ЖЕСТКОЕ СОБЕСЕДОВАНИЕ В БАНК на Data Scientist (ML NLP Engineer)

Коротко о видео

Разбор банковского интервью показывает разрыв между знанием модных NLP-терминов и способностью обосновать ML-решение. Вопросы охватывают стоимость ошибок скоринга, подбор гиперпараметров, MAP и MRR, ансамбли и улучшение RAG через HyDE.

Затронутые темы

Что взять на заметку

• Выбор между precision и recall в скоринге связывайте с ценой ложного одобрения и ложного отказа, а не называйте метрику без бизнес-контекста.
• Вместо полного перебора дорогих параметров предложите байесовскую оптимизацию через Optuna и затем проверьте важность признаков.
• MRR оценивает ранг первого релевантного документа, а HyDE сначала генерирует гипотетический ответ и использует его для поиска близких документов.