După versiunea nouă a modelului, scorul mediu de calitate a crescut, dar editorii spun că răspunsurile la subiecte juridice și financiare s-au înrăutățit semnificativ. Ce vizualizare vei face prima dată pentru a decide dacă să oprești publicarea?
Oferiți un exemplu în care utilizarea incorectă a BatchNorm în modul `eval()` a dus la erori în predicții.
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.
Există interviuri în curs la companii mari de tehnologie, precum Yandex sau Alfa?
Exercițiu practic Interogarea SQL pentru 80 de milioane de mesaje creează duplicate după JOIN. Ce acțiune este mai bine să începi prima? - Verifică cardinalitatea JOIN-ului, cheile și planul de execuție înainte de optimizare. - Creează un index pe un câmp de legătură. - Exportă rezultatul în CSV și elimină duplicatele în Python. - Adaugă întotdeauna DISTINCT la toate coloanele. - Adaugă DISTINCT după verificarea rezultatului pe eșantion. - Verifică cheile de legătură și unicitatea ambelor tabele.
Intenționați să rămâneți în continuare în Filipine sau să vă mutați într-o altă țară?
Puteți să ne spuneți mai detaliat ce v-a părut "oprimentor" la întrebări și cum a influențat acest lucru percepția dumneavoastră despre interviu?
Aveți experiență de lucru în echipe complet anglofone?
Aveți oferte în mână sau etape finale în alte companii?
Aveți experiență în interviuri cu AI?
Cum ați evalua cantitativ impactul emisiilor asupra metricilor modelului, cum ar fi acuratețea sau scorul F1?
Cum ați optimiza indicii pe cheile de join pentru a reduce duplicatele și a accelera interogarea?
Imaginează-ți că lucrezi cu un model în PyTorch și după ce îl pui în modul de evaluare eval() observi că metricile pe un set fix de test de 10.000 de exemple se schimbă la fiecare rulare. Fixezi starea inițială a generatorilor de numere aleatoare pentru reproductibilitate: unde altundeva poate fi ascunsă sursa schimbărilor? Explică rolul Dropout, BatchNorm și torch.no_grad() și numește metricile cu pragurile după care vei verifica stabilitatea rezultatelor.
Ce format de formalizare vă este cel mai convenabil: GPH, IP sau TК?
Evaluați-vă engleza separat pentru citire/scriere și conversație conform nivelurilor CEFR.
Sarcină practică AI propune să antreneze LoRA pe toate cele 2 milioane de dialoguri necurățate. Care este răspunsul cel mai matur al candidatului? - Să avem încredere în AI: un corp mare va compensa greșelile. - Mai întâi să schimbăm promptul fără a modifica datele. - Să antrenăm LoRA pe partea curățată și să o comparăm cu modelul de bază. - Să verificăm o mostră aleatorie de etichetare înainte de antrenament. - Mai întâi să verificăm datele și calitatea pe teme pe un set separat, apoi să antrenăm LoRA în mod limitat. - Să antrenăm pe întregul corp, dar să reducem rangul LoRA.
Cum ai folosi exact `EXPLAIN` pentru a identifica problemele de performanță în această interogare?
Pentru generarea întrebărilor, marele model lingvistic are dificultăți în a menține stilul pe teme rare. Asistentul AI propune să pornească imediat LoRA pe întregul corpus istoric de 2 milioane de dialoguri, dar etichetarea este parțial zgomotoasă. În ce cazuri nu ai încredere în acest sfat și ce ai alege primul?
În tabelul de dialoguri sunt 80 de milioane de mesaje, iar interogarea analitică pentru setul de evaluare durează 25 de minute și uneori returnează duplicate ale perechilor întrebare-răspuns. Ce ai corecta primul și de ce?
