Machine Learning / AI

Navedite primer kada je pogrešna upotreba BatchNorm u režimu `eval()` dovela do grešaka u predviđanjima.

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.

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

Nakon nove verzije modela, prosečna ocena kvaliteta je porasla, ali urednici kažu da su odgovori na pravne i finansijske teme znatno lošiji. Koju vizualizaciju ćete uraditi prvi da odlučite da li da zaustavite izdavanje?

Kako obično upravljate verzijama podataka i modela u takvim eksperimentima?

Praktični zadatak SQL upit za 80 miliona poruka stvara duplikate nakon JOIN-a. Koju akciju je najbolje započeti prvo? - Proveriti kardinalnost JOIN-a, ključeve i plan izvršenja pre optimizacije. - Kreirati indeks na jednom polju povezivanja. - Izvoz rezultata u CSV i uklanjanje duplikata u Python-u. - Uvek dodavati DISTINCT svim kolonama. - Dodati DISTINCT nakon provere rezultata na uzorku. - Proveriti ključeve povezivanja i jedinstvenost obe tabele.

Planirate li da ostanete na Filipinima ili da se preselite u drugu zemlju?

Можете ли детаљније да кажете шта вам је тачно у питањима изгледало "притискајуће" и како је то утицало на ваше перцепције интервјуа?

Да ли имате искуство у раду у потпуно англојезичним тимовима?

Да ли имате искуство са интервјуима са ИИ?

Da li imate ponude u rukama ili završne faze u drugim kompanijama?

Kako biste kvantitativno procenili uticaj emisija na metrike modela, na primer accuracy ili F1-score?

Kako biste optimizovali indekse na ključevima spajanja da biste smanjili duplikate i ubrzali upit?

Zamislite da radite s modelom u PyTorch-u i nakon što ga prebacite u režim evaluacije eval() vidite da se metrike na fiksnom testnom skupu od 10.000 primera menjaju pri svakom pokretanju. Fiksirate početno stanje generatora slučajnih brojeva radi reproduktivnosti: gde još može biti skriven izvor promena? Objasnite ulogu Dropout, BatchNorm i torch.no_grad() i imenujte metrike sa pragovima kojima ćete proveriti stabilnost rezultata.

Procijenite svoj engleski odvojeno za čitanje/pisanje i govor prema nivoima CEFR.

Kako biste tačno koristili `EXPLAIN` za identifikaciju problema sa performansama u ovom upitu?

Praktični zadatak AI predlaže treniranje LoRA na svim 2 miliona neuređenih dijaloga. Koji je najzreliji odgovor kandidata? - Verovati AI: veliki korpus će sam nadoknaditi greške. - Prvo promeniti prompt, ne menjajući podatke. - Trenirati LoRA na očišćenom delu i uporediti ga sa osnovnim modelom. - Proveriti slučajni uzorak oznaka pre treniranja. - Prvo proveriti podatke i kvalitet po temama na posebnom skupu, zatim ograničeno trenirati LoRA. - Trenirati na celokupnom korpusu, ali smanjiti rang LoRA.

Koji format formalizacije vam najviše odgovara: GPH, IP ili TК?

U tabeli dijaloga ima 80 miliona poruka, a analitički upit za skup evaluacije traje 25 minuta i ponekad vraća duplikate parova pitanje-odgovor. Šta biste prvo ispravili i zašto?

Za generisanje pitanja, veliki jezički model teško održava stil na retkim temama. AI asistent predlaže odmah pokretanje LoRA na celom istorijskom korpusu od 2 miliona dijaloga, ali oznaka je delimično šumovita. Gde ne biste verovali ovom savetu i šta biste prvo izabrali?