Machine Learning / AI

რატომ მიდიხარ (მოდიხარ) [კომპანია]-დან?

როგორ მიაღწიეთ კონფიდენციალობის ქულას კონკრეტულ ზღვარს?

ახლა მუშაობ თუ არა?

ყველაფერი გესმის პროდუქტის (მედია გეგმების) შესახებ, თუ გსურს რაიმეს დაზუსტება?

ამ დავალებისთვის მოდელის დამატებითი სწავლება მოხდა (არა LLM)?

როგორ გადაჭრიდი ახლა (მიმდინარე ცოდნებით) სერვის-დესკში მოთხოვნების კლასიფიკაციისა და მარშრუტიზაციის პრობლემას, მრავალსაფეხურიანი მიდგომით: rule-based → ML → LLM fallback → ადამიანი? დაასახელე კონკრეტული ტექნოლოგიები, მოდელები და მეტრიკები.

შენ იყო მთავარი Data Science-ის გუნდში [კომპანია]? რა მიდგომები და ტექნოლოგიები მოდიოდა შენგან, და რა განსაზღვრა ტექნიკური ლიდერმა?

შედარეთ კლასიკური ML-ში ხაზოვანი და არახაზოვანი მოდელები — უპირატესობები და ნაკლოვანებები.

გთხოვთ, ორი სიტყვით ისაუბროთ იმ გუნდზე, სადაც მუშაობდით [კომპანია].

რომელი ტიპის ტოკენიზაციას იცნობთ? თითოეულის უპირატესობები და ნაკლოვანებები.

მითხარი რეგულარიზაციის შესახებ: რა არის, რა მიზნით არის საჭირო, რა ტიპები არსებობს.

ეს ტესტის/პილოტის სახით იყო თუ პირდაპირ წარმოებაში გადავიდა და მენეჯერებმა გამოიყენეს?

რა იყო პროდუქტი [კომპანიაში] მომხმარებლის თვალსაზრისით (დოკუმენტების მართვა, მონაცემების ამოღება KS-2/KS-3/საფასურის)?

რა არის გრადიენტი მათემატიკის თვალსაზრისით და როგორ გამოიყენება მანქანათმცოდნეობაში?

მოგვითხარით კლასიკური ML (არა LLM) პროექტის შესახებ, რომელზეც გიხარია.

გთხოვთ, გვითხრათ საკუთარ შესახებ, თქვენს გამოცდილებაზე და ძირითად პროექტებზე (განსაკუთრებით [კომპანიის] კორპორატიული GPT სისტემაზე).

როგორ გაიგეთ, სწორად იყო თუ არა მონაცემების კლასიფიკაცია მოდელზე? რა მოქმედებები იყო საჭირო მენეჯერისგან?

როგორ გაზომეთ მონაცემების ამოღების ხარისხი?