Machine Learning / AI

Vai jums nav iebildumu mēģināt veikt interviju ar MI?

Kāds ir minimālais un ērtākais ienākumu līmenis jūsu rubļos?

Kāda ir jūsu augstākā izglītība un studiju virziens?

Kāpēc tagad apsverat jaunu piedāvājumu?

Kā tieši BatchNorm izmanto saglabātās statistikas `eval()` režīmā un kāpēc tas ir svarīgi rezultātu stabilitātei?

Kā jūs vizualizētu tematisko novērtējumu izlaidumus, lai saprastu, cik ļoti tie ietekmē kopējo ainu?

Vai jums ir jautājumi par sadarbības nosacījumiem?

Praktiska uzdevums PyTorch LLM pārbaude divreiz izpildot dod dažādus rezultātus. Kurš risinājums ir nobriedušāks? - Iespējot eval() un vēlreiz salīdzināt rezultātus. - Palielināt pārbaudes kopas izmēru. - Atkārtot izpildi un izvēlēties labāko rezultātu. - Pāriet uz TensorFlow bez analīzes iemesla. - Iestatīt seed un uzskatīt problēmu par atrisinātu. - Pārbaudīt eval(), no_grad(), seed, DataLoader un deterministiskas CUDA operācijas.

Pastāstiet, kā jums patika intervijas formāts: kas jums patika un ko vēlētos uzlabot.

Praktiskais uzdevums Mākslīgais intelekts ir ģenerējis kodu lēmumam par jauna LLM izlaišanu. Veiciet pārskatīšanu: mainiet to tā, lai redaktors varētu salīdzināt versiju kvalitāti pēc tematiskiem segmentiem, redzēt novērtējumu izkliedi un pamanīt risku pasliktināšanai mazā datu grupā. 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('Modeļu kvalitāte') plt.ylabel('Vidējā novērtējuma') plt.show() print('Labākā versija:', 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"Tēma: {topic}") plt.suptitle("") plt.ylabel("Novērtējums") plt.show() small_groups = stats[stats["count"] < 30] print("Mazās grupas - secinājumi nav uzticami:") print(small_groups)

Sniedziet piemēru, kā jūs identificējāt un risinājāt konfliktējošo piemēru problēmu reālā projektā.

Praktiskais uzdevums Mākslīgais intelekts ir ģenerējis kodu, lai pieņemtu lēmumu par jauna LLM izlaišanu. Veiciet pārskatīšanu: mainiet to tā, lai redaktors varētu salīdzināt versiju kvalitāti pēc tematiskiem segmentiem, redzēt novērtējumu izkliedi un pamanīt risku pasliktināšanās mazā datu grupā. 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('Modeļu kvalitāte') plt.ylabel('Vidējā vērtējuma') plt.show() print('Labākā versija:', summary.idxmax())

Kā nodrošināt eksperimenta rezultātu izcelsmi, lai precīzi saprastu, no kurienes nāk metriki?

Vai esat gatavs apsvērt daļējas nodarbinātības un apvienošanas projektus?

Kā jūs novērtējat sevi?

Vienu dienu pirms divu LLM versiju salīdzināšanas tika atklāts, ka eksperimenta kods šakā ir, bet precīza datu versija un LoRA parametri nav fiksēti. Ko izvēlētos kā pirmo incrementu tuvākajām divām dienām un ar ko apzināti būtu gatavs atteikties?

Kā parasti pārvaldāt datu un modeļu versijas šādās eksperimentēs?

Praktiska uzdevums Kāds artefaktu kopums ļauj godīgi reproducēt divu LoRA palaišanas salīdzinājumu? - Tik galīgā kvalitātes tabula. - Komits ar kodu un galīgās metriku ekrānuzņēmumu. - Eksperimenta kods un konfigurācijas fails. - Kods, datu hash, pamata modelis, LoRA konfigurācija, atkarības un palaišanas komanda. - Tikai saite uz Git zaru. - Kods, LoRA parametri, pamata modeļa versija un atkarības.

Vai šobrīd notiek intervijas lielās tehnoloģiju uzņēmumos, piemēram, Yandex vai Alfa?

Vai jūs varat sīkāk pastāstīt, kas jums šķita "noslogots" jautājumos un kā tas ietekmēja jūsu uztveri par interviju?