Machine Learning / AI

Δεν σε πειράζει να προσπαθήσεις να περάσεις μια συνέντευξη με τεχνητή νοημοσύνη;

Ποιο είναι το ελάχιστο και άνετο επίπεδο εισοδήματος για εσάς σε ρούβλια;

Γιατί εξετάζετε τώρα μια νέα πρόταση;

Ποια είναι η ανώτατη εκπαίδευσή σας και το πεδίο σπουδών;

Πώς ακριβώς χρησιμοποιεί το BatchNorm τις αποθηκευμένες στατιστικές σε λειτουργία `eval()` και γιατί είναι σημαντικό για τη σταθερότητα των αποτελεσμάτων;

Πώς θα απεικονίζατε τις αποκλίσεις στις θεματικές αξιολογήσεις για να κατανοήσετε πόσο επηρεάζουν τη συνολική εικόνα;

Έχετε ερωτήσεις σχετικά με τους όρους συνεργασίας;

Πρακτική άσκηση Ο έλεγχος LLM στο PyTorch δίνει διαφορετικά αποτελέσματα σε δύο εκτελέσεις. Ποια λύση είναι πιο ώριμη; - Ενεργοποιήστε eval() και συγκρίνετε ξανά τα αποτελέσματα. - Αυξήστε το μέγεθος του σετ ελέγχου. - Επαναλάβετε την εκτέλεση και επιλέξτε το καλύτερο αποτέλεσμα. - Μεταβείτε σε TensorFlow χωρίς ανάλυση της αιτίας. - Ορίστε seed και θεωρήστε το πρόβλημα ως λυμένο. - Ελέγξτε eval(), no_grad(), seed, DataLoader και deterministικές λειτουργίες CUDA.

Πείτε μας, πώς σας φάνηκε η μορφή της συνέντευξης: τι σας άρεσε και τι θα θέλατε να βελτιώσετε;

Πρακτική άσκηση Η τεχνητή νοημοσύνη δημιούργησε κώδικα για την απόφαση σχετικά με την κυκλοφορία ενός νέου LLM. Κάντε μια ανασκόπηση: τροποποιήστε τον έτσι ώστε ο επεξεργαστής να μπορεί να συγκρίνει την ποιότητα των εκδόσεων κατά θεματικά τμήματα, να βλέπει την κατανομή των αξιολογήσεων και να παρατηρεί τον κίνδυνο επιδείνωσης σε μια μικρή ομάδα δεδομένων. 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('Ποιότητα μοντέλων') plt.ylabel('Μέσος βαθμός') plt.show() print('Καλύτερη έκδοση:', 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"Θέμα: {topic}") plt.suptitle("") plt.ylabel("Βαθμολογία") plt.show() small_groups = stats[stats["count"] < 30] print("Μικρές ομάδες - τα συμπεράσματα δεν είναι αξιόπιστα:") print(small_groups)

Δώστε ένα παράδειγμα για το πώς εντοπίσατε και λύσατε το πρόβλημα των συγκρουόμενων παραδειγμάτων σε ένα πραγματικό έργο.

Πρακτική άσκηση Η τεχνητή νοημοσύνη δημιούργησε κώδικα για την απόφαση σχετικά με την κυκλοφορία ενός νέου LLM. Κάντε μια ανασκόπηση: τροποποιήστε τον έτσι ώστε ο επεξεργαστής να μπορεί να συγκρίνει την ποιότητα των εκδόσεων κατά θεματικά τμήματα, να βλέπει την κατανομή των αξιολογήσεων και να εντοπίζει τον κίνδυνο επιδείνωσης σε μια μικρή ομάδα δεδομένων. 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('Ποιότητα μοντέλων') plt.ylabel('Μέσος όρος βαθμολογίας') plt.show() print('Καλύτερη έκδοση:', summary.idxmax())

Πώς διασφαλίζετε την προέλευση των αποτελεσμάτων του πειράματος ώστε να μπορείτε να κατανοήσετε ακριβώς από πού προέρχονται οι μετρήσεις;

Είστε έτοιμοι να εξετάσετε έργα με μερική απασχόληση και συνδυασμούς;

Πώς αξιολογείτε τον εαυτό σας;

Πώς διαχειρίζεστε συνήθως τις εκδόσεις δεδομένων και μοντέλων σε τέτοιες πειραματικές καταστάσεις;

Μια ημέρα πριν από τη σύγκριση δύο εκδόσεων LLM, διαπιστώθηκε ότι ο κώδικας του πειράματος στο κλαδί υπάρχει, αλλά η ακριβής έκδοση των δεδομένων και οι παράμετροι LoRA δεν έχουν καθοριστεί. Τι θα επέλεγες ως πρώτο ενίσχυση για τις επόμενες δύο ημέρες και σε τι θα ήσουν πρόθυμος να θυσιάσεις συνειδητά;

Πρακτική άσκηση Ποιο σύνολο artefact μπορεί να αναπαράγει με ειλικρίνεια τη σύγκριση δύο εκτελέσεων LoRA; - Μόνο ο τελικός πίνακας ποιότητας. - Commit με κώδικα και στιγμιότυπο οθόνης της τελικής μετρικής. - Κώδικας και αρχείο διαμόρφωσης του πειράματος. - Κώδικας, hash δεδομένων, βασικό μοντέλο, διαμόρφωση LoRA, εξαρτήσεις και εντολή εκκίνησης. - Μόνο σύνδεσμος στο κλαδί Git. - Κώδικας, παράμετροι LoRA, έκδοση βασικού μοντέλου και εξαρτήσεις.

Υπάρχουν τρέχουσες συνεντεύξεις σε μεγάλες τεχνολογικές εταιρείες, όπως η Yandex ή η Alfa;

Δώστε ένα παράδειγμα όπου η λανθασμένη χρήση του BatchNorm σε λειτουργία `eval()` οδήγησε σε σφάλματα στις προβλέψεις.