Machine Learning / AI

Het maakt je niet uit om een sollicitatiegesprek met AI te proberen?

Wat is het minimale en comfortabele inkomensniveau voor u in roebel?

Wat is uw hogere opleiding en studierichting?

Waarom overweegt u nu een nieuw voorstel?

Hoe gebruikt BatchNorm precies de opgeslagen statistieken in de `eval()`-modus en waarom is dit belangrijk voor de stabiliteit van de resultaten?

Heeft u vragen over de samenwerkingsvoorwaarden?

Hoe zou je uitschieters in thematische beoordelingen visualiseren om te begrijpen hoe ze het algemene beeld beïnvloeden?

Praktische opdracht De controle van LLM in PyTorch geeft bij twee runs verschillende resultaten. Welke oplossing is rijp? - Activeer eval() en vergelijk de resultaten opnieuw. - Verhoog de grootte van de testset. - Herhaal de run en kies het beste resultaat. - Schakel over naar TensorFlow zonder de oorzaak te analyseren. - Fixeer seed en beschouw het probleem als opgelost. - Controleer eval(), no_grad(), seed, DataLoader en deterministische CUDA-operaties.

Vertel eens, hoe vond je het format van het sollicitatiegesprek: wat beviel je en wat zou je willen verbeteren?

Praktische opdracht AI heeft code gegenereerd voor de beslissing over het uitbrengen van een nieuwe LLM. Voer een review uit: pas het aan zodat de editor de kwaliteit van de versies kan vergelijken op basis van thematische segmenten, de spreiding van beoordelingen kan zien en het risico op verslechtering in een kleine datagroep kan opmerken. 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('Kwaliteit van de modellen') plt.ylabel('Gemiddelde beoordeling') plt.show() print('Beste versie:', 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"Thema: {topic}") plt.suptitle("") plt.ylabel("Beoordeling") plt.show() small_groups = stats[stats["count"] < 30] print("Kleine groepen - conclusies zijn onbetrouwbaar:") print(small_groups)

Hoe beoordeel je jezelf?

Geef een voorbeeld van hoe u conflicterende voorbeelden hebt geïdentificeerd en opgelost in een echt project.

Bent u bereid om projecten op deeltijdbasis en combinaties te overwegen?

Praktische opdracht AI heeft code gegenereerd voor het nemen van een beslissing over de lancering van een nieuwe LLM. Voer een review uit: pas het aan zodat de editor de kwaliteit van de versies kan vergelijken op thematische segmenten, de spreiding van beoordelingen kan zien en het risico op verslechtering bij een kleine datagroep kan opmerken. 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('Kwaliteit van de modellen') plt.ylabel('Gemiddelde score') plt.show() print('Beste versie:', summary.idxmax())

Hoe waarborg je de herkomst van de resultaten van het experiment, zodat je precies kunt begrijpen waar de statistieken vandaan komen?

Een dag voordat twee versies van LLM werden vergeleken, werd ontdekt dat de code van het experiment in de tak is, maar dat de exacte versie van de gegevens en de LoRA-parameters niet vastgelegd zijn. Wat kies je als eerste increment voor de komende twee dagen en waar ben je bewust bereid op te offeren?

Zijn er momenteel sollicitatiegesprekken bij grote techbedrijven zoals Yandex of Alfa?

Hoe beheert u gewoonlijk de versies van gegevens en modellen in dergelijke experimenten?

Praktische opdracht Welke set artefacten maakt het mogelijk om eerlijk de vergelijking van twee LoRA-uitvoeringen te reproduceren? - Alleen de uiteindelijke kwaliteits tabel. - Commit met code en screenshot van de uiteindelijke metriek. - Code en configuratiebestand van het experiment. - Code, data-hash, basismodel, LoRA-configuratie, afhankelijkheden en startcommando. - Alleen link naar de Git-branch. - Code, LoRA-parameters, versie van het basismodel en afhankelijkheden.

Wanneer ben je klaar om aan het project te beginnen?