Machine Learning / AI
¿Qué métodos de ensamblaje conoces? ¿Qué grupos de métodos de ensamblaje existen?
¿Qué es el boosting?
¿Qué tipos de errores existen en los protocolos médicos y cómo se clasifican?
¿Cuáles son las ventajas y desventajas de usar validación cruzada?
¿Cómo es en general el camino de una aplicación ML/LLM desde Dockerfile y código fuente hasta un servicio desplegado y tráfico de usuarios en Kubernetes?
¿Qué es RAG y qué problema fundamental resuelve?
¿Qué es la regularización?
¿Qué implementaciones de boosting conoces o con cuáles has trabajado?
¿Tienes ofertas/preofertas en mano ahora? ¿Qué tan activamente consideras las propuestas?
¿Cómo se forman los grupos en las pruebas A/B?
Cuéntame sobre el proyecto del sistema de auditoría de documentos
Tenemos una región donde puede ocurrir un tornado. Estamos desarrollando un modelo de clasificación binaria. ¿A qué métrica prestamos más atención: Precisión o Recall?
¿Qué exactamente quieres decir con profundidad: desplazamiento por la página o desplazamiento por el bloque?
¿Por qué quieres dejar [organización] y qué significa para ti el desarrollo profesional?
¿Qué es la acumulación de gradientes y por qué es necesaria en memoria limitada?
¿En qué se diferencian Random Forest y Gradient Boosting?
Cuéntenos sobre la regularización en algoritmos clásicos de ML: L1 y L2. ¿Cuáles son sus propiedades y diferencias?
¿Cómo estás con Docker y Kubernetes?
¿Qué es la decodificación codiciosa y cuáles son sus problemas?
Cuente un caso en el que el modelo funcionó bien en la evaluación offline, pero tuvo un rendimiento deficiente en producción: ¿qué ocurrió y qué hizo usted?