Machine Learning / AI
Milyen fő nehézségekkel szembesül az AI és fejlesztés területén?
Mi az a kontextusablak, és miért fontos az LLM-mel való munka során?
Van tapasztalata időszakos adatsorokkal?
Azt mondtad, hogy az eszközök csak olvasási módban vannak, nem volt írás a rendszerben?
Hogyan értette meg, hogy a modell helyesen osztályozta az adatokat? Milyen lépések voltak szükségesek a menedzsertől?
Mi az a keresztvalidáció? Milyen típusai vannak?
Mi az a kvantilis regresszió intervallumokkal rendelkező előrejelzésekhez?
Hogyan értékelte a RAG rendszer minőségét? Milyen metrikákat használt?
Mit eredményez a szintetikus adatok generálása egy ritka osztályhoz? Mi történik az eloszlással?
Használtál monitorozást? Dolgoztál Kafka vagy RabbitMQ üzenetközvetítőkkel?
Mi az elváráscsomag?
Gyakorlati feladat A mesterséges intelligencia generált egy kódot az új LLM kiadásáról szóló döntéshez. Végezzen áttekintést: módosítsa úgy, hogy a szerkesztő össze tudja hasonlítani a verziók minőségét tematikus szegmensek szerint, lássa az értékelések szórását, és észrevegye a kis adathalmazon való romlás kockázatát. 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('Modellek minősége') plt.ylabel('Átlagos értékelés') plt.show() print('Legjobb verzió:', summary.idxmax())
Tudná részletesebben elmagyarázni, hogyan számítják ki pontosan a jellemzők fontosságának numerikus értékét egy döntési fában?
Mi az az Elastic Net?
Mi kerül a osztályozóba az audio beágyazásán kívül?
Miért használták kifejezetten a natív toolcalling-ot ahelyett, hogy JSON-sémát adtak volna a promptba?
Mi az a concept drift, és hogyan reagáljunk rá?
Dolgozott már objektumorientált programozással?
Mit tegyünk az ML-modell súlyaival, ha néhány gigabájtot nyomnak? Hogyan tároljuk őket a Docker kontextusában?
Mi az a ring-allreduce, és miért hatékonyabb, mint a paraméter szerver?