie genau verwendet BatchNorm die gespeicherten Statistiken im `eval()`-Modus und warum ist das wichtig für die Stabilität der Ergebnisse?

Wie würden Sie Ausreißer in den thematischen Bewertungen visualisieren, um zu verstehen, wie sehr sie das Gesamtbild beeinflussen?

Praktische Aufgabe Die Überprüfung von LLM in PyTorch liefert bei zwei Durchläufen unterschiedliche Ergebnisse. Welche Lösung ist ausgereifter? - eval() aktivieren und die Ergebnisse erneut vergleichen. - Die Größe des Testsets erhöhen. - Den Lauf wiederholen und das beste Ergebnis wählen. - Zu TensorFlow wechseln, ohne die Ursache zu analysieren. - Seed fixieren und das Problem als gelöst betrachten. - eval(), no_grad(), seed, DataLoader und deterministische CUDA-Operationen überprüfen.

Einen Tag vor dem Vergleich zweier LLM-Versionen wurde festgestellt, dass der Code des Experiments im Branch vorhanden ist, aber die genaue Version der Daten und die LoRA-Parameter nicht festgelegt sind. Was würdest du als erstes Inkrement für die nächsten zwei Tage wählen und worauf würdest du bewusst verzichten?

Geben Sie ein Beispiel dafür, wie Sie ein Problem mit widersprüchlichen Beispielen in einem echten Projekt erkannt und gelöst haben.

Berichten Sie uns, wie Ihnen das Format des Vorstellungsgesprächs gefallen hat: Was hat Ihnen gefallen und was möchten Sie verbessern.

Wie bewerten Sie sich selbst?

Praktische Aufgabe KI hat einen Code für die Entscheidung über die Einführung eines neuen LLM generiert. Überprüfe ihn: Ändere ihn so, dass der Editor die Qualität der Versionen nach thematischen Segmenten vergleichen, die Streuung der Bewertungen sehen und das Risiko einer Verschlechterung bei einer kleinen Datenmenge bemerken kann. 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('Modellqualität') plt.ylabel('Durchschnittliche Bewertung') plt.show() print('Beste Version:', 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"Thema: {topic}") plt.suptitle("") plt.ylabel("Bewertung") plt.show() small_groups = stats[stats["count"] < 30] print("Kleine Gruppen - Schlussfolgerungen sind nicht zuverlässig:") print(small_groups)

Sind Sie bereit, Projekte in Teilzeit und Kombinationen zu erwägen?

Praktische Aufgabe KI hat einen Code generiert, um die Entscheidung über die Einführung eines neuen LLM zu treffen. Überarbeite ihn: Ändere ihn so, dass der Editor die Qualität der Versionen nach thematischen Segmenten vergleichen, die Streuung der Bewertungen sehen und das Risiko einer Verschlechterung bei einer kleinen Datenmenge bemerken kann. 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('Qualität der Modelle') plt.ylabel('Durchschnittliche Bewertung') plt.show() print('Beste Version:', summary.idxmax())

Wie stellen Sie die Herkunft der Ergebnisse des Experiments sicher, um genau zu verstehen, woher die Metriken stammen?

Wie verwalten Sie in solchen Experimenten normalerweise Versionen von Daten und Modellen?

Gibt es derzeitige Vorstellungsgespräche bei Big-Tech-Unternehmen wie Yandex oder Alfa?

Praktische Aufgabe Welcher Artefaktensatz ermöglicht eine ehrliche Reproduktion des Vergleichs zweier LoRA-Läufe? - Nur die endgültige Qualitätstabelle. - Commit mit Code und Screenshot der endgültigen Metrik. - Code und Konfigurationsdatei des Experiments. - Code, Daten-Hash, Basismodell, LoRA-Konfiguration, Abhängigkeiten und Startbefehl. - Nur Link zum Git-Branch. - Code, LoRA-Parameter, Version des Basismodells und Abhängigkeiten.

Welche Wünsche oder Einschränkungen haben Sie bezüglich Projekte und Fachgebiete?