Machine Learning / AI

Немате ништа против да покушате да прођете интервју са ИИ?

Koji je minimalni i udoban nivo prihoda za vas u rubljama?

Које је ваше високо образовање и смер студија?

Zašto sada razmatrate novu ponudu?

Kako tačno BatchNorm koristi sačuvane statistike u režimu `eval()` i zašto je to važno za stabilnost rezultata?

Да ли имате питања у вези са условима сарадње?

Kako biste vizualizovali odstupanja u tematskim ocenama da biste shvatili koliko one utiču na celokupnu sliku?

Praktični zadatak Provera LLM u PyTorch daje različite rezultate pri dva pokretanja. Koje rešenje je zrelije? - Uključiti eval() i ponovo uporediti rezultate. - Povećati veličinu skupa za proveru. - Ponavljati pokretanje i izabrati najbolji rezultat. - Preći na TensorFlow bez analize uzroka. - Fiksirati seed i smatrati problem rešenim. - Proveriti eval(), no_grad(), seed, DataLoader i determinističke CUDA operacije.

Ispričajte nam kako vam se svidio format razgovora: šta vam se svidjelo, a šta biste želeli da poboljšate.

Практични задатак Искусна интелигенција је генерисала код за одлуку о пуштању новог LLM-а. Извршите преглед: измените га тако да уредник може упоредити квалитет верзија по тематским сегментима, видети распршеност оцена и уочити ризик од погоршања у малој групи података. 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('Квалитет модела') plt.ylabel('Просечна оцена') plt.show() print('Најбоља верзија:', 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"Тема: {topic}") plt.suptitle("") plt.ylabel("Оцена") plt.show() small_groups = stats[stats["count"] < 30] print("Малe групе - закључци нису поуздани:") print(small_groups)

Практични задатак Искусна интелигенција је генерисала код за одлуку о пуштању новог LLM-а. Направите преглед: измените га тако да уредник може поредити квалитет верзија по тематским сегментима, видети распршеност оцена и уочити ризик од погоршања на малој групи података. 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('Квалитет модела') plt.ylabel('Просечна оцена') plt.show() print('Најбоља верзија:', summary.idxmax())

Да ли сте спремни да разматрате пројекте на непуно радно време и комбинације?

Kako obezbeđujete poreklo rezultata eksperimenta da biste mogli tačno da razumete odakle potiču metrike?

Dajte primer kako ste identifikovali i rešili problem sukobljenih primera u stvarnom projektu.

Kako sebe ocenjujete?

Дан пре него што упоредиш две верзије LLM, откривено је да је код експеримента у грани присутан, али тачна верзија података и параметри LoRA нису фиксирани. Шта ћеш изабрати као први инкремент за наредна два дана и чему ћеш свесно одустати?

Da li postoje trenutni razgovori za posao u velikim tehnološkim kompanijama poput Yandex ili Alfa?

Kako obično upravljate verzijama podataka i modela u takvim eksperimentima?

Praktični zadatak Koji skup artefakata omogućava pošteno reprodukovanje poređenja dva pokretanja LoRA? - Samo završna tabela kvaliteta. - Commit sa kodom i snimkom ekrana završne metrike. - Kod i fajl konfiguracije eksperimenta. - Kod, hash podataka, osnovni model, konfiguracija LoRA, zavisnosti i komanda za pokretanje. - Samo link na granu Git. - Kod, parametri LoRA, verzija osnovnog modela i zavisnosti.

Практични задатак Просечна оцена новог LLM-а је порасла, али уредници се жале на финансијске одговоре. Који график најбоље подржава одлуку о издању? Један главни показатељ просечне оцене. Колоне са просечном оценом свих тема. Кутије са брковима по темама и верзијама модела. Табела просечних оцена по темама. Облак речи из нових одговора. Расподеле оцена по верзијама и темама са величином сваке групе.