Machine Learning / AI

Kas teil pole midagi vastu proovida teha intervjuu tehisintellektiga?

Milline on teie jaoks minimaalne ja mugav sissetuleku tase rublades?

Miks te praegu uut pakkumist kaalute?

Milline on teie kõrgharidus ja õppevaldkond?

Kuidas täpselt kasutab BatchNorm salvestatud statistikat `eval()` režiimis ja miks see on oluline tulemuste stabiilsuse jaoks?

Kas teil on küsimusi koostöötingimuste kohta?

Kuidas te visualiseeriksite temaatiliste hinnangute kõrvalekaldeid, et mõista, kui palju need mõjutavad üldpilti?

Praktiline ülesanne LLM kontroll PyTorchis annab kahe jooksu jooksul erinevaid tulemusi. Milline lahendus on küpsem? - Lülitage eval() sisse ja võrdlege tulemusi uuesti. - Suurendage kontrollkomplekti suurust. - Korrake käivitust ja valige parim tulemus. - Lülitu TensorFlow-le ilma põhjuse analüüsimata. - Seadistage seed ja arvake probleem lahendatuks. - Kontrollige eval(), no_grad(), seed, DataLoader ja deterministilisi CUDA operatsioone.

Rääkige meile, kuidas teile meeldis vestluse formaat: mis teile meeldis ja mida soovite parandada.

Praktikune ülesanne Tehisintellekt on loonud koodi uue LLM-i väljaandmise otsuse jaoks. Tehke ülevaade: muutke seda nii, et toimetaja saaks võrrelda versioonide kvaliteeti temaatiliste segmentide kaupa, näha hinnangute hajuvust ja märkida väikese andmehulgaga seotud halvenemise riski. 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('Mudelite kvaliteet') plt.ylabel('Keskmine hinnang') plt.show() print('Parim versioon:', 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"Teema: {topic}") plt.suptitle("") plt.ylabel("Hinnang") plt.show() small_groups = stats[stats["count"] < 30] print("Väikesed grupid - järeldused ei ole usaldusväärsed:") print(small_groups)

Praktinė užduotis Dirbtinis intelektas sugeneravo kodą, skirtą priimti sprendimą dėl naujo LLM leidimo. Atlikite peržiūrą: pakeiskite jį taip, kad redaktorius galėtų palyginti versijų kokybę pagal teminius segmentus, matyti įvertinimų sklaidą ir pastebėti riziką pablogėti mažoje duomenų grupėje. 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('Modelių kokybė') plt.ylabel('Vidējā vērtējuma') plt.show() print('Labākā versija:', summary.idxmax())

Tooge näide, kuidas te tuvastasite ja lahendasite konfliktsete näidete probleemi reaalprojektis.

Kuidas tagate eksperimenti tulemuste päritolu, et saaksite täpselt aru saada, kust mõõdikud pärinevad?

Kas oled valmis kaaluma osalise tööajaga ja kombinatsiooniprojekte?

Kuidas te end hinnata?

Üks päev enne kahe LLM versiooni võrdlemist selgus, et eksperimenti kood on olemas, kuid täpne andmeversioon ja LoRA parameetrid ei ole fikseeritud. Mida valiksid esimese inkrementina järgmiste kahe päeva jooksul ja millele teadlikult loobud?

Kas on praegu suurte tehnoloogiaettevõtete, näiteks Yandexi või Alfa, intervjuud?

Kuidas tavaliselt haldate sellistes katsetes andmete ja mudelite versioone?

Praktiline ülesanne Milline artefaktide kogum võimaldab ausalt taastada kahe LoRA käivitamise võrdluse? - Ainult lõplik kvaliteetdiagramm. - Commit koos koodiga ja lõpliku metrika ekraanipildiga. - Katse kood ja konfiguratsioonifail. - Kood, andmete hash, põhimudel, LoRA konfiguratsioon, sõltuvused ja käivitamise käsk. - Ainult link Git'i harule. - Kood, LoRA parameetrid, põhimudeli versioon ja sõltuvused.

Kas teil on kogemusi töötada täielikult inglise keelt kõnelevates meeskondades?