Юзеры жалуются, что LLM-ассистент отвечает по устаревшим знаниям и выдумывает факты по твоей БД. Какую архитектуру внедришь, чтобы он отвечал строго по актуальному контексту, и из каких этапов она состоит?

Проверяет основы машинного обучения и оценку моделей.

Как разобрать этот вопрос на собеседовании

Определи тип задачи (регрессия/классификация), как ты разобьёшь данные и какой метрикой будешь мерить качество с учётом дисбаланса классов. Ценят понимание переобучения, утечки данных и того, почему выбрана именно эта метрика, а не accuracy по умолчанию.

Это вопрос продвинутого уровня — на собеседовании по нему обычно идут уточняющие follow-up вопросы, поэтому держи в голове крайние случаи и альтернативные решения.

Тема вопроса — «ML». Чтобы подготовиться к похожим задачам, отрабатывай их на практике: раздел практики помогает довести навык до автоматизма, а раздел вопросов — увидеть формулировки, которые реально встречаются на интервью аналитика данных.

Разбор ответа

Получить доступ к ответам — все вопросы →

Что дальше

• Раздел практики →
• Все 3000+ вопросов с разбором →

Похожие вопросы из категории «ML»

• Объясните разницу между precision и recall.
• Как выбрать между ROC-AUC и PR-AUC для оценки модели классификации?
• В чём принцип градиентного бустинга и почему он так популярен в продуктовой аналитике?
• Как SHAP values помогают объяснить предсказание модели для конкретного пользователя?
• В каких задачах kNN работает хорошо и каковы его ограничения?
• Какие методы оценки важности признаков существуют и чем они отличаются?
• Что такое утечка данных (data leakage) в ML и как она приводит к ложно хорошим метрикам?
• Как кросс-валидация помогает получить надёжную оценку качества модели?

Полезные блог-статьи по теме

• LLM-метрики: как оценивать качество ответов модели
• ROC-AUC vs PR-AUC: какую метрику выбрать
• Логистическая регрессия простыми словами для аналитика
• Кластеризация k-means в Python для аналитика