Ինչպե՞ս եք գնահատել աջակցման տոմսերի դասակարգման համակարգի պատրաստվածությունը տեղադրման համար։
Machine Learning / AI
Բացի F1 և recall-ից, ինչ մեթոդներ են օգտագործվել դասակարգիչը գնահատելու համար?
Ի՞նչ է topic-ը Kafka-ում։
Դուք ունեցել եք սեղանային մոդելներ արտադրությունում?
Նկարագրեք Docker-ով աշխատելու փորձը՝ ինչպես փաթեթավորել և տեղադրել ML-ծառայություն։
Ի՞նչ չափանիշներ կվերահսկեք մոդելի տեղադրման հետո արտադրությունում՝ ծառայության, տվյալների և մոդելի մետրիկա՞ն:
Ի՞նչ չափանիշներ կօգտագործեիք գործակալներին առաջադրելու համակարգը գնահատելու համար։
Ինչ է partition-ը Kafka-ում?
Պատմեք մեզ, ինչ եք իմանում որոնման, դասակարգման, առաջարկների և անձնականացման խնդիրների մասին։
Պատմեք ձեզ և ձեր փորձի մասին որպես ML ինժեներ։
Լիդների փակման ցուցանիշը 5% է, մի քանի երկրներ և գործակալներ։ Ինչպե՞ս օգտագործել մեքենայական ուսուցումը՝ որոշելու համար, թե որ գործակալի՞ն նշանակել նոր լիդ։
Ինչպես նորմալացնել միավորումը, որպեսզի նոր գործակալը առանց պատմության նույնպես ստանա առաջնորդներ և կարողանա վաճառել?
Ինչպե՞ս կբացատրեք այս որոշումը շահագրգիռ կողմերին առանց վիճակագրական պատրաստության:
Ինչու եք առաջարկում այս առաջադրանքի համար CatBoost-ը?
Ինչպե՞ս կգնահատեք ձեր փորձը աղյուսակային ML-ում համեմատած NLP և LLM-ի հետ։
Ագենտ A-ն փակել է 70 հնարավորինց 7-ը, իսկ Ագենտ B-ն — 3-ից 2-ը։ Ինչպե՞ս արդար կերպով նրանց համեմատել։
Ի՞նչ հիմք և ի՞նչ վերջնական մոդելի թեկնածու եք ընտրելու այս առաջադրանքի համար։
Կպատմեք դեպքի մասին, երբ մոդելը լավ աշխատեց օֆլայն գնահատման ժամանակ, բայց վատ արդյունք տվեց արտադրությունում՝ ինչ տեղի ունեցավ և ինչ արեցիք։
Ի՞նչ փորձ ունեք Microsoft Azure-ով և կարող եք արդյոք տեղադրել լուծում այնտեղ։
Իմացեք ինձ մասին անգլերեն՝ կարճ նկարագրեք ձեր ամենակարևոր հմտությունները և փորձը։