Machine Learning / AI

Nie masz nic przeciwko spróbowaniu przeprowadzenia rozmowy kwalifikacyjnej z AI?

Jaki jest minimalny i komfortowy poziom dochodu dla Ciebie w rublach?

Dlaczego teraz rozważasz nową ofertę?

Jakie masz wyższe wykształcenie i kierunek studiów?

Jak dokładnie BatchNorm korzysta z zapisanych statystyk w trybie `eval()` i dlaczego jest to ważne dla stabilności wyników?

Czy masz pytania dotyczące warunków współpracy?

Jak wizualizowałbyś odchylenia w ocenach tematycznych, aby zrozumieć, jak bardzo wpływają na ogólny obraz?

Zadanie praktyczne Sprawdzanie LLM w PyTorch daje różne wyniki przy dwóch uruchomieniach. Które rozwiązanie jest bardziej dojrzałe? - Włączyć eval() i porównać wyniki jeszcze raz. - Zwiększyć rozmiar zestawu testowego. - Powtórzyć uruchomienie i wybrać najlepszy wynik. - Przełączyć się na TensorFlow bez analizy przyczyny. - Ustalić seed i uznać problem za rozwiązany. - Sprawdzić eval(), no_grad(), seed, DataLoader i deterministyczne operacje CUDA.

Opowiedz, jak oceniasz format rozmowy kwalifikacyjnej: co ci się podobało, a co chciałbyś poprawić.

Zadanie praktyczne AI wygenerowało kod do decyzji o wydaniu nowego LLM. Przejrzyj go: zmodyfikuj go tak, aby edytor mógł porównać jakość wersji według segmentów tematycznych, zobaczyć rozrzut ocen i zauważyć ryzyko pogorszenia na małej grupie danych. 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('Jakość modeli') plt.ylabel('Średnia ocena') plt.show() print('Najlepsza wersja:', 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"Temat: {topic}") plt.suptitle("") plt.ylabel("Ocena") plt.show() small_groups = stats[stats["count"] < 30] print("Małe grupy - wnioski są niepewne:") print(small_groups)

Podaj przykład, jak zidentyfikowałeś i rozwiązałeś problem konfliktujących przykładów w rzeczywistym projekcie.

Zadanie praktyczne AI wygenerowało kod do podjęcia decyzji o wydaniu nowego LLM. Przeprowadź przegląd: zmodyfikuj go tak, aby edytor mógł porównać jakość wersji według segmentów tematycznych, zobaczyć rozrzut ocen i zauważyć ryzyko pogorszenia na małej grupie danych. 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('Jakość modeli') plt.ylabel('Średnia ocena') plt.show() print('Najlepsza wersja:', summary.idxmax())

Jak zapewniasz pochodzenie wyników eksperymentu, aby móc dokładnie zrozumieć, skąd pochodzą metryki?

Czy jesteś gotów rozważyć projekty na część etatu i łączenie różnych zajęć?

Jak siebie oceniasz?

Jak zwykle zarządzasz wersjami danych i modeli w takich eksperymentach?

Czy obecnie trwają rozmowy kwalifikacyjne w dużych firmach technologicznych, takich jak Yandex lub Alfa?

Dzień przed porównaniem dwóch wersji LLM okazało się, że kod eksperymentu w gałęzi jest, ale dokładna wersja danych i parametry LoRA nie są ustalone. Co wybierzesz jako pierwszy przyrost na najbliższe dwa dni i z czego świadomie zrezygnujesz?

Zadanie praktyczne Jaki zestaw artefaktów pozwala uczciwie odtworzyć porównanie dwóch uruchomień LoRA? - Tylko końcowa tabela jakości. - Commit z kodem i zrzutem ekranu końcowej metryki. - Kod i plik konfiguracyjny eksperymentu. - Kod, hash danych, model bazowy, konfiguracja LoRA, zależności i polecenie uruchomienia. - Tylko link do gałęzi Git. - Kod, parametry LoRA, wersja modelu bazowego i zależności.

Podaj przykład, kiedy nieprawidłowe użycie BatchNorm w trybie `eval()` doprowadziło do błędów w prognozach.