Machine Learning / AI
Mi az az epoch (korszak)?
Hány ember van a csapatban?
Hasonlítsa össze a lineáris és nemlineáris modelleket a klasszikus ML-ben — előnyök és hátrányok.
Értékeld, mennyi adat szükséges a modell további tanításához a gyártásban, írd le a finomhangolási folyamatot, a paramétereket, a veszteségfüggvényt (contrastive/triplet) és miért pont ezt választottad.
Hogyan csináltad a Blue-Green telepítést?
Mi az RAG-rendszerek alkalmazásának értelme?
És hogyan működne elméletileg a boostingban, ha a cél mínusz egy? Tegyük fel, hogy van pozitív és negatív, ha a pozitívnál 10-et állítunk be ahelyett, hogy egyet, mi történne, nem változna semmi?
Tudná részletesebben elmagyarázni, hogy mi az a precision és recall, és hogyan kapcsolódnak az F1-score-hoz?
Hogyan oldják meg a kollíziókat egy halmazban? Milyen kollíziókezelési módszerek léteznek?
Hogyan értékeli magát?
Dolgozott már Docker, MLflow, Airflow-val?
Mi az a DocFormer és a BROS?
Hogyan tanítjuk a fonéma osztályozó modellt? Mi van a célban?
Miért működhet gyorsabban a kvantált LLM, és miért lassítja néha a kvantálás éppen az inferenciát?
Gondolod, hogy a bruttó 300 ezer?
Miért keres új munkát, és miért hagyta el a korábbi munkahelyeit?
Volt-e táblázatos modellje a gyártásban?
Miért szükséges az adatok bővítése?
Mi az Anserini és Pyserini?
Mi az a bias és a variance?