Machine Learning / AI

Fornisci un esempio in cui un uso scorretto di BatchNorm in modalità `eval()` ha portato a errori nelle previsioni.

Compito pratico Quale insieme di artefatti consente di riprodurre onestamente il confronto di due esecuzioni di LoRA? - Solo la tabella finale di qualità. - Commit con codice e screenshot della metrica finale. - Codice e file di configurazione dell'esperimento. - Codice, hash dei dati, modello di base, configurazione di LoRA, dipendenze e comando di avvio. - Solo link al branch Git. - Codice, parametri di LoRA, versione del modello di base e dipendenze.

Ci sono attualmente colloqui presso grandi aziende tecnologiche come Yandex o Alfa?

Esercizio pratico La query SQL su 80 milioni di messaggi crea duplicati dopo il JOIN. Qual è l'azione migliore da iniziare per prima? - Verificare la cardinalità del JOIN, le chiavi e il piano di esecuzione prima dell'ottimizzazione. - Creare un indice su un campo di join. - Esportare il risultato in CSV e rimuovere i duplicati in Python. - Aggiungere sempre DISTINCT a tutte le colonne. - Aggiungere DISTINCT dopo aver verificato il risultato sull'estratto. - Verificare le chiavi di join e l'unicità di entrambe le tabelle.

Dopo la nuova versione del modello, la valutazione media della qualità è aumentata, ma gli editori dicono che le risposte su temi legali e finanziari sono notevolmente peggiorate. Quale visualizzazione faresti per prima per decidere se interrompere la pubblicazione?

Come gestisci di solito le versioni dei dati e dei modelli in tali esperimenti?

Hai intenzione di rimanere nelle Filippine o di trasferirti in un altro paese?

Può raccontarci più nel dettaglio cosa le è sembrato "opprimente" nelle domande e come ciò ha influenzato la sua percezione del colloquio?

Hai esperienza di lavoro in team completamente anglofoni?

Hai esperienza con colloqui con l'IA?

Hai offerte in mano o fasi finali in altre aziende?

Come valuterebbe quantitativamente l'impatto delle emissioni sulle metriche del modello, come accuracy o F1-score?

Come ottimizzeresti gli indici sulle chiavi di join per ridurre i duplicati e accelerare la query?

Immagina di lavorare con un modello in PyTorch e, dopo averlo impostato in modalità eval() vedi che le metriche su un set di test fisso di 10.000 esempi cambiano ad ogni esecuzione. Fissi lo stato iniziale dei generatori di numeri casuali per la riproducibilità: dove potrebbe essere nascosta un'altra fonte di variazioni? Spiega il ruolo di Dropout, BatchNorm e torch.no_grad() e nomina le metriche con soglie con cui verificherai la stabilità dei risultati.

Valuta il tuo inglese separatamente per lettura/scrittura e conversazione secondo i livelli CEFR.

Compito pratico L'IA propone di addestrare LoRA su tutti i 2 milioni di dialoghi non puliti. Qual è la risposta più matura del candidato? - Fidarsi dell'IA: un grande corpus compenserà gli errori. - Prima modificare il prompt senza cambiare i dati. - Addestrare LoRA sulla parte pulita e confrontarla con il modello di base. - Verificare un campione casuale di etichette prima dell'addestramento. - Prima verificare i dati e la qualità per argomenti su un set separato, poi addestrare LoRA in modo limitato. - Addestrare su tutto il corpus, ma ridurre il rango di LoRA.

Come utilizzeresti esattamente `EXPLAIN` per individuare problemi di performance in questa query?

Quale formato di formalizzazione preferisci: GPH, IP o TК?

Nella tabella delle conversazioni ci sono 80 milioni di messaggi, e la query analitica per il set di valutazione impiega 25 minuti e a volte restituisce duplicati delle coppie domanda-risposta. Cosa correggeresti prima e perché?

Per generare domande, il grande modello linguistico fatica a mantenere lo stile su argomenti rari. L'assistente AI propone di avviare subito LoRA sull'intero corpus storico di 2 milioni di dialoghi, ma l'annotazione è parzialmente rumorosa. In quali casi non si fiderebbe di questo consiglio e cosa sceglierebbe per primo?