Machine Learning / AI
In quale direzione vorresti svilupparti in futuro, quali vettori professionali evidenzi per te?
[nome] vive nelle Filippine? Ha intenzione di tornare in Russia?
Quali altre metriche dovremmo aggiungere per monitorare l'aggiornamento dei documenti (per non scoprire che dopo l'aggiornamento sono rimasti 3 documenti invece di 10.000)?
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?
Esercizio pratico L'IA ha generato un codice per la decisione sul rilascio di un nuovo LLM. Effettua una revisione: modificalo in modo che l'editor possa confrontare la qualità delle versioni per segmenti tematici, vedere la dispersione delle valutazioni e notare il rischio di deterioramento in un piccolo gruppo di dati. 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('Qualità dei modelli') plt.ylabel('Valutazione media') plt.show() print('Migliore versione:', 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"Tema: {topic}") plt.suptitle("") plt.ylabel("Valutazione") plt.show() small_groups = stats[stats["count"] < 30] print("Piccoli gruppi - le conclusioni sono poco affidabili:") print(small_groups)
Parla degli ensemble nell'apprendimento automatico.
Lasciamo il boosting come modello, o come?
Cos'è il problema del cold start? Come risolverlo per un nuovo articolo che non ha ancora clic?
Sei stato il principale in Data Science nel team [azienda]? Quali approcci e tecnologie sono venuti da te, e quali sono stati definiti dal tech lead?
Come avete tracciato tutto il sistema multi-agente: in quali fasi si verificano errori, latenza, ecc.?
Non ti dispiace provare a fare un colloquio con l'IA?
Hai esperienza con RecSys o LLM?
Come condurresti un esperimento: solo con dati storici o tramite un test A/B in produzione?
Hai testato altri modelli di embedding?
Parlami di regolarizzazione: cos'è, a cosa serve, quali tipi ci sono.
Cos'è un gradiente dal punto di vista matematico e come viene applicato nell'apprendimento automatico?
Cosa significano i parametri M, ef_construct, ef_search in HNSW?
Come funziona algoritmicamente il controllo della presenza di una stringa in un set (tabella hash)?
Come interpretare i risultati del modello di regressione lineare?
Cosa è ancora importante per te ora (oltre a compiti difficili e interessanti)?