Machine Learning / AI

არ გწამთ, რომ AI-თან გასაუბრების ჩატარება გსურთ?

რა არის თქვენი მინიმალური და კომფორტული შემოსავლის დონე რუბლში?

თქვენს უმაღლეს განათლებასა და სასწავლო მიმართულებას რა არის?

რატომ განიხილავთ ახლა ახალი შეთავაზებას?

როგორ იყენებს BatchNorm შენახულ სტატისტიკებს `eval()` რეჟიმში და რატომ არის ეს მნიშვნელოვანი შედეგების სტაბილურობისთვის?

როგორ დაახასიათებდით თემატური შეფასებების გამონაკლისებს, რათა გაგეგნათ, რამდენად გავლენას ახდენენ ისინი საერთო სურათზე?

შეთანხმების პირობებთან დაკავშირებით გაქვთ კითხვები?

Практик დავალება PyTorch-ში LLM-ის შემოწმება ორ გაშვებაში სხვადასხვა შედეგს აძლევს. რა გადაწყვეტილება უფრო მწიფეა? - ჩართეთ eval() და კვლავ შეადარეთ შედეგები. - გაზარდეთ შემოწმების ნაკრების ზომა. - გაიმეორეთ გაშვება და აირჩიეთ საუკეთესო შედეგი. - გადადით TensorFlow-ზე მიზეზის ანალიზის გარეშე. - დააყენეთ seed და მიიჩნიეთ პრობლემა გადაწყვეტილად. - შეამოწმეთ eval(), no_grad(), seed, DataLoader და დეტერმინისტული CUDA ოპერაციები.

გვითხარით, როგორ მოგეწონათ გასაუბრების ფორმატი: რა მოგეწონათ და რა გსურთ გაუმჯობესება.

პრაქტიკული დავალება ხელოვნურმა ინტელექტმა შექმნა კოდი ახალი LLM-ის გამოშვების გადაწყვეტილებისთვის. გააკეთეთ მიმოხილვა: შეცვალეთ ის ისე, რომ რედაქტორმა შეძლოს ვერსიების ხარისხის შედარება თემატური სეგმენტების მიხედვით, შეფასებების განაწილება იხილოს და მცირე მონაცემთა ჯგუფში გაუარესების რისკი შეამჩნიოს. 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('მოდელების ხარისხი') plt.ylabel('საშუალო შეფასება') plt.show() print('საუკეთესო ვერსია:', 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"თემა: {topic}") plt.suptitle("") plt.ylabel("შეფასება") plt.show() small_groups = stats[stats["count"] < 30] print("პატარა ჯგუფები - დასკვნები არ არის სანდო:") print(small_groups)

მოყევით მაგალითი, როგორ იპოვეთ და გადაჭერი კონფლიქტული მაგალითების პრობლემა რეალურ პროექტში.

პრაქტიკული დავალება ხელოვნურმა ინტელექტმა შექმნა კოდი ახალი LLM-ის გამოშვების შესახებ გადაწყვეტილების მისაღებად. გააკეთეთ მიმოხილვა: შეცვალეთ ის ისე, რომ რედაქტორმა შეძლოს ვერსიების ხარისხის შედარება თემატური სეგმენტების მიხედვით, შეფასებების განაწილება იხილოს და მცირე მონაცემთა ჯგუფში გაუარესების რისკი შეამჩნიოს. 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('მოდელების ხარისხი') plt.ylabel('საშუალო შეფასება') plt.show() print('საუკეთესო ვერსია:', summary.idxmax())

მზად ხართ განიხილოთ ნაწილობრივი დასაქმებისა და კომბინაციების პროექტები?

როგორ უზრუნველყოფთ ექსპერიმენტის შედეგების წარმომავლობას, რათა ზუსტად გაიგოთ, საიდან მოდიან მეტრიკები?

როგორ აფასებთ საკუთარ თავს?

როგორ მართავთ ჩვეულებრივ მონაცემებისა და მოდელების ვერსიებს ასეთ ექსპერიმენტებში?

ორ LLM-ის ორი ვერსიის შედარებამდე ერთი დღით ადრე გაირკვა, რომ ექსპერიმენტის კოდი შაქაშია, მაგრამ მონაცემების ზუსტი ვერსია და LoRA პარამეტრები არ არის დადგენილი. რა აირჩევი პირველი ინკრემენტისთვის მომავალი ორი დღის განმავლობაში და რაში შეგნებულად უარყოფა გსურს?

პრაქტიკული დავალება რომელი არტეფაქტების ნაკრები საშუალებას იძლევა სამართლიანად განახორციელოს ორი LoRA-ის გაშვების შედარება? - მხოლოდ საბოლოო ხარისხის სია. - კოდი და საბოლოო მეტრიკის სქრინშოტი commit-ის სახით. - ექსპერიმენტის კოდი და კონფიგურაციის ფაილი. - კოდი, მონაცემების ჰეში, ძირითადი მოდელი, LoRA კონფიგურაცია, დამოკიდებულებები და გაშვების ბრძანება. - მხოლოდ Git-ის ფილიალის ბმული. - კოდი, LoRA პარამეტრები, ძირითადი მოდელის ვერსია და დამოკიდებულებები.

არსებობს თუ არა მიმდინარე ინტერვიუები დიდ ტექნოლოგიურ კომპანიებში, როგორიცაა Yandex ან Alfa?

მოყევით მაგალითი, როდესაც `eval()` რეჟიმში BatchNorm-ის არასწორი გამოყენება გამოიწვია პროგნოზებში შეცდომები.