Machine Learning / AI

Nu-ți pasă să încerci să susții un interviu cu AI?

Care este nivelul minim și confortabil al venitului pentru dvs. în ruble?

Care este educația superioară și domeniul de studiu?

De ce luați în considerare o ofertă nouă acum?

Cum utilizează exact BatchNorm statisticile salvate în modul `eval()` și de ce este important pentru stabilitatea rezultatelor?

Cum ați vizualiza valorile aberante din evaluările tematice pentru a înțelege cât de mult influențează imaginea de ansamblu?

Aveți întrebări despre condițiile de colaborare?

Sarcină practică Verificarea LLM în PyTorch oferă rezultate diferite la două rulări. Care soluție este mai matură? - Activați eval() și comparați rezultatele din nou. - Măriți dimensiunea setului de testare. - Repetă rularea și alege cel mai bun rezultat. - Treci la TensorFlow fără a analiza cauza. - Fixează seed-ul și consideră problema rezolvată. - Verifică eval(), no_grad(), seed, DataLoader și operații CUDA deterministe.

Spuneți-ne, cum vi s-a părut formatul interviului: ce v-a plăcut și ce ați dori să îmbunătățiți?

Practică de exercițiu AI a generat un cod pentru decizia de lansare a unui nou LLM. Efectuează o revizuire: modifică-l astfel încât editorul să poată compara calitatea versiunilor pe segmente tematice, să vadă dispersia evaluărilor și să observe riscul de deteriorare într-un mic grup de date. 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('Calitatea modelelor') plt.ylabel('Scor mediu') plt.show() print('Cea mai bună versiune:', 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"Subiect: {topic}") plt.suptitle("") plt.ylabel("Evaluare") plt.show() small_groups = stats[stats["count"] < 30] print("Grupuri mici - concluziile nu sunt fiabile:") print(small_groups)

Cum vă evaluați nivelul?

Oferiți un exemplu despre cum ați identificat și rezolvat o problemă de exemple conflictuale într-un proiect real.

Ești dispus să iei în considerare proiecte part-time și combinații de muncă?

Exercițiu practic AI a generat un cod pentru a decide despre lansarea unui nou LLM. Realizează o revizuire: modifică-l astfel încât editorul să poată compara calitatea versiunilor pe segmente tematice, să vadă dispersia evaluărilor și să observe riscul de deteriorare pe un grup mic de date. 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('Calitatea modelelor') plt.ylabel('Scor mediu') plt.show() print('Cea mai bună versiune:', summary.idxmax())

Cu o zi înainte de compararea a două versiuni de LLM, s-a descoperit că codul experimentului din ramură există, dar versiunea exactă a datelor și parametrii LoRA nu sunt fixați. Ce vei alege ca primul increment pentru următoarele două zile și de ce vei fi conștient să renunți?

Cum asiguri proveniența rezultatelor experimentului pentru a putea înțelege exact de unde provin metricile?

Există interviuri în curs la companii mari de tehnologie, precum Yandex sau Alfa?

Cum gestionați de obicei versiunile datelor și modelelor în astfel de experimente?

Temă practică Ce set de artefacte permite reproducerea corectă a comparației a două rulări LoRA? - Doar tabelul final de calitate. - Commit cu cod și captura de ecran a metricii finale. - Cod și fișier de configurare a experimentului. - Cod, hash-ul datelor, modelul de bază, configurația LoRA, dependențe și comanda de rulare. - Doar link către ramura Git. - Cod, parametrii LoRA, versiunea modelului de bază și dependențe.

Aveți experiență de lucru în echipe complet anglofone?