Εξήγησε σε δύο λέξεις πώς διαφέρει η προσέγγιση Double Robust από το IPS — τι προστίθεται και τι την καθιστά πιο ισχυρή και ανθεκτική;
Machine Learning / AI
Πού ακριβώς εμφανίζεται η διασπορά στην αξιολόγηση IPS;
Γράψτε μια σύντομη παράγραφο αυτοπαρουσίασης όπου θα επισημαίνετε ότι τα συστήματα σύστασης μοιάζουν πολύ με το RAG - ανάκτηση, επανακατάταξη, αρχιτεκτονική ομοιότητα κ.λπ., ώστε να μπορώ να το θυμάμαι και να το λέω.
Εξήγησε γιατί ένα δίκτυο δύο πύργων (two-tower) θα βοηθήσει στην επίλυση του προβλήματος του ορίου του πρώτου επιπέδου — ακριβώς λόγω τι;
Κάνε μια σύντομη ιδέα για το πώς να ξαναπακετάρεις την εμπειρία RAG για συστήματα συστάσεων, και μετά τυπικές ερωτήσεις. Μόνο σύντομα, όχι πώς να απαντήσεις, αλλά σε τι ακριβώς αφορά σύμφωνα με την εμπειρία και το βιογραφικό μου.
Πώς λειτουργεί η απώλεια αντίθεσης με αρνητικά σε batch;
Τι είναι τα αντικείμενα; Πώς προφέρονται σωστά;
Αξιολογήστε πόσα δεδομένα χρειάζονται για την περαιτέρω εκπαίδευση του μοντέλου σε παραγωγή, περιγράψτε τη διαδικασία περαιτέρω εκπαίδευσης, τις παραμέτρους, τη συνάρτηση απώλειας (contrastive/triplet) και γιατί επιλέχθηκε αυτή.
Γιατί τότε θα εκπαιδεύεται ο ranker; Δηλαδή, θα είναι ανεξάρτητος από το περιεχόμενο — ποιος είναι ο στόχος του;
Πώς γίνεται η σταδιακή ενημέρωση του FAISS index στην παραγωγή;
Το κατάλαβα σωστά: έχουμε έναν tracker που έχει μια μέση βαθμολογία από τον tracker περιεχομένου για το γέμισμα του μπλοκ, υπάρχουν χαρακτηριστικά χρήστη και μπλοκ, πήραμε ένα θετικό — τι ακριβώς;
# Διατυπώστε και γράψτε τον ορισμό του τι είναι roc auc. # Πώς υπολογίζεται το roc_auc_score; # Γράψτε μια συνάρτηση που υπολογίζει το roc_auc_score σύμφωνα με τον γραμμένο ορισμό. # Και για τυχαίο αριθμό κλάσεων με δοσμένη σειρά προτεραιότητας; # Το μοντέλο λειτουργεί ως εξής # y_score[i] >= κατώφλι -> y_pred[i] = 1 # y_score[i] < κατώφλι -> 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 δοκιμές για πολλαπλές κλάσεις 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
Τι πρέπει να κάνετε σε περίπτωση που ένα μπλοκ έχει διαφορετικές ποσότητες περιεχομένου — υπάρχουν μεμονωμένα μπλοκ και μπλοκ με 30 στοιχεία; Πώς να εργαστείτε με τις βαθμολογίες περιεχομένου για να λάβετε μια λειτουργία από αυτό το μπλοκ;
Αν σου έδιναν απεριόριστο αριθμό GPU για τη βελτίωση της ποιότητας του συστήματος, ποια κατεύθυνση θα επέλεγες πρώτα;
Παρακαλώ, πείτε μας ακριβώς τι είδους έργο ήταν και ποια ήταν ακριβώς τα καθήκοντά σας.
Πες μου για την εμπειρία σου, με τι ασχολήθηκες τα τελευταία πέντε χρόνια;
Γιατί το έργο αναπτύχθηκε για δύο χρόνια, αν λες ότι το βασικό μέρος έγινε πριν από δύο χρόνια; Είναι το έργο σε υποστήριξη τώρα ή έχει αναπτυχθεί περαιτέρω;
Τι είναι το DSSM, το ξέρεις;
# δεδομένο έναν πίνακα a = [1, 20, 10, 0, 59, 63, 0, 88, 0] -> [0, 0, 0, 1, 20, 10, 59, 63, 88] # πρέπει να γράψουμε μια βέλτιστη συνάρτηση που μεταφέρει τα μηδενικά στην αρχή του πίνακα και διατηρεί τη σειρά των υπόλοιπων στοιχείων def move_zeros_to_left(a: List[int]) -> List[int]: pass
Ποιον μορφότυπο εργασίας εξετάζετε και σε ποια πόλη ζείτε;