Πέρα από το F1 και το recall, ποιες μετρήσεις χρησιμοποιήθηκαν για την αξιολόγηση του ταξινομητή;
Machine Learning / AI
Πώς αξιολογήσατε την ετοιμότητα του συστήματος ταξινόμησης των εισιτηρίων υποστήριξης για την ανάπτυξη;
Τι είναι το topic στο Kafka;
Είχατε πίνακες μοντέλων σε παραγωγή;
Ποιες μετρήσεις θα παρακολουθούσατε μετά την ανάπτυξη του μοντέλου σε παραγωγή: υπηρεσίας, δεδομένων και μοντέλου;
Περιγράψτε την εμπειρία σας με το Docker: πώς συσκευάζετε και αναπτύσσετε μια υπηρεσία ML;
Τι είναι το partition στο Kafka;
Ποιες μετρήσεις θα χρησιμοποιούσατε για την αξιολόγηση του συστήματος ανάθεσης των leads στους πράκτορες;
Πείτε μας τι γνωρίζετε σχετικά με τις εργασίες αναζήτησης, κατάταξης, συστάσεων και προσωποποίησης.
Πείτε μας για τον εαυτό σας και την εμπειρία σας ως μηχανικός ML.
Υπάρχει ποσοστό κλεισίματος 5% των leads, αρκετές χώρες και πράκτορες. Πώς μπορεί να χρησιμοποιηθεί η ML για να καθορίσει σε ποιον πράκτορα να ανατεθεί ένα νέο lead;
Πώς να κανονικοποιήσετε το σκορ ώστε ένας νέος πράκτορας χωρίς ιστορικό να λαμβάνει επίσης leads και να μπορεί να πουλάει;
Πώς θα εξηγούσατε αυτήν την απόφαση στους ενδιαφερόμενους χωρίς στατιστική εκπαίδευση;
Γιατί προτείνετε το CatBoost για αυτήν την εργασία;
Πώς θα αξιολογούσατε την εμπειρία σας στο πίνακα ML σε σύγκριση με το NLP και το LLM;
Ο πράκτορας A έκλεισε 7 από 70 πιθανούς πελάτες, και ο πράκτορας B — 2 από 3. Πώς να τους συγκρίνουμε δίκαια;
Πείτε μια περίπτωση όπου το μοντέλο λειτούργησε καλά στην offline αξιολόγηση, αλλά απέτυχε στην παραγωγή: τι συνέβη και τι κάνατε;
Ποια γραμμή βάσης και ποιος τελικός υποψήφιος μοντέλου θα επιλέγατε για αυτήν την εργασία;
Ποια είναι η εμπειρία σας με το Microsoft Azure και μπορείτε να αναπτύξετε μια λύση εκεί;
Πώς εργαστήκατε με τάξεις για τις οποίες υπήρχαν πολύ λίγα παραδείγματα;