Machine Learning / AI

Čo je to závislostné parsovanie a konštitučné parsovanie?

Aký je rozdiel medzi Agile a Waterfall?

Middle

Aston

Ako BERT predpovedá skryté slová pod maskou a zohľadňuje kontext susedných slov?

Aké sú výhody logistickej regresie a gradient boosting a v akých úlohách ich použiť?

Middle — Senior

СБЕР

Иннотех

Ako ovplyvňuje pridanie rovnakých hodnôt ku všetkým objektom metriky klasifikácie?

Middle — Senior

СБЕР

Čo je to mining logov dopytov a aké signály extrahujú?

Môže reťazec mať nestandardnú dĺžku?

Middle

СБЕР

Aký programovací jazyk sa používa pre pipeline a mikroservisy?

Middle

Газпромбанк

Ako sa vykonáva A/B testovanie?

Middle

1221 Systems

Aston

Aké sú typické úzke miesta v službe LLM?

Senior

ЦифровыеПривычки

Yandex Research

Альфа-Банк

Čo je CDC (zachytávanie zmien dát) a kde sa používa?

Middle — Senior

Иннотех

Čo je to pozícia bias v údajoch o kliknutí?

Čo sú normálne formy a aké existujú?

Middle

Иннотех

Opíšte poslednú vyriešenú ML úlohu podľa schémy: cieľ, údaje, metrika kvality, ML algoritmus a výsledok

Middle

Яндекс Финтех

Čo je pseudo-labeling v tabuľkových úlohách?

Čo je DeepSpeed ZeRO Stage 1/2/3?

Middle — Senior

Совкомбанк

Aké úlohy riešia GNN pri odhaľovaní podvodov?

Ako všeobecne vyzerá cesta ML/LLM aplikácie od Dockerfile a zdrojového kódu po nasadenú službu a používateľský traffic v Kubernetes?

Čo rozumieš pod normalizáciou dokumentov?

Senior

X5 tech

Praktická úloha Umělá inteligence vygenerovala kód pro rozhodnutí o vydání nového LLM. Proveďte revizi: upravte ho tak, aby editor mohl porovnat kvalitu verzí podle tematických segmentů, vidět rozptyl hodnocení a zaznamenat riziko zhoršení na malé skupině dat. 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('Kvalita modelů') plt.ylabel('Průměrné hodnocení') plt.show() print('Nejlepší verze:', 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"Téma: {topic}") plt.suptitle("") plt.ylabel("Hodnocení") plt.show() small_groups = stats[stats["count"] < 30] print("Malé skupiny - závěry nejsou spolehlivé:") print(small_groups)