Направления, темы и вопросы из записей интервью. Фильтры ниже сохраняются в ссылке.
274 вопроса из реальных интервью
После hybrid retrieval можно отдать несколько статей LLM. Когда это оправдано, а когда лучше оставить обычный reranker и список результатов?
Какие лейблы собрать для обучения выбора контрольного вопроса и как бороться с тем, что мы видим ответы только на показанные вопросы?
Какие признаки действующих моделей, карты, условий и качества источника добавить после векторного поиска?
Sketch the online architecture for query parsing, candidate generation, ranking and blending. How do services communicate and fail safely?
Запрос вроде "книга" возвращает миллион релевантных товаров. Как не скорить весь миллион тяжелой моделью?
Какие артефакты, показатели и сигналы хранить после запуска, чтобы воспроизвести решение и заметить изменение формата конкретного банка?
Нужно получить качественные эмбеддинги предложений для семантического поиска. Какие данные, положительные и отрицательные пары и функции потерь использовать?
Если новой карусели ещё не было в продукте, как до эксперимента оценить релевантность её рекомендаций и не принять отсутствие старого показа за отрицательную метку?
Как определить строку датасета, временное разбиение и метрики модели цены или рекомендаций, чтобы офлайн-оценка отражала реальное применение?
Which offline and online metrics would you use for a similar-items recommender, and what pitfalls are easy to miss?
Как устроить платформу, где основной поиск кандидатов считается пакетно, а оперативный слой меняет порядок по свежим действиям пользователя?
Как получить обучающие пары запросов и релевантных дорожных сегментов при ограниченном бюджете ручной разметки?
Как улучшить порядок найденных дорожных сегментов более точной моделью и вовремя заметить деградацию поиска?
Банк получает PDF-выписки юридического лица из других банков. Как превратить документы в проверяемые сигналы для комплаенса?
Даны сделки и состояния биржевого стакана. Как определить цель, построить признаки, провести временную проверку и выбрать первое базовое решение?
В большом архиве поездок нужно по текстовому запросу находить редкие дорожные ситуации. Как определить пользователя, единицу поиска, метрики и первую версию системы?
Какие признаки пользователя, товара, корзины и их взаимодействия подавать в MLP или бустинг для ранжирования рекомендаций?
How should the production system process finished calls, write bookings and avoid operational issues such as double-booking a slot?
После базового варианта и ранжировщика нужно спроектировать эксплуатацию: где искать кандидатов, где хранить признаки и как обновлять рекомендации при изменении корзины?
В системе RAG используются FastAPI, векторная база, отдельный сервис ранжирования, MLflow, Docker и собственная LLM. Как проходит запрос и за что отвечает каждый компонент?
Как выбрать единицу разбиения A/B-теста динамической доставки, оценить MDE и проверить эксперимент до запуска?
В call center нужно выбрать контрольный вопрос для верификации клиента: достаточно безопасный, но не слишком сложный. Как построить ML-систему ранжирования вопросов?
Почему ключи и значения прошлых токенов можно переиспользовать при пошаговой генерации и от каких множителей зависит объём KV-кеша?
Большая временная модель хорошо находит события, но не укладывается в задержку и стоимость. Как уменьшить её, не потеряв критические классы?