Machine Learning / AI

Դու չես դեմ փորձել անցնել հարցազրույց AI-ով?

Կա՞ն հարցեր համագործակցության պայմանների մասին:

Ի՞նչ է ձեր համար նվազագույն և հարմարավետ եկամտի մակարդակը ռուբլով։

Ի՞նչ բարձրագույն կրթություն ունեք և ինչ ոլորտի մասնագիտացում։

Ինչու եք հիմա նոր առաջարկը դիտարկում?

Ինչպես է BatchNorm-ը օգտագործում պահված վիճակագրությունները `eval()` ռեժիմում և ինչու է դա կարևոր արդյունքների կայունության համար։

Ինչպե՞ս կվիզուալացնեիք թեմատիկ գնահատականների արտագնա արտահայտությունները՝ հասկանալու համար, թե որքան են դրանք ազդում ընդհանուր պատկերին։

Երկու LLM տարբերությունների համեմատությունից մեկ օր առաջ պարզվեց, որ փորձի կոդը ճյուղում կա, բայց տվյալների ճշգրիտ տարբերակը և LoRA պարամետրերը չեն հաստատվել: Ինչ եք ընտրելու որպես առաջին ավելացում հաջորդ երկու օրերի համար և ինչին գիտակցաբար կզիջեք?

Ինչպե՞ս եք գնահատում ինքներդ ձեզ։

Практиկային առաջադրանք PyTorch-ում LLM ստուգումը երկու գործարկումներում տարբեր արդյունքներ է տալիս: Որ լուծումը ավելի հասուն է? - Ակտիվացրեք eval() և կրկին համեմատեք արդյունքները: - Հետազոտական հավաքածուի չափը մեծացրեք: - Կրկնեք գործարկումը և ընտրեք լավագույն արդյունքը: - Փոխեք TensorFlow-ին առանց պատճառը վերլուծելու: - Fix seed և համարեք խնդիրը լուծված: - Ստուգեք eval(), no_grad(), seed, DataLoader և որոշիչ CUDA գործողությունները:

Ներկայացրեք օրինակ, թե ինչպես եք հայտնաբերել և լուծել հակասական օրինակների խնդիրն իրական նախագծում։

Դուք պատրաստվու՞մ եք դիտարկել մասնակի զբաղվածության և համատեղ աշխատանքի նախագծեր։

Практиական առաջադրանք Արհեստական բանականությունը ստեղծել է կոդ՝ որոշելու նոր LLM-ի թողարկման մասին: Կատարեք վերանայում՝ այն փոփոխեք այնպես, որ խմբագրողը կարողանա համեմատել տարբերակների որակը թեմատիկ հատվածներով, տեսնել գնահատականների տարածումը և նկատել փոքր տվյալների խմբում վատթարացման ռիսկը: 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('Մոդելների որակը') plt.ylabel('Միջին գնահատական') plt.show() print('Լավագույն տարբերակ՝', summary.idxmax())

Հաղորդեք, թե ինչպես եք գնահատում հարցազրույցի ձևաչափը՝ ինչն է ձեզ դուր եկել և ինչն է ուզում բարելավել։

Практиկայ գործառույթ Արհեստական բանականությունը ստեղծել է կոդ նոր LLM թողարկելու որոշման համար: Կատարեք վերանայում՝ այն փոխեք այնպես, որ խմբագրողը կարողանա համեմատել տարբերակների որակը թեմատիկ հատվածներով, տեսնել գնահատականների տարածումը և նկատել փոքր տվյալների խմբում վատթարացման ռիսկը: 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('Մոդելների որակը') plt.ylabel('Միջին գնահատական') plt.show() print('Լավագույն տարբերակ՝', 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"Թեմա: {topic}") plt.suptitle("") plt.ylabel("Գնահատում") plt.show() small_groups = stats[stats["count"] < 30] print("Փոքր խմբեր - եզրակացությունները չեն վստահելի:") print(small_groups)

Ինչպե՞ս եք ապահովում փորձարարության արդյունքների ծագումը, որպեսզի կարողանաք հստակ հասկանալ, թե որտեղից են գալիս մետրիկաները։

Կա արդյոք ներկայումս հարցազրույցներ մեծ տեխնոլոգիական ընկերություններում, ինչպիսիք են Yandex կամ Alfa?

Практиկային առաջադրանք Ի՞նչ հավաքածու արհեստագործների թույլ է տալիս արդարացիորեն վերարտադրել երկու LoRA գործարկումների համեմատությունը: - Միայն վերջնական որակի աղյուսակը: - Կոմիտ՝ կոդով և վերջնական մետրի պատկերի նկարի հետ: - Կոդ և փորձի կոնֆիգուրացիայի ֆայլ: - Կոդ, տվյալների հեշ, հիմնական մոդել, LoRA կոնֆիգուրացիա, կախվածություններ և գործարկման հրամանի: - Միայն Git ճյուղի հղում: - Կոդ, LoRA պարամետրեր, հիմնական մոդելի տարբերակ և կախվածություններ։

Ի՞նչ ցանկություններ կամ սահմանափակումներ ունեք նախագծերի և թեմատիկ ոլորտների վերաբերյալ:

Практиկային առաջադրանք Նոր LLM-ի միջին գնահատականը աճել է, բայց խմբագիրները բողոքում են ֆինանսական պատասխաններից: Որ գրաֆիկը լավագույն կերպով կաջակցի թողարկման որոշմանը: Միջին գնահատականի հիմնական ցուցանիշը: Բոլոր թեմաների միջին գնահատականներով սյունակներ: Տուփեր մուրճերով թեմաներով և մոդելի տարբերակներով: Թեմաների միջին գնահատականների աղյուսակ: Նոր պատասխաններից բառապաշար: Գնահատումների բաշխում տարբերակներով և թեմաներով՝ յուրաքանչյուր խմբի չափով։