Machine Learning / AI
Jaka jest różnica między wielowątkowością a wieloprocesowością w Pythonie?
Do czego doprowadzi generowanie danych syntetycznych dla rzadkiej klasy? Co się stanie z rozkładem?
Czy korzystałeś z monitorowania? Czy pracowałeś z brokerami wiadomości Kafka lub RabbitMQ?
Czy miałeś przegląd kodu, pisałeś testy? Opowiedz o kulturze inżynierskiej.
Opowiedz o swoim projekcie z dwoma modelami (GigaChat i lokalnym modelem wytrenowanym za pomocą LoRA)
Opowiedz więcej o zadaniach, które rozwiązałeś: jakie modele budowałeś, jak przetwarzałeś dane?
Czym jest Elastic Net?
Czym jest federated learning w medycynie i do czego służy?
Czym jest concept drift i jak na niego reagować?
Jakie pułapki czyhają na pracę z strefami czasowymi w funkcjach czasu?
W jakich obszarach pracowałeś z ML? Czy musiałeś trenować modele i jeśli tak, to jakie architektury?
Co zrobić z wagami modelu ML, jeśli ważą kilka gigabajtów? Jak je przechowywać w kontekście Dockera?
Czym jest dostrajanie adapterów i dostrajanie prefiksów?
Czym jest federated learning i jakie są jego modele agregacji (FedAvg)?
Na czym uruchomić lokalnie LLM dla systemu biznesowego?
Jak wygląda ogólnie ścieżka aplikacji ML/LLM od Dockerfile i kodu źródłowego do wdrożonej usługi i ruchu użytkowników w Kubernetes?
Jak będziemy dobierać parametry w boostingu gradientowym? Jakie parametry są i co będziesz dostrajać jako pierwsze?
Opowiedz o testach (smoke, funkcjonalne, e2e)
Czy należy regulować wyraz wolny (bias, w0)? Do czego w ogóle służy w0?
Czy nadal pracujesz w doradztwie IT?