Papaskink apie FAISS: kaip sukonstruotas indeksas, kaip diegiama, kaip veikia end-to-end sistema?
Machine Learning / AI
Papaskink man apie laisvą darbo vietą
Kodėl funkcija grąžina 0, kai mėginyje yra tik viena klasė?
Papaskink, kaip veikia re-ordinatorius — gilinaisi į detales ar jį naudojai kaip paruoštą inžinerinį bloką?
Kaip veikia dviejų lygių ir dviejų sienų rekomendatorius ir kam jis reikalingas?
Kiek įdomu bus panirti į rekomendacijų sistemas?
Ar galite paprastai paaiškinti Recall ir MRR skirtumą?
Ar galite paaiškinti, kaip veikia off-policy įvertinimas (pavyzdžiui, IPS ar Double Robust), kurį minėjote?
Prašome papasakoti, kodėl šiuo metu ieškote darbo?
Kaip pasirinkote modelį embeddingams? Ar buvo dokumentų filtravimas ir re-ranking etapas?
Kaip kovoti su faktu, kad sena rodymo politika gali būti ne optimalus, net jei naudojame propensity — čia propensity labai nepadeda?
Kaip tai teoretškai veiktų boosting'e, jei tikslas būtų minus vienas? Tarkime, turime teigiamą ir neigiamą, jei teigiamam nustatome tikslą 10 vietით 1, kas nutiktų, niekas nesikeistų?
(Po paaiškinimo su interviuotoju) Kaip dabar suformuluoti užduotį ir požiūrį, atsižvelgiant į tai, kad item rekomendacijos jau yra, ir reikia išdėstyti blokus pagrindiniame puslapyje be turinio dubliavimo?
Kas yra bendradarbiavimo filtravimas?
Pažodžiui paaiškinkite, kuo skiriasi Double Robust požiūris nuo IPS — kas pridedama ir kas daro jį stipresnį ir atsparų?
Galite papasakoti daugiau? (apie RAG sistemos apsaugą nuo haliucinacijų)
Atrodo, kad pokalbio viduryje naudojoji pagalbininką atsakydamas į teorinį klausimą apie LangGraph. Ar tai tiesa ar ne?
Nesuprantu, kodėl negalime visko daryti internetu — kokios čia iš tikrųjų ribos? Kam reikalingas išankstinis skaičiavimas?
Palyginkime DAU, RPS ir QPS: jei turime 10 milijonų DAU ir kiekvienas vartotojas prisijungia 4 kartus per dieną, kiek bus RPS ir QPS?
Pastaruoju metu yra daug neuroninių tinklų — kaip juos naudoji darbe, kaip dažnai ir būtent kaip?