Mmeghari na ọrụ njedebe na njedebe: ijikọta ihe niile — Ọgụgụ isi na Artificial ọgụgụ isi na injin mmụta mmụta igwe

Uru:

Ikike iji hụ na nrụpụta ya na ogidi anọ (ndozi mkpụrụ, ụdị data, firizi mgbasa ozi, nyocha nnwale) ma mepụta otu nsonaazụ ahụ mgbe ị na-emeghachi otu ọsọ ahụ.
Ikike ijikọta nkwụsị niile nke modul (metrics, data, model, LLM components, eval, fairness, security, nkesa, nlekota oru) na njedebe njedebe.
Ikike iji nyochaa na mkpebi siri ike ka dị na mmadụ na nkwụsị ọ bụla ma detuo ọrụ ahụ n'ụzọ a na-enyocha

Ọdịda kachasị njọ nke ọrụ ML abụghị okuku; "Enweghị otu nsonaazụ ahụ ọzọ." Ọ bụrụ na ịnweghị ike imepụtaghachi akara taa nke ụdị ị tinyere na mmepụta ọnwa atọ gara aga, ị naghị ejikwa ihe nlereanya ahụ n'ezie. N'ime nkeji mmechi a, anyị na-emewanye nrụgharị: ikike iji nweta otu nsonaazụ ahụ site na otu ntinye ma jikọta modul dum na ọzụzụ ọrụ njedebe na njedebe.

Gịnị mere reproducibility siri ike

Na ngwanrọ nkịtị, otu koodu ahụ na-enye otu mmepụta. Na ML enwere ọtụtụ mgbanwe ndị ọzọ na-ekpebi nsonaazụ:

Randomness: Ntugharị data, mmalite ịdị arọ, nkewa data - ha niile dabere na enweghị usoro.
Data: Otu koodu na-emepụta ụdị dị iche iche nwere ụdị data dị iche iche.
Environment: Ụdị ọba akwụkwọ, ngwaike (CPU/GPU), ọbụna sistemụ arụmọrụ nwere ike ịgbanwe nsonaazụ ya.
Ikpe ezoro ezo: hyperparameter na-echekwabeghị, usoro nhazi akwụkwọ ntuziaka, nhọrọ anaghị achọpụta.

Mmegharị abụghị “mma inwe” kama ọ dị mkpa sayensị na injinịa. Nsonaazụ nke enweghị ike imepụtaghachi bụ nkwupụta nke enweghị ike igosipụta.

Ogidi anọ nke mmeghari

1. Idozi randomness. Tọọ mkpụrụ osisi niile na-enweghị usoro n'otu ebe: nkewa data, mmalite ihe nlereanya, ịmegharị data. Mkpụrụ edobere bụ ihe ndabere nke “otu nsonaazụ ahụ mgbe ị na-eme otu agba ọsọ” nkwa.

2. Version data. Dekọọ ụdị data ejiri mee nnwale ọ bụla (mbipute data na nkeji 2). "Data kacha ọhụrụ" edoghị anya; "ụdị data v3, hash abc123" bụ kpọmkwem.

3. Ghichaa ọkara. Tinye ndabere niile na ụdịdị ha (dịka ọmụmaatụ ụdịdị dị ka ọnụọgụgụ = 1.26.4 na needs.txt, ma ọ bụ ihe oyiyi akpa). "Ụdị ọhụrụ" ga-agbaji ihe niile otu ụbọchị.

4. Sochie ihe niile (nyocha nnwale). Chekwa na-akpaghị aka maka nnwale ọ bụla: ụdị koodu (git Committee), ụdị data, hyperparameters niile, metrik na ihe nrụpụta. Nnwale ngwa nleba anya dị ka MLflow, Arọ & Biases na-eme nke a n'usoro. Na-enweghị ndebanye aha, ajụjụ "nke kacha mma" ka azabeghị.

Ịkpachara anya: "Aga m echeta ma emechaa" bụ ụgha kachasị ọnụ. Izu abụọ ka e mesịrị, ị gaghị echeta mkpụrụ, nke data, nke hyperparameter ị na-eji. Nsochi akpaaka na-ewepụ ịdabere na ebe nchekwa.

Ụzọ adịghị ike / Ụzọ siri ike

Adịghị ike: "Achọtara m ihe nlereanya kachasị mma, ọ dị na akwụkwọ ndetu, echere m na akara ya bụ 89%."

Ike: "Run #147 na nnwale nsuso ngwá ọrụ: git commit a3f9c, data version v3 (hash abc123), mkpụrụ 42, niile hyperparameters edebanye aha, nwalee PR-AUC 0.887. Mgbe m na-agba ọsọ otu iwu ọzọ, m na-enweta otu nsonaazụ bit site bit. Ụdị na-adabere na nke a na-agba ọsọ na ndekọ."

