Machine Learning / AI

Γιατί έφυγες (φύγεις) από την [εταιρεία];

Πώς καταλήξατε σε μια συγκεκριμένη τιμή του ορίου confidence score;

Δουλεύεις τώρα ή όχι;

Είναι όλα κατανοητά για σένα σχετικά με το προϊόν (πλάνα μέσων), ή θέλεις να διευκρινίσεις κάτι;

Υπήρξε επανεκπαίδευση του μοντέλου για αυτό το έργο (όχι LLM);

Πώς θα έλυσες τώρα (με τις τρέχουσες γνώσεις σου) το πρόβλημα της ταξινόμησης και δρομολόγησης αιτημάτων σε ένα service desk, χρησιμοποιώντας μια πολυεπίπεδη προσέγγιση: rule-based → ML → LLM fallback → άνθρωπος; Αναφέρετε συγκεκριμένες τεχνολογίες, μοντέλα και μετρήσεις.

Ήσουν ο κύριος υπεύθυνος για το Data Science στην ομάδα [εταιρεία]; Ποιες προσεγγίσεις και τεχνολογίες προέρχονταν από εσένα, και ποιες ορίστηκαν από τον τεχνικό ηγέτη;

Σύγκριση γραμμικών και μη γραμμικών μοντέλων στο κλασικό ML — πλεονεκτήματα και μειονεκτήματα.

Πες λίγα λόγια για την ομάδα στην οποία εργάστηκες στην [εταιρεία].

Ποιοι τύποι tokenization γνωρίζετε; Πλεονεκτήματα και μειονεκτήματα καθενός.

Πες μου για την κανονικοποίηση: τι είναι, γιατί χρειάζεται, ποια είδη υπάρχουν.

Ήταν σε μορφή δοκιμής/πιλότου ή πήγε απευθείας σε παραγωγή και το χρησιμοποίησαν οι διαχειριστές;

Τι ήταν το προϊόν στην [εταιρεία] από την άποψη του χρήστη (ροή εγγράφων, εξαγωγή δεδομένων από КС-2/КС-3/εκτίμηση);

Τι είναι το διαβάθμιση από μαθηματική άποψη και πώς εφαρμόζεται στην μηχανική μάθηση;

Μίλησε για ένα έργο με κλασική Μηχανική Μάθηση (όχι LLM) για το οποίο είσαι περήφανος.

Πες μου για σένα, την εμπειρία σου και τα βασικά έργα (ειδικά το εταιρικό σύστημα GPT στην [εταιρεία]).

Πώς καταλάβατε αν το μοντέλο ταξινόμησε σωστά τα δεδομένα; Ποιες ενέργειες απαιτούνταν από τον διευθυντή;

Πώς μετρήσατε την ποιότητα της εξαγωγής δεδομένων;