Machine Learning / AI
Իմացեք ձեր ամենագեղեցիկ նախագիծը NLP և LLM ոլորտում, ներառյալ ճարտարապետությունը և լուծման գնահատականը։
Դու ունե՞ս փորձ PyTorch-ով, ինչ խնդիրներ էիր լուծել նրա հետ:
Դուք երբևէ հանդիպե՞լ եք պատահական անտառի (աշխատանքում կամ ուսումնական հաստատությունում): Ինչ են հիմնական տարբերությունները պատահական անտառի և բուստինգի միջև?
Այս սխեմայում, եթե օգտվողը գրի բառը «բարև», այն կգնա RAG և ստանա պատասխան RAG-ի միջոցով՝ բառը «բարև»: Ինչպե՞ս կարող ենք դա տեսնել/խուսափել:
Ցանկանում եք մնալ հենց Node.js և React-ում, թե պատրաստ եք ուրիշ ստեկի (ML կոնտեքստում)?
Ինչի վրա էին չափվում մոդելի ընտրության մետրիկները (համակարգը)?
Պատմեք Word2Vec-ի մասին. Ի՞նչ ուսուցման խնդիրներ են օգտագործվում դրա մեջ (CBOW, Skip-gram):
Ինչու եք ընտրել հենց երկու գործակալներ: Ինչու ոչ մեկը կամ ավելին?
Պատմիր թիմի մասին՝ անձանց թիվը, դերերը, գործընթացները, առաջադրանքների բաշխումը։
Դու նշանակվեցիր ուղղության զարգացման համար։ Պատմիր, ինչ էլ հաջողվեց բերել որպես միակ ներդնող։
Ինչպես կազմակերպվեցին գրառումները և ամփոփումները երեքամյա մկրտության պատուհանում՝ հեռացման նախագծի համար:
Ինչի վրա էին չափվում retrive մետրիկաները (որ տվյալների հավաքածու և գործիք)?
Python- ում տողերը փոփոխական կամ անփոփոխ տվյալների տեսակ են:
Որ փուլում եք մասնակցել AI-գործակալը մշակելիս՝ մոդելի կառուցում կամ MLOps?
Ինչպե՞ս պայքարել այն բանի դեմ, որ հին ցուցադրության քաղաքականությունը կարող է չլինել օպտիմալ, նույնիսկ եթե օգտագործենք propensity — այստեղ propensity շատ օգուտ չի տալիս։
Անցկացրեք առանձին կերպով prefill և decode՝ Q/K/V, մատրիցի ձևեր և փուլերի տարբերություններ։
Ի՞նչ եք օգտագործում կոդային գործակալների արագ պրոտոտիպավորման համար: Ինչպե՞ս եք օգտագործում AI-ն զարգացման մեջ։
Քանի մարդ էր եղել պրակտիկայում?
Python-ում առաջադրանք՝ գտնել առաջին եզակի նիշի ինդեքսը տողում (First Unique Character)
Պատմեք K-means ալգորիթմի և նրա առաջադեմ տարբերակների մասին (K-means++).