Machine Learning / AI
Для генерации вопросов большая языковая модель плохо держит стиль на редких темах. AI-ассистент предлагает сразу запустить LoRA на всём историческом корпусе из 2 миллионов диалогов, но разметка частично шумная. Где вы не доверитесь этому совету и что выберете первым?
Как бы вы количественно оценили влияние выбросов на метрики модели, например accuracy или F1-score?
Как именно вы бы использовали `EXPLAIN` для выявления проблем с производительностью в этом запросе?
Что такое контекстное окно и почему оно важно при работе с LLM?
ТочкаПрактическое задание SQL-запрос к 80 миллионам сообщений создаёт дубликаты после JOIN. Какое действие лучше начать первым? - Проверить кардинальность JOIN, ключи и план выполнения до оптимизации. - Создать индекс по одному полю соединения. - Выгрузить результат в CSV и удалить дубликаты в Python. - Всегда добавлять DISTINCT ко всем столбцам. - Добавить DISTINCT после проверки результата на выборке. - Проверить ключи соединения и уникальность обеих таблиц.
В 2025 году ты закончил обучение — это был бакалавриат, специалитет или что-то иное?
ТочкаПриведите пример, как вы выявляли и решали проблему конфликтующих примеров в реальном проекте.
Как вы обычно проверяете качество и релевантность данных перед обучением LoRA?
Расскажи, какой состав команды, от кого обычно приходит задача и как задачи распределяются между командой?
ТочкаПрактическое задание Средняя оценка новой LLM выросла, но редакторы жалуются на финансовые ответы. Какой график лучше поддержит решение о выпуске? Один крупный показатель средней оценки. Столбцы со средней оценкой всех тем. Ящики с усами по темам и версиям модели. Таблица средних оценок по темам. Облако слов из новых ответов. Распределения оценок по версиям и темам с размером каждой группы.