Μετά τη νέα έκδοση του μοντέλου, η μέση βαθμολογία ποιότητας αυξήθηκε, αλλά οι συντάκτες λένε ότι οι απαντήσεις σε νομικά και οικονομικά θέματα έγιναν αισθητά χειρότερες. Ποια οπτικοποίηση θα κάνατε πρώτη για να αποφασίσετε αν θα σταματήσετε την έκδοση;
Δώστε ένα παράδειγμα όπου η λανθασμένη χρήση του BatchNorm σε λειτουργία `eval()` οδήγησε σε σφάλματα στις προβλέψεις.
Πώς διαχειρίζεστε συνήθως τις εκδόσεις δεδομένων και μοντέλων σε τέτοιες πειραματικές καταστάσεις;
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;
Σκοπεύετε να παραμείνετε στις Φιλιππίνες ή να μετακομίσετε σε άλλη χώρα;
Πρακτική άσκηση Το ερώτημα SQL σε 80 εκατομμύρια μηνύματα δημιουργεί διπλότυπα μετά το JOIN. Ποια ενέργεια είναι καλύτερο να ξεκινήσετε πρώτα; - Ελέγξτε την καρδιναλιότητα του JOIN, τα κλειδιά και το σχέδιο εκτέλεσης πριν από την βελτιστοποίηση. - Δημιουργήστε ένα δείκτη σε ένα πεδίο σύνδεσης. - Εξάγετε το αποτέλεσμα σε CSV και διαγράψτε τα διπλότυπα στην Python. - Προσθέστε πάντα το DISTINCT σε όλες τις στήλες. - Προσθέστε το DISTINCT μετά τον έλεγχο του αποτελέσματος σε δείγμα. - Ελέγξτε τα κλειδιά σύνδεσης και την μοναδικότητα και των δύο πινάκων.
Έχετε εμπειρία εργασίας σε εντελώς αγγλόφωνες ομάδες;
Μπορείτε να μας πείτε περισσότερα σχετικά με το τι ακριβώς σας φάνηκε "ασφυκτικό" στις ερωτήσεις και πώς αυτό επηρέασε την αντίληψή σας για τη συνέντευξη;
Έχετε εμπειρία από συνεντεύξεις με τεχνητή νοημοσύνη;
Πώς θα αξιολογούσατε ποσοτικά την επίδραση των εκπομπών στις μετρήσεις του μοντέλου, όπως η ακρίβεια ή το F1-score;
Έχετε προσφορές στα χέρια ή τελικά στάδια σε άλλες εταιρείες;
Πώς θα βελτιστοποιούσατε τους δείκτες στις ενώσεις κλειδιών για να μειώσετε τα διπλότυπα και να επιταχύνετε το ερώτημα;
Φανταστείτε ότι εργάζεστε με ένα μοντέλο σε PyTorch και μετά την μετατροπή του σε λειτουργία αξιολόγησης eval() βλέπετε ότι τα μετρικά σε ένα σταθερό σύνολο δοκιμών 10.000 παραδειγμάτων αλλάζουν σε κάθε εκτέλεση. Ορίζετε την αρχική κατάσταση των γεννητριών τυχαίων αριθμών για αναπαραγωγιμότητα: πού αλλού μπορεί να κρύβεται η πηγή των αλλαγών; Εξηγήστε το ρόλο του Dropout, BatchNorm και torch.no_grad() και ονομάστε τα μετρικά με τα όρια με τα οποία θα ελέγξετε τη σταθερότητα των αποτελεσμάτων.
Ποια μορφή τυπικής διαδικασίας σας βολεύει περισσότερο: GPH, IP ή TК;
Αξιολογήστε τα Αγγλικά σας ξεχωριστά για ανάγνωση/γραφή και ομιλία σύμφωνα με τα επίπεδα CEFR.
Πρακτική άσκηση Η AI προτείνει να εκπαιδεύσει το LoRA σε όλα τα 2 εκατομμύρια ακαθάριστους διαλόγους. Ποια είναι η πιο ώριμη απάντηση του υποψηφίου; - Να εμπιστευτεί κανείς την AI: ένα μεγάλο σώμα θα διορθώσει τα λάθη. - Πρώτα να αλλάξει το prompt χωρίς να αλλάξει τα δεδομένα. - Να εκπαιδεύσει το LoRA στο καθαρισμένο μέρος και να το συγκρίνει με το βασικό μοντέλο. - Να ελέγξει ένα τυχαίο δείγμα ετικετών πριν την εκπαίδευση. - Πρώτα να ελέγξει τα δεδομένα και την ποιότητα ανά θέμα σε ένα ξεχωριστό σύνολο, και στη συνέχεια να εκπαιδεύσει περιορισμένα το LoRA. - Να εκπαιδεύσει σε όλο το σώμα, αλλά να μειώσει το εύρος του LoRA.
Πώς θα χρησιμοποιούσατε ακριβώς το `EXPLAIN` για να εντοπίσετε προβλήματα απόδοσης σε αυτό το ερώτημα;
Στον πίνακα διαλόγων υπάρχουν 80 εκατομμύρια μηνύματα, και το αναλυτικό ερώτημα για το σύνολο αξιολόγησης διαρκεί 25 λεπτά και μερικές φορές επιστρέφει διπλότυπα ζευγάρια ερώτησης-απάντησης. Τι θα διορθώνατε πρώτο και γιατί;
Για τη δημιουργία ερωτήσεων, το μεγάλο γλωσσικό μοντέλο δυσκολεύεται να διατηρήσει το στυλ σε σπάνια θέματα. Ο βοηθός AI προτείνει να ξεκινήσει αμέσως το LoRA σε ολόκληρο το ιστορικό σώμα 2 εκατομμυρίων διαλόγων, αλλά η επισήμανση είναι μερικώς θορυβώδης. Σε ποιες περιπτώσεις δεν θα εμπιστευόσασταν αυτή τη συμβουλή και τι θα επιλέγατε πρώτο;
