LLM-инженер — собеседование. Выпускник МФТИ собеседует студента "Центрального Университета".

https://t.me/r77_ai — наш канал https://r77.ai — наш сайт http://t.me/savinvlad — по проектам Как проходит реальное собеседование ML-инженера? Мы из R77 AI провели интервью со студентом Центрального Университета. Собеседование проводит технический директор — выпускник МФТИ. Без подготовки и сценария — только реальные вопросы и живые ответы. В этом видео: — реальные вопросы на собеседовании ML-инженера — как кандидат рассуждает и решает задачи — типичные ошибки на интервью — что действительно важно при найме в AI/ML Если вы готовитесь к собеседованию на позицию ML-инженера или хотите понять, как проходит интервью в реальной компании — это видео даст вам честную картину. Напишите в комментариях: прошёл бы этот кандидат собеседование? Подписывайтесь на R77 AI — показываем, как на самом деле нанимают в AI и IT. #ML #машинноеобучение #собеседование #MLинженер #AI #карьера #разработчик 00:00 Вступление, кто такой Ярослав Шмулёв и формат интервью 00:50 Опыт Ярослава: путь в ML и кейсы компании 01:46 Кейсы: Алроса, металлургия, определение овуляции свиней 02:35 Про компанию R77i и стажировки 03:00 Представление Карима (LLM-инженер, Альфа-банк) 03:56 Про проекты: AI-агенты, аналитика, документация 05:25 Агент для проверки документации (workflow, чек-листы) 06:37 Ограничения бизнеса и внедрение поиска без векторной БД 07:09 Обучение модели и запуск в прод 07:39 Предыдущий опыт (кредиты, аналитика дефолтов) 08:05 Как пришёл в ML 09:15 Обсуждение поступления и уровня вузов 10:36 Про образование и Аэрофлот 11:28 Про динамическое ценообразование 12:17 Структура интервью (база → ML → кейсы) 13:10 Почему важна база (метрики, статистика) 14:17 Метрики классификации (accuracy, precision, recall) 15:40 Precision vs Recall на примере ковида 16:31 Ошибки: false positive / false negative 17:01 Confusion matrix и порог (threshold) 18:14 ROC-AUC и PR-AUC 19:08 Как выбирать threshold (через бизнес-задачу) 20:19 Связь ML-метрик с бизнесом (деньги) 21:05 Как выбирать threshold на практике 25:21 Precision/Recall кейс с бизнес-требованием 27:30 Что такое cross-entropy 29:02 Как работает LLM (next token prediction) 30:21 Распределение вероятностей по токенам 31:44 Регуляризация L1 / L2 33:16 MSE и метод наименьших квадратов 36:29 Вероятностный смысл MSE 39:01 Вероятностный смысл регуляризации 40:17 L1 vs L2 (Laplace vs Normal) 44:08 Почему не используют L3 46:37 Переход к NLP 47:14 TF-IDF: как работает 49:15 Почему важен document frequency 50:13 Минусы TF-IDF 50:34 N-граммы 51:19 Переход к LLM 52:35 Structured output 53:02 Constrained decoding 54:29 Что такое RAG 57:00 Компоненты RAG-системы 57:27 Практический кейс: RAG не отвечает на простой вопрос 58:15 Дебаг: проверка LLM 58:59 Проверка retrieval (позиция чанка) 01:00:33 Почему документ не в топе 01:01:59 Почему нельзя просто увеличить top-k 01:02:31 Идеи улучшения retrieval 01:04:32 Анализ проблемы (эмбеддинги, данные) 01:05:26 Ошибка в ранжировании 01:09:43 Неочевидное решение: правка текста документа 01:11:12 Как улучшить релевантность через текст 01:14:26 "Хардкод" через ключевые слова 01:15:45 Реальный продакшен-подход (быстрые фиксы vs идеальные) 01:17:39 Реальные кейсы из Альфа-банка 01:18:24 Почему 100% качества не бывает 01:19:10 Фидбек кандидату 01:20:06 Как правильно рассказывать опыт 01:21:18 Ошибки в подаче 01:21:50 Общая оценка (middle vs senior) 01:22:46 Разбор уровня кандидата 01:23:30 Завершение