Ihe dị iche: na ụzọ siri ike, nsonaazụ ya adabereghị na ebe nchekwa, kama na agbụ a na-edozi na nlekota. Onye ọ bụla nwere ike rụpụta otu nsonaazụ oge ọ bụla.

Ọrụ ngwụcha ruo ọgwụgwụ: ngwakọta nke modul

Ugbu a, ka anyị jikọta modul dum n'ime otu ntinye ọrụ. Ezigbo usoro ML na-aga na nkwụsị ndị a, nkwụsị nke ọ bụla na-ewulikwa na nke gara aga:

Nkọwa nsogbu: Gịnị ka anyị na-edozi, otu esi atụ ihe ịga nke ọma (nkeji 3: metrik ziri ezi, ọnọdụ azụmahịa). Metiriki na ọnụ ụzọ doro anya site na mmalite.
Pipeline data: mkpokọta, nkwado, nchacha, nkewa na-enweghị nkwụsị, mbipụta (nkeji 2).
Mmepe ihe nlere anya: Ọzụzụ, ntụnyere ntọala, nkwenye, mkpụrụ siri ike ( nkeji 3 + nke a).
Akụkụ LLM (ọ bụrụ na ọdabara): RAG (nkeji 4) na/ma ọ bụ ndị ọrụ (otu 5); nhazi nke ọma ma ọ bụrụ na ọ dị mkpa (nkeji 6).
Nlele: ụyọkọ eval nwere ihu na ikpe nchekwa, eval multi-layer na sistemụ LLM (nkeji 8).
Nyocha ikpe ziri ezi na ụkpụrụ omume: nyocha nke obere otu, kaadị ihe atụ, nkọwa (nkeji 10).
Nyochaa nchekwa: ịgba ọgwụ ngwa ngwa, nzuzo, yinye ọkọnọ (nkeji 9).
Nkesa: Nkwakọ ngwaahịa, nkesa nwayọọ nwayọọ, nlọghachi azụ, ndekọ ihe nlereanya (nkeji 7).
Nleba anya: Nleba anya nke oyi akwa atọ, mkpu mkpu (nkeji 8).
Mmeghari: Mkpụrụ, ụdị data, mgbasa ozi na nyocha nnwale n'okirikiri niile (otu a).

Na ntinye a, AI bụ onye na-eme ngwa ngwa na onye na-emepụta ihe na-emepụta ihe na nkwụsị ọ bụla; mana nhọrọ metrik, mkpebi data, ibu ụzọ ziri ezi ụzọ, ọnụ ụzọ mbugharị, na nnabata ntọhapụ - mkpebi siri ike ka dị na mmadụ. Nke a bụ isi nke modul.

Akwụkwọ: ọdịnihu ga-ekele gị

Ezigbo akwụkwọ ọrụ ML n'onwe ya. Opekempe, a ga-ede ihe ndị a: nsogbu na njirisi ihe ịga nke ọma, isi mmalite data na ụdị, nhọrọ ụdị na nkwenye, nsonaazụ nyocha (gụnyere obere obere), oke na ihe egwu ama ama, ntinye na iweghachite usoro, atụmatụ nlekota oru. Akwụkwọ a bụ ezigbo enyi nke onye ahụ (ma eleghị anya ọ bụ gị) onye na-alaghachi na ọrụ ahụ mgbe ọnwa isii gachara.

Obere ikpe atọ

Ikpe 1 - nsonaazụ efu. Onye injinia zụrụ ezigbo ihe nlereanya, mana ọ dozighị mkpụrụ ahụ ma chekwaa ụdị data ahụ. Mgbe ọ hapụrụ ọrụ ahụ, ọ dịghị onye nwere ike imepụtaghachi nsonaazụ ahụ; ihe nlereanya ahụ ghọrọ "akụkọ akụkọ igbe ojii" ma mesịa wuo ya site na ọkọ. E mefuru izu. Ihe nkuzi: nsonaazụ na-enweghị ike imepụtaghachi bụ nsonaazụ adịghị adị.

Ikpe 2 - gburugburu ebe ọdịda. Otu otu emebeghị ihe ndabere. Mgbe emelitere ọbá akwụkwọ na-akpaghị aka, ihe nrụpụta ihe nlereanya gbanwere na nzuzo wee mebie mmepụta ya. O were ụbọchị iji chọpụta nsogbu ahụ. Mgbe oyi kpọnwụrụ ihe ndị ahụ dabere ma jiri ụdịdị ndị ahụ kpọchie ya, nsogbu ahụ emeghị ọzọ. Ihe nkuzi: kpochapu gburugburu.

