Machine Learning / AI
Įvardinkite bent tris apribojimus, kuriuos svarbu atsižvelgti dirbant su LLM kaip technologija.
Papaskink apie savo projektus: ką tiksliai padarėte, techniniu požiūriu?
Kas yra istorinės lentelės?
Aprašykite paskutinę išspręstą ML užduotį pagal schemą: tikslas, duomenys, kokybės matas, ML algoritmas ir rezultatas
Kokia yra bendroji problemos sprendimo sudėtingumas su krūva?
Kodėl pasirinktas toks požiūris (SentenceTransformer + kosinuso panašumas)?
Papasakokite apie gradiento nusileidimą: kaip jis veikia ir kokios yra jo modifikacijos (SGD, Momentum, Adam)?
Kokios yra kryžminės validacijos naudojimo privalumai ir trūkumai?
Kaip apskritai atrodo ML/LLM programos kelias nuo Dockerfile ir šaltinio kodo iki išdėstyto paslaugos ir naudotojų srauto Kubernetes?
Ar YOLOv8 yra vieno ar dviejų žingsnių detektorius?
Trumpai aprašykite, ką atlieka kiekvienas iš keturių daugiagentinės sistemos agentų nuo pradžios iki pabaigos.
Papaskinkite apie savo nuotolinio darbo patirtį — dirbote visur nuotoliniu būdu ar buvo biurų?
Kaip pasiekėte konkrečią confidence score slenksčio reikšmę?
Ar dabar turite rankoje pasiūlymus/prepasiūlymus? Kiek aktyviai svarstote pasiūlymus?
Kokia yra komandos architektūra ir sudėtis?
Kas yra sharding ClickHouse?
Kas yra bagging?
Ką matote Grafana stebint kelių agentų sistemą?
Kas yra duomenų paskirstymas ClickHouse?
Kokius modeliavimo metodus naudojama dvejetainės klasifikacijos?