Machine Learning / AI

Yapay zeka ile mülakat yapmayı denemek ister misiniz?

Sizin için minimum ve konforlu gelir seviyesi nedir ruble cinsinden?

Yüksek öğreniminiz ve eğitim alanınız nedir?

Neden şu anda yeni bir teklif düşünüyorsunuz?

BatchNorm tam olarak `eval()` modunda kaydedilen istatistikleri nasıl kullanır ve bunun sonuçların istikrarı için neden önemli olduğunu açıklar mısınız?

İşbirliği koşullarıyla ilgili sorularınız var mı?

Genel resmi ne kadar etkilediklerini anlamak için tematik değerlendirmelerdeki aykırı değerleri nasıl görselleştirirdiniz?

Pratik Görev PyTorch'ta LLM kontrolü iki çalıştırmada farklı sonuçlar veriyor. Hangi çözüm daha olgun? - eval()'u etkinleştirip sonuçları tekrar karşılaştırın. - Test setinin boyutunu artırın. - Çalıştırmayı tekrarlayın ve en iyi sonucu seçin. - Nedeni analiz etmeden TensorFlow'a geçin. - Seed'i sabitleyin ve sorunu çözümlü sayın. - eval(), no_grad(), seed, DataLoader ve deterministik CUDA işlemlerini kontrol edin.

Görüşme formatını nasıl buldunuz, size ne hoşunuza gitti ve neyi geliştirmek isterdiniz?

Pratik Görev Yapay Zeka, yeni bir LLM'nin piyasaya sürülmesine karar vermek için kod üretti. Bir inceleme yap: düzenle ki, editör tematik segmentlere göre versiyonların kalitesini karşılaştırabilsin, değerlendirme dağılımını görebilsin ve küçük veri gruplarında kötüleşme riskini fark edebilsin. 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('Modellerin Kalitesi') plt.ylabel('Ortalama Puan') plt.show() print('En iyi versiyon:', 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"Konu: {topic}") plt.suptitle("") plt.ylabel("Puan") plt.show() small_groups = stats[stats["count"] < 30] print("Küçük gruplar - sonuçlar güvenilir değil:") print(small_groups)

Kendinizi hangi seviyede değerlendiriyorsunuz?

Gerçek bir projede çelişen örnekleri nasıl tespit ettiğinizi ve çözdüğünüzü örnekleyiniz.

Pratik Görev Yapay Zeka, yeni bir LLM'nin piyasaya sürülmesine karar vermek için kod üretti. Bir inceleme yap: düzenle ki, editör tematik segmentlere göre versiyonların kalitesini karşılaştırabilsin, değerlendirmelerin dağılımını görebilsin ve küçük bir veri grubunda kötüleşme riskini fark edebilsin. 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('Modellerin Kalitesi') plt.ylabel('Ortalama Puan') plt.show() print('En iyi sürüm:', summary.idxmax())

Yarı zamanlı projeleri ve kombinasyonları değerlendirmeye hazır mısınız?

Deney sonuçlarının kaynağını nasıl sağlıyorsunuz, böylece metriklerin nereden geldiğini tam olarak anlayabilirsiniz?

İki LLM sürümünü karşılaştırmadan bir gün önce, dalda deneyin kodunun olduğu, ancak verilerin tam sürümünün ve LoRA parametrelerinin belirlenmediği ortaya çıktı. Önümüzdeki iki gün için ilk artış olarak ne seçersin ve bilinçli olarak ne feda edersin?

Şu anda Yandex veya Alfa gibi büyük teknoloji şirketlerinde mülakatlar var mı?

Bu tür deneylerde verileri ve modelleri genellikle nasıl yönetiyorsunuz?

Pratik Görev İki LoRA çalışmasının karşılaştırmasını dürüstçe yeniden üretmeyi sağlayan artefakt seti nedir? - Sadece nihai kalite tablosu. - Kod ve nihai metriğin ekran görüntüsü ile commit. - Deneyin kodu ve yapılandırma dosyası. - Kod, veri hash'i, temel model, LoRA yapılandırması, bağımlılıklar ve başlatma komutu. - Sadece Git dalına bağlantı. - Kod, LoRA parametreleri, temel model sürümü ve bağımlılıklar.

Soruların sizin için neden "boğucu" göründüğünü ve bunun mülakat algınızı nasıl etkilediğini daha detaylı anlatabilir misiniz?