Machine Learning / AI
Σύγκριση γραμμικών και μη γραμμικών μοντέλων στο κλασικό ML — πλεονεκτήματα και μειονεκτήματα.
Αναφέρετε το έργο ομαδοποίησης αιτημάτων με επισήμανση κατά επιχειρηματική σημασία.
Πώς έκανες το Blue-Green deployment;
Πώς θα διαμορφώσουμε το σύνολο δεδομένων για την εκπαίδευση αυτού του ranker;
Αν ο worker είναι συγχρονικός, θα έχει batching;
Υπήρχαν μαθήματα σχετικά με μοντέλα βελτιστοποίησης;
Ποιες πηγές δεδομένων για ML έχετε ενσωματώσει (DWH, Kafka, S3);
Τι είναι η διατομεακή δικαιοσύνη;
Ποιες βιβλιοθήκες χρησιμοποιούνται για τη βελτιστοποίηση του LLM;
Μπορείτε να εξηγήσετε λεπτομερέστερα τι είναι η ακρίβεια και η ανάκληση και πώς σχετίζονται με το σκορ F1;
Πώς επιλύονται οι συγκρούσεις σε ένα σύνολο; Ποιες μέθοδοι επίλυσης συγκρούσεων υπάρχουν;
Ποιον ranker επέλεξαν για το reranking;
Πώς αξιολογείτε τον εαυτό σας;
Θα θέλατε να περνάτε το 100% του χρόνου γράφοντας κώδικα ή προτιμάτε μια άλλη αναλογία;
Πώς είναι δομημένος ο orchestrator: ποιο πλαίσιο και αρχιτεκτονική χρησιμοποιούνται, τι κάνει, είναι μονοβήμα ή μπορεί να σκεφτεί πολλές φορές πριν απαντήσει;
Πώς εκπαιδεύουμε το μοντέλο ταξινόμησης φωνημάτων; Τι υπάρχει στον στόχο;
Πώς υλοποιείται η δρομολόγηση αιτημάτων μεταξύ σεναρίων — σε ποια μορφή δίνει την απάντηση το LLM και πώς επιλέγεται το σενάριο βάσει αυτής;
Μπορείτε να εξηγήσετε λεπτομερέστερα πώς υπολογίζεται ακριβώς το αντι-γραδιντ και πώς χρησιμοποιείται για την κατασκευή του επόμενου δέντρου;
Πώς οργανώνεται μια ομάδα ελέγχου (τεστ) σε μοντέλα κινδύνου;
Θεωρείς έναν ακαθάριστο μισθό 300 χιλιάδων;