Machine Learning / AI
Jak zaimplementowałeś i wdrożyłeś usługę obsługi pull requestów?
Zadanie klasyfikacji z silnym niezrównoważeniem klas: które metryki są dobre, które złe?
Jak oceniano jakość modelu dookreślenia?
Oblicz średnie doświadczenie zawodowe dla każdej kategorii wynagrodzenia
Opowiedz nam o przeglądzie swojej kariery: rodzaje ról, branże, kluczowe projekty.
Wymień jedną zaletę i jedną wadę CatBoost w porównaniu do LightGBM.
Czy uczestniczyłeś w walidacji złożonych systemów i agentów na etapie produkcji?
Czym jest wektor rzadki? Czym różni się od wektora gęstego?
Dlaczego kwantyzowany LLM może działać szybciej i dlaczego czasami kwantyzacja, przeciwnie, spowalnia inferencję?
Czy są terminy na poszukiwanie pracy? Z jakimi firmami jeszcze się kontaktujesz?
Jak szybko jesteś gotowy na nową pracę?
Jest 100 monet, z nich jedna jest fałszywa — z dwoma orłami po obu stronach. Wybieramy losowo monetę, rzucamy nią i wypada orzeł. Jakie jest prawdopodobieństwo, że moneta jest fałszywa? Opisz rozwiązanie (za pomocą wzoru Bayesa).
Na które współczynniki nakłada regularyzacja L2 w XGBoost?
Jak zaprojektować agenta, który odpowiada użytkownikom na podstawie danych z bazy transakcyjnej: jaki stos technologiczny i architektura są potrzebne, i czy warto stosować wieloagentowość?
Czym jest Kafka?
Opowiedz o swoim pierwszym miejscu pracy: z jakimi zadaniami i projektami musiałeś pracować, jakich narzędzi używałeś?
Opowiedz o swoim najciekawszym projekcie w dziedzinie NLP i LLM, w tym architekturę i ocenę rozwiązania.
Czym jest wyciek danych i skąd się bierze?
Jaki format pracy rozważasz i w jakim mieście mieszkasz?
Dlaczego buforowanie dokładnych zapytań użytkowników zazwyczaj ma ograniczoną wartość biznesową i co dokładnie miałeś na myśli przez buforowanie odpowiedzi?