Machine Learning / AI
Kas ir svarīgi, izvēloties jaunu darba vietu? Algas gaidas?
Vai orkestrators redz subaģenta rīku izsaukumu rezultātus vai tikai paša subaģenta galīgo izvadi?
Pastāstiet par regulēšanu klasiskajos ML algoritmos: L1 un L2. Kādas ir to īpašības un atšķirības?
Kura rankera izvēlējās rerankingam?
Vai esi strādājis ar Docker, MLflow, Airflow?
Vai ir ērtāk sazināties ar tu vai ar jūs?
Kā ir uzbūvēts orkestrators: kāds ir izmantotais ietvars un arhitektūra, ko tas dara, vai tas ir vienas solis vai var vairākas reizes domāt pirms atbildes?
Kā īstenot pieprasījumu maršrutēšanu starp scenārijiem — kādā formā LLM sniedz atbildi un kā tiek izvēlēts scenārijs pēc tās?
Kas ir embedinga modelis un kas ir tokens?
Kāpēc meklējat jaunu darbu un kāpēc atstājāt iepriekšējās darba vietas?
Uzrakstiet Python funkciju, kas pieņem nesakārtotu veselo skaitļu sarakstu un atgriež mediānu.
Kāda ir galvenā atšķirība starp Spark un Pandas? Kas ir Hadoop?
Ko nozīmē T MyClass<T>?
Pastāstiet par Adam optimizatoru: no kā tas sastāv?
Vai Kubernetes ir mehānisms, lai pārbaudītu poda stāvokli pirms tā iekļaušanas slodzē?
import unittest class Solution: def isvalid(self, s:str) -> bool: matching_brackets = { ")": "(", "]": "[", "}": "{", } stack: list[str] = [] for bracket in s: if bracket in "([{": stack.append(bracket) continue if bracket not in matching_brackets: return False if not stack or stack[-1] != matching_brackets[bracket]: return False stack.pop() return not stack class SolutionTest: def __init__(self): self.Solution = Solution() def run(self): test_cases = [ ("", True), ("()", True), ("(){}[]", True), ("(({}))", True), ("(", False), (")", False), ("(((", False), ("{[]}", False), ] for brackets, expected in test_cases: actual = self.Solution.isvalid(brackets) assert actual == expected, ( f"Kļūda {brackets!r}" f"Gaidīts {expected}, bet saņemts {actual}" ) print(f"Visi testi veiksmīgi izpildīti: {len(test_cases)}") if __name__ == "__main__": SolutionTest().run()
Kā jūs pārietu no POC līdz ražošanai, ja jūs esat vienīgais ML inženieris un dati jau ir datubāzē?
Pastāstiet man par Batch Normalization: kas tas ir un kāpēc tas ir nepieciešams?
Praktiska uzdevums AI iesaka apmācīt LoRA uz visiem 2 miljoniem neattīrītu dialogu. Kura ir kandidāta nobriedušākā atbilde? - Uzticēties AI: liels korpuss pats izlīdzinās kļūdas. - Vispirms mainīt promptu, nemainot datus. - Apmācīt LoRA attīrītajā daļā un salīdzināt ar pamata modeli. - Pirms apmācības pārbaudīt nejaušu marķējuma paraugu. - Vispirms pārbaudīt datus un kvalitāti pēc tēmām atsevišķā kopā, tad ierobežoti apmācīt LoRA. - Apmācīt visā korpusā, bet samazināt LoRA rangu.
Kad tu ieradies uz 1C:Rarus? Vai tev bija mentors/kurators, kurš palīdzēja ar uzdevumu iepazīšanu?