Hoe kunnen we een poster die alleen op de pagina van de gebruiker wordt weergegeven vergelijken met diegene die hij niet heeft gezien (gedeeltelijke feedback)?
Machine Learning / AI
(Na verduidelijking met de interviewer) Hoe formuleer ik nu de taak en aanpak, rekening houdend met dat item-aanbevelingen al bestaan, en dat de blokken op de hoofdpagina zonder duplicatie van inhoud moeten worden geplaatst?
Waar precies de dispersie optreedt in de IPS-beoordeling?
Maak een korte schets van hoe je de RAG-ervaring kunt herpakken voor aanbevelingssystemen, gevolgd door typische vragen. Niet hoe je moet antwoorden, maar waar het op neerkomt volgens mijn ervaring en cv.
Schrijf een korte alinea voor zelfpresentatie waarin je benadrukt dat aanbevelingssystemen erg lijken op RAG - retrieval, re-ranking, architecturale overeenkomsten, enz., zodat ik het kan onthouden en vertellen.
Hoe werkt de contrastverliezen met negatieve voorbeelden in batch?
Wat zijn items? Hoe spreek je ze correct uit?
Hoe wordt de incrementele update van de FAISS-index in productie uitgevoerd?
Evalueer hoeveel gegevens nodig zijn voor het finetunen van het model in productie, beschrijf het finetuningproces, de parameters, de verliesfunctie (contrastief/triplet) en waarom deze is gekozen.
# Formuleer en schrijf de definitie van wat roc auc is. # Hoe wordt de roc_auc_score berekend? # Schrijf een functie die roc_auc_score berekent volgens de geschreven definitie. # En voor een willekeurig aantal klassen met een gegeven prioriteitsvolgorde? # Het model werkt als volgt # y_score[i] >= drempel -> y_pred[i] = 1 # y_score[i] < drempel -> y_pred[i] = 0 def test_roc_aur_score(): y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.6, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.8 y_true = [0, 1, 0, 0, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0.375 y_true = [0, 0, 0, 1, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1 y_true = [0, 0, 0, 0, 0, 0] y_score = [0.2, 0.4, 0.31, 0.8, 0.3, 0.7] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0 # Bonus-test voor meerdere klassen y_true = [0, 1, 0, 0.5, 0, 1] y_score = [0.7, 0.6, 0.31, 0.31, 0.3, 0.2] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 0. y_true = [0, 0.1, 0.2, 0.3, 0.4, 0.6] y_score = [0, 0.1, 0.2, 0.3, 0.4, 0.6] res_metric = roc_auc_score(y_true, y_score) assert res_metric == 1
Wat te doen als een blok verschillende hoeveelheden inhoud heeft — er zijn enkele blokken en blokken met 30 items? Hoe werk je met de scores van de inhoud om een functie van deze blok te krijgen?
Heb ik het goed begrepen: we hebben een tracker die een gemiddelde score heeft van de content tracker voor het vullen van het blok, er zijn gebruikers- en blokkenmerken, we hebben een positief genomen — wat precies?
Vertel alstublieft precies wat voor project het was en waar u precies mee bezig was.
Waarom wordt de ranker dan getraind? Dat wil zeggen, hij wordt onafhankelijk van de inhoud — wat is zijn doel?
Vertel me over je ervaring, waarmee ben je de afgelopen vijf jaar bezig geweest?
# gegeven een array a = [1, 20, 10, 0, 59, 63, 0, 88, 0] -> [0, 0, 0, 1, 20, 10, 59, 63, 88] # je moet een optimale functie schrijven die de nullen naar het begin van de array verplaatst en de volgorde van de andere elementen behoudt def move_zeros_to_left(a: List[int]) -> List[int]: pass
Waarom is het project twee jaar ontwikkeld, terwijl je zegt dat het belangrijkste twee jaar geleden is gedaan? Is het project nu in onderhoud of verder ontwikkeld?
Als je een onbeperkt aantal GPU kreeg om de systeeme kwaliteit te verbeteren, welke richting zou je dan als eerste kiezen?
Wat is DSSM, weet je dat?
Welke werkvorm overweegt u en in welke stad woont u?