Machine Learning / AI

`eval()` rejimida BatchNorm'ni noto'g'ri ishlatish natijasida taxminlarda xatoliklar yuzaga kelgan misol keltiring.

Yangi model versiyasidan keyin o'rtacha sifat bahosi oshdi, lekin muharrirlar huquqiy va moliyaviy mavzudagi javoblar ancha yomonlashganini aytishmoqda. Nima vizualizatsiyani birinchi bo'lib qilasiz, chiqarishni to'xtatish yoki yo'qligini hal qilish uchun?

Amaliy vazifa LoRA ning ikki ishga tushirilishini halol tarzda taqqoslash imkonini beradigan artefaktlar to'plami nima? - Faqat sifat jadvali. - Kod va yakuniy metrika skrinshoti bilan commit. - Eksperimentning kod va konfiguratsiya fayli. - Kod, ma'lumotlar xeshi, asosiy model, LoRA konfiguratsiyasi, bog'liqliklar va ishga tushirish komandasi. - Faqat Git tarmog'iga havola. - Kod, LoRA parametrlari, asosiy model versiyasi va bog'liqliklar.

Bunday tajribalar davomida odatda ma'lumotlar va modellarning versiyalarini qanday boshqarasiz?

Hozirda Yandex yoki Alfa kabi katta texnologiya kompaniyalari bilan suhbatlar bormi?

Amaliy vazifa 80 million xabar uchun SQL so'rovi JOINdan so'ng takrorlarni yaratadi. Qaysi harakat birinchi bo'lib boshlash ma'qul? - Optimizatsiyadan oldin JOIN kardinalligini, kalitlar va bajarish rejasini tekshiring. - Bir bog'lanish maydonida indeks yarating. - Natijani CSV ga eksport qiling va Python da takrorlarni o'chiring. - Har doim barcha ustunlarga DISTINCT qo'shing. - Natijani namunada tekshirgandan so'ng DISTINCT qo'shing. - Bog'lanish kalitlarini va ikkala jadvalning unikalligini tekshiring.

Yana Filipinlarda qolishni davom ettirmoqchimisiz yoki boshqa mamlakatga ko‘chishni rejalashtiryapsizmi?

Savolarda sizga nima "bosim" tuyulganini va bu qanday ta'sir qilganini batafsil ayta olasizmi? Bu sizning suhbatga bo'lgan qarashingizga qanday ta'sir qildi?

To'liq ingliz tilida ishlash jamoalarida tajribangiz bormi?

AI bilan suhbatlar o'tkazish tajribangiz bormi?

Boshqa kompaniyalarda takliflar yoki oxirgi bosqichlar bormi?

Chiqindilarning model metriklariga, masalan, aniqlik yoki F1-balli kabi, miqdoriy ta'sirini qanday baholaysiz?

Qanday qilib ulanish kalitlari bo'yicha indekslarni optimallashtirasiz, takrorlarni kamaytirish va so'rovni tezlashtirish uchun?

Tasavvur qiling, siz PyTorch model bilan ishlayapsiz va uni eval() holatiga o'tkazgandan so'ng, 10 000 ta misoldan iborat doimiy test to'plamida metrikalar har bir ishga tushirishda o'zgarayotganini ko'rasiz. Takrorlanadiganlik uchun tasodifiy sonlar generatorining boshlang'ich holatini belgilaysiz: boshqa qayerda o'zgarishlarning manbai yashirin bo'lishi mumkin? Dropout, BatchNorm va torch.no_grad() ning rolini tushuntiring va natijalar barqarorligini tekshirish uchun belgilangan mezonlar bilan metrikalarni nomlang.

Amaliy vazifa AI barcha 2 million noziklangan dialoglarni LoRA bilan o'qitishni taklif qilmoqda. Nomzodning eng yetuk javobi qaysi? - AI'ga ishonish: katta korpus xatolarni o'rtacha qiladi. - Ma'lumotlarni o'zgartirmasdan avval promptni o'zgartirish. - Tozalangan qismda LoRA ni o'qitish va uni asosiy model bilan solishtirish. - O'qitishdan oldin tasodifiy belgilash namunasi tekshirish. - Avvalo ma'lumotlar va sifatni mavzular bo'yicha alohida to'plamda tekshirish, so'ngra LoRA ni cheklangan holda o'qitish. - Barcha korpusda o'qitish, lekin LoRA ning darajasini kamaytirish.

CEFR darajalariga ko'ra o'qish/yozish va suhbat uchun ingliz tilingizni alohida baholang.

Ushbu so'rovda ishlash muammolarini aniqlash uchun `EXPLAIN`'ni qanday aniq ishlatardingiz?

Qaysi rasmiylashtirish formati siz uchun qulay: GPH, IP yoki TК?

Dialoglar jadvalidagi 80 million xabar bor, va baholash to'plami uchun tahliliy so'rov 25 daqiqa davom etadi va ba'zan savol-javob juftliklarini takrorlaydi. Birinchi nima tuzatishni xohlaysiz va nima uchun?

Savollarni yaratish uchun katta til modeli kamdan-kam mavzularda uslubni ushlab qolishda qiynaladi. AI yordamchisi 2 million dialogdan iborat tarixiy korpusda darhol LoRA ni ishga tushirishni taklif qiladi, ammo belgilash qisman shovqinli. Qaysi hollarda siz bu maslahatga ishonmaysiz va birinchi nima tanlaysiz?