Oprócz F1 i recall, jakie metryki były używane do oceny klasyfikatora?
Machine Learning / AI
Jak oceniłeś gotowość systemu klasyfikacji zgłoszeń wsparcia do wdrożenia?
Czym jest topic w Kafka?
Czy miałeś modele tabelaryczne w produkcji?
Jakie metryki monitorowałbyś po wdrożeniu modelu w produkcji: serwisowe, dane i modelowe?
Opisz doświadczenie z Dockerem: jak zapakować i wdrożyć usługę ML?
Czym jest partycja w Kafka?
Jakie metryki użyłbyś do oceny systemu przydzielania leadów agentom?
Opowiedz, co wiesz o zadaniach wyszukiwania, rankingowania, rekomendacji i personalizacji.
Opowiedz o sobie i swoim doświadczeniu jako inżynier ML.
Zamknięcie leadów na poziomie 5%, kilka krajów i agentów. Jak za pomocą ML określić, któremu agentowi przypisać nowy lead?
Jak znormalizować wynik, aby nowy agent bez historii również otrzymywał leady i mógł sprzedawać?
Jak wyjaśniłbyś tę decyzję interesariuszom bez przygotowania statystycznego?
Dlaczego proponujesz CatBoost do tego zadania?
Jak oceniłbyś swoje doświadczenie w ML tabelarycznym w porównaniu z NLP i LLM?
Agent A zamknął 7 na 70 leadów, a agent B — 2 na 3. Jak uczciwie je porównać?
Opowiedz o przypadku, gdy model dobrze działał podczas oceny offline, ale słabo w produkcji: co się stało i co zrobiłeś?
Jaka linia bazowa i jaki końcowy kandydat modelu wybrałbyś do tego zadania?
Jakie masz doświadczenie z Microsoft Azure i czy potrafisz tam wdrożyć rozwiązanie?
Jak pracowałeś z klasami, dla których było bardzo mało przykładów?