Machine Learning / AI
Ką siuntėte galutiniam vartotojui jūsų sistemoje?
Ar agentų vykdyme buvo paralelizmas ar viskas vyko sekant?
Kokia bus ROC-AUC metrikos reikšmė klasifikatoriui, kuris visada duoda 0,9 vertę duomenų rinkinyje, sudarytame iš 90 teigiamų ir 10 neigiamų pavyzdžių?
Kokios yra daugiaagentinio požiūrio trūkumai?
Kaip mokomi įterpimo modeliai? Kaip parašytumėte savo įterpimo įrenginį?
Kaip įgyvendinote ir įdiegėte paslaugą pull request'ų apdorojimui?
Paminėkite vieną CatBoost pranašumą ir vieną trūkumą, palyginti su LightGBM.
Kaip apskaičiuosite dispersiją 20 darbuotojų atrankai? Ir kuo jūsų įvertinimas yra geresnis už atsitiktinį skaičių 3?
Ar turite didelę komandą?
Kaip apdoroti lentelę dokumente rengiant duomenis RAG?
Kiek greitai esi pasiruošęs pradėti naują darbą?
Ar esi vienas Maskvoje? Ar vietos momentas yra kritinis?
Ar naudojate būseną LangGraph ir perduodate visą būseną į kontekstą?
Kas yra LoRA (Low-Rank Adaptation)?
Kaip rinkote RAG sistemos kokybės rodiklius? Kokias metrikas naudojote ir kokius įrankius?
Papaskink apie balso įvertinimo užduotį: kaip prieiti prie modelio, kuris nustato klaidas fonemų ir garsų tarimo?
Ką vyksta atmintyje, kai konvertuojame eilutę į lowercase() ? Kokią atminties operaciją tai užima?
Koks formalizacijos formatas jums yra patogiausias: GPH, IP ar TК?
Agentas A uždarė 7 iš 70 potencialių klientų, o agentas B — 2 iš 3. Kaip sąžiningai juos palyginti?
Įsivaizduokite, kad dirbate su modeliu PyTorch ir po jo perjungimo į vertinimo režimą eval() matote, kad metrikos fiksuotame 10 000 pavyzdžių testų rinkinyje keičiasi kiekvieno paleidimo metu. Fiksuojate atsitiktinių skaičių generatorių pradinę būseną, kad būtų galima pakartoti: kur dar gali būti paslėpta pokyčių priežastis? Paaiškinkite Dropout, BatchNorm ir torch.no_grad() vaidmenį ir įvardinkite metrikas su slenksčiais, kuriais patikrinsite rezultatų stabilumą.