Machine Learning / AI

Miért hagytad el (hagyod el) a [céget]?

Hogyan jutottál el egy konkrét confidence score küszöbértékhez?

Most dolgozol vagy sem?

Volt-e újra tanítva a modell ebben a feladatban (nem LLM)?

Minden világos számodra a termékről (mediatervek), vagy szeretnél valamit tisztázni?

Hogyan oldanád meg most (a jelenlegi tudásoddal) egy service desk kérésének osztályozási és irányítási problémáját, több szintű megközelítést alkalmazva: rule-based → ML → LLM fallback → ember? Nevezzen meg konkrét technológiákat, modelleket és metrikákat.

Te voltál a Data Science fő felelőse a [cég] csapatában? Milyen megközelítések és technológiák tőled származtak, és melyeket határozott meg a tech lead?

Hasonlítsa össze a lineáris és nemlineáris modelleket a klasszikus ML-ben — előnyök és hátrányok.

Milyen tokenizációs típusokat ismersz? Minden egyes előnyei és hátrányai.

Beszélj két szóban arról a csapatról, amelyben dolgoztál a [cég]nél.

Mesélj a regularizációról: mi az, mire jó, milyen típusai vannak.

Ez teszt/pilóta formában volt, vagy közvetlenül a gyártásba került, és a menedzserek használták?

Mi volt a termék a [cég]nél a felhasználó szempontjából (dokumentumáramlás, adatok kivonása a КС-2/КС-3/költségvetésből)?

Mi az a gradiens matematikai szempontból, és hogyan alkalmazzák a gépi tanulásban?

Mesélj egy klasszikus ML (nem LLM) projektről, amiben büszke vagy.

Hogyan értette meg, hogy a modell helyesen osztályozta az adatokat? Milyen lépések voltak szükségesek a menedzsertől?

Mesélj magadról, tapasztalataidról és kulcsprojektekről (különösen a [cég] vállalati GPT-rendszeréről).

Hogyan mérte az adatkinyerés minőségét?