Machine Learning / AI
Co było wysyłane do końcowego użytkownika w Twoim systemie?
Czy w wykonywaniu agentów występowało równoległe działanie, czy wszystko było sekwencyjne?
Jaka będzie wartość metryki ROC-AUC dla klasyfikatora, który zawsze podaje wartość 0,9 na zbiorze danych składającym się z 90 pozytywnych i 10 negatywnych przykładów?
Jakie są wady podejścia wieloagentowego?
Jak są trenowane modele osadzeń? Jak napisałbyś własny embedder?
Jak zaimplementowałeś i wdrożyłeś usługę obsługi pull requestów?
Wymień jedną zaletę i jedną wadę CatBoost w porównaniu do LightGBM.
Jak obliczysz wariancję dla próbki 20 pracowników? I czym Twoja ocena jest lepsza od losowej liczby 3?
Czy masz dużą drużynę?
Jak obsługiwać tabelę w dokumencie podczas przygotowywania danych do RAG?
Jak szybko jesteś gotowy na nową pracę?
Czy jesteś sam w Moskwie? Czy moment z lokalizacją jest krytyczny?
Czy używasz stanu w LangGraph i przekazujesz cały stan do kontekstu?
Czym jest LoRA (Low-Rank Adaptation)?
Jak zbierałeś metryki jakości systemu RAG? Jakie metryki używałeś i jakie narzędzia?
Opowiedz o zadaniu oceny wymowy: jak podejść do ulepszania modelu, który wykrywa błędy w wymowie fonemów i dźwięków?
Co się dzieje w pamięci, gdy konwertujemy ciąg na małe litery za pomocą lower()? Jaką operację pamięci to zajmuje?
Jaki format formalizacji jest dla Ciebie najwygodniejszy: GPH, IP czy TК?
Agent A zamknął 7 na 70 leadów, a agent B — 2 na 3. Jak uczciwie je porównać?
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.