Банк вопросов из реальных собеседований

С чего начать проектирование панели CTR рекламных кампаний в реальном времени?

Как обучается градиентный бустинг: что приближает каждое следующее дерево и как это связано с функцией потерь?

Как LoRA представляет изменение весов большой модели и почему такое дообучение требует меньше памяти?

Объясните self-attention и основные блоки трансформера так, чтобы было понятно без формального вывода.

Explain LoRA fine-tuning under the hood: what parameters are added, what is frozen and why it saves memory.

В модели есть категориальные признаки товара и пользователя. Как их кодировать и где возникают риски?

Есть рекомендации похожих или сочетаемых товаров. Какие источники кандидатов и признаки можно использовать?

Решение уже корректно. Как последовательно найти узкое место, снизить временную или пространственную сложность и доказать, что оптимизация сохраняет результат?

Модель сегментирует объект в видео, но маска мерцает и ломается при взаимодействии с человеком. Что делать?

Как устроены числа с плавающей точкой? Чем bfloat16 отличается от float16 и почему его используют в нейросетях?

После retrieval есть набор кандидатов. Какие признаки использовать для реранжирования и что можно считать заранее?

Какие события, сущности и масштабы нужно уточнить перед проектированием рекламной панели CTR?

По данным с primary и secondary feed нужно понять, через какой канал события приходят на сервер раньше. Как это посчитать корректно?

Когда Transformer действительно помогает моделировать историю пользователя, а когда более простая архитектура будет надёжнее и дешевле?

Give a concrete data scenario where a single decision tree can outperform a Random Forest, and explain why the ensemble hurts.

Что такое смещение и разброс модели, почему это не просто другие названия недообучения и переобучения и как интерпретировать их разные сочетания?

Как интерпретировать коэффициент линейной модели и почему его величина может вводить в заблуждение при разных масштабах и мультиколлинеарности?

Как объяснить линейную регрессию, MSE и почему аналитическое решение через матрицу не всегда удобно?

Как связаны матричная запись линейной регрессии, метод наименьших квадратов, градиентный спуск и регуляризация L1/L2?

Какие особенности и риски нужно учесть в рекомендациях похожих и дополняющих товаров для каталога одежды?

Какие агрегаты считать по кампании и минутному окну, чтобы строить график CTR?

How do you detect overfitting, and what methods can reduce it for classical ML or neural networks?

Какие сигналы и функции потерь использовать отдельно для поиска кандидатов и ранжирования?

Какие loss, backbone и augmentations уместны для embeddings-модели, сравнивающей изображения объектов?