Machine Learning / AI

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

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.

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

Zadanie praktyczne Zapytanie SQL do 80 milionów wiadomości tworzy duplikaty po JOIN. Jakie działanie jest lepsze, aby zacząć jako pierwsze? - Sprawdzić kardynalność JOIN, klucze i plan wykonania przed optymalizacją. - Utworzyć indeks na jednym polu połączenia. - Wyeksportować wynik do CSV i usunąć duplikaty w Pythonie. - Zawsze dodawać DISTINCT do wszystkich kolumn. - Dodać DISTINCT po sprawdzeniu wyniku na próbce. - Sprawdzić klucze połączenia i unikalność obu tabel.

Po nowej wersji modelu średnia ocena jakości wzrosła, ale redaktorzy mówią, że odpowiedzi na tematy prawne i finansowe znacznie się pogorszyły. Jaką wizualizację zrobisz jako pierwszą, aby zdecydować, czy zatrzymać publikację?

Jak zwykle zarządzasz wersjami danych i modeli w takich eksperymentach?

Czy planujesz dalej zostawać na Filipinach, czy przeprowadzić się do innego kraju?

Czy może Pan/Pani bardziej szczegółowo opisać, co dokładnie wydało się Panu/Pani "przytłaczające" w pytaniach i jak to wpłynęło na Pana/Pani postrzeganie rozmowy kwalifikacyjnej?

Czy masz doświadczenie w pracy w całkowicie anglojęzycznych zespołach?

Czy masz doświadczenie w rozmowach kwalifikacyjnych z AI?

Czy masz oferty w ręku lub końcowe etapy w innych firmach?

Jak oceniasz ilościowo wpływ emisji na metryki modelu, na przykład accuracy lub F1-score?

Jak zoptymalizowałbyś indeksy na kluczach łączenia, aby zmniejszyć duplikaty i przyspieszyć zapytanie?

Wyobraź sobie, że pracujesz z modelem w PyTorch i po przełączeniu go w tryb oceny eval() widzisz, że metryki na stałym zbiorze testowym z 10 000 przykładów zmieniają się przy każdym uruchomieniu. Ustawiasz początkowy stan generatorów losowych dla powtarzalności: gdzie jeszcze może ukrywać się źródło zmian? Wyjaśnij rolę Dropout, BatchNorm i torch.no_grad() i wymień metryki z progami, według których sprawdzisz stabilność wyników.

Oceń swój angielski osobno dla czytania/pisania i mówienia według poziomów CEFR.

Zadanie praktyczne AI proponuje wytrenować LoRA na wszystkich 2 milionach nieoczyszczonych dialogów. Która odpowiedź kandydata jest najbardziej dojrzała? - Zaufać AI: duży zbiór sam zrekompensuje błędy. - Najpierw zmienić prompt, nie zmieniając danych. - Wytrenować LoRA na oczyszczonej części i porównać z modelem bazowym. - Sprawdzić losową próbkę oznaczeń przed treningiem. - Najpierw sprawdzić dane i jakość według tematów na osobnym zestawie, następnie ograniczenie treningu LoRA. - Trenować na całym korpusie, ale zmniejszyć rangę LoRA.

Jak dokładnie użyłbyś `EXPLAIN`, aby zidentyfikować problemy z wydajnością w tym zapytaniu?

Jaki format formalizacji jest dla Ciebie najwygodniejszy: GPH, IP czy TК?

W tabeli dialogów jest 80 milionów wiadomości, a zapytanie analityczne dla zestawu oceny trwa 25 minut i czasami zwraca duplikaty par pytanie-odpowiedź. Co poprawisz jako pierwsze i dlaczego?

Do generowania pytań duży model językowy ma trudności z utrzymaniem stylu na rzadkich tematach. Asystent AI proponuje natychmiast uruchomić LoRA na całym historycznym korpusie z 2 milionami dialogów, ale oznaczenie jest częściowo hałaśliwe. Gdzie nie zaufałbyś tej radzie i co wybrałbyś jako pierwsze?