Machine Learning / AI
Cuéntame sobre tu enfoque: ¿cómo construyes la arquitectura con ayuda de la IA, cómo validas el código y escribes pruebas?
¿Qué eliges en la tarea planteada: refuerzo de gradiente o regresión logística y por qué?
¿Cómo se calculó la economía del modelo de predicción de rotación de empleados?
¿Es importante el orden de los fragmentos extraídos y existen métricas que lo tengan en cuenta?
¿Qué es Apache Spark y dónde es efectivo en las canalizaciones de ML?
¿Cómo se coordina entre los agentes LLM?
¿Cómo se evaluaba? ¿Qué métrica determinaba si era un buen o mal diálogo?
¿Cómo dividir automáticamente el texto en fragmentos con sentido sin usar LLM?
¿Qué funcionalidad se optimiza durante el entrenamiento de la regresión logística?
¿Cómo mejora el boosting por gradiente el rendimiento de los modelos de aprendizaje automático?
¿Qué recursos sobre modelos y artículos monitorea?
¿Cómo entenderías por qué los estudiantes en un grupo con un sistema de recomendación dejaron de realizar las tareas recomendadas?
¿Cómo se organizó el proceso de trabajo? ¿De dónde llegaban las tareas, cómo se determinaban los plazos?
¿Quién se encargó del despliegue en producción y cuáles fueron las métricas de éxito del proyecto?
¿Qué es el aprendizaje contrastivo en PLN (SimCSE)?
¿Cómo explicarías un sistema de recomendaciones a un profesor de educación física (usuario no técnico)?
¿Pueden hacer preguntas sobre estructuras de datos, como árboles y listas enlazadas, en una entrevista de ML?
Nombra al menos tres limitaciones que es importante tener en cuenta al trabajar con LLM como tecnología.
¿Qué es un cross-encoder y dónde lo has utilizado?
¿En qué áreas ha trabajado con ML? ¿Ha tenido que entrenar modelos y, de ser así, qué arquitecturas?