Ikpe 3 - Ike nlekota. Otu otu na-enyocha nnwale ọ bụla na-akpaghị aka. Ọnwa atọ ka e mesịrị, n'oge nyocha nke nchịkwa, ha zara ajụjụ ahụ "na kedu data, na ihe ntọala, kedu ọrụ ọ nwetara na nke otu?" na ndekọ zuru ezu n'ime nkeji. Nnyocha ahụ gara nke ọma. Ihe nkuzi: nlekota bụ ngwa nrube isi, ọ bụghị naanị injinia.

Ụdị ndebiri nwere ike iṅomi

Do a reproducibility check for this ML project.- Na-niile randomness osisi ofu (kewara, initialize, shuffle)?- Data versioned?- Na-adabere na oyi kpọnwụrụ kpọmkwem nsụgharị?- Ọ bụla nnwale (koodu eme, data, hyperparameter, metric) esoro? Dee usoro dị mkpa maka otu esi edozi ya maka kọlụm ọ bụla na-efu.

Mepụta skeleton atụmatụ maka oru ngo ML nke ngwụcha ruo ngwụcha. Nsogbu: [nkọwa] Kpuchie nkwụsị ndị a ma kaa akara ebe mkpebi mmadụ dị na nkwụsị ọ bụla: nsogbu/metric, pipeline, model, (RAG/agent/fine-tune?), eval, fairness, security, security, division, monitoring, reproducibility. Dee isi ihe ize ndụ na nzọụkwụ nkwenye maka nkwụsị ọ bụla.

Mepụta ndebiri akwụkwọ teknụzụ maka ọrụ a. Nkeji: nsogbu+ njirisi ihe ịga nke ọma, data (isi iyi+ụdị), nhọrọ ụdị+ izi ezi, nleba anya (gụnyere obere otu), oke+ihe egwu amaara, ntinye+matụgharị, atụmatụ nlekota. Nye ubi a ga-ejupụta maka ngalaba nke ọ bụla dị ka ajụjụ.

Lelee nleba anya nlebanya m: A na-echekwa ya na akpaghị aka na ọsọ ọ bụla: git Committee, ụdị data/hash, hyperparameters niile, metrik niile, gburugburu (ụdị ọba akwụkwọ)? Enwere m otu nsonaazụ ahụ mgbe m na-agba ọsọ otu ọsọ ọzọ? Ntọala: [nkọwa]. Depụta ntụpọ na mgbazi.

Tebụl kọlụm mmeghari

kọlụm

Kedu ihe edoziri

Ihe atụ ụgbọ ala

randomness

niile osisi

ntọala mkpụrụ

Data

Ụdị data/hash

DVC

gburugburu ebe obibi

Ụdị ụlọ akwụkwọ

pin chọrọ, Docker

nlekota oru

Koodu+data+set+metric

MLflow, W&B

Mmejọ ndị nkịtị

Ọ bụghị idozi mkpụrụ. Enweghị ike ịmegharị nsonaazụ ya ugboro ugboro.
Anaghị echekwa ụdị data ahụ. "Kedu data?" na-anọgide na-azaghị.
Ọ bụghị kefriza riri ahụ. Mmelite ga-agbaji ihe niile na nzuzo.
Hapụ nnwale na ebe nchekwa. Izu abụọ ka e mesịrị, ọ dịghị ihe na-echeta.
Ịhapụ mkpebi siri ike na ọgụgụ isi. Metrics, ikpe ziri ezi na mkpebi nkesa kwesịrị ịnọnyere ndị mmadụ.
Na-eyigharị akwụkwọ. Ndị otu n'ọdịnihu (na gị) na-akwụ ụgwọ ahụ.

Na nchịkọta

Ntugharị bụ mbinye aka nke injinia ML siri ike: nsonaazụ na-enweghị ike imepụtaghachi bụ nkwupụta enweghị ike ịpụta. Ọ na-abịa na kọlụm anọ - dozie randomness, data ụdị, gburugburu ifriizi, soro nnwale ọ bụla. Ọrụ njedebe na njedebe na-ejikọta nkwụsị niile nke modul a (metric, data, model, LLM components, eval, fairness, security, nkesa, nlekota oru) na njikọ njikọ; Ọgụgụ isi bụ ihe na-eme ngwa ngwa na nkwụsị ọ bụla, mana mkpebi siri ike ka dị na mmadụ. Dekọọ ihe niile - maka ndị otu na nyocha n'ọdịnihu. Ọzụzụ a bụ usoro na-akwado ihe niile ị na-amụta na modul.

Ọrụ ngwa

Lelee ihe oru ngo ML megide ogidi mmụgharị anọ: mkpụrụ osisi enweghị ike ịgbanwe, mbiputere data ahụ, gburugburu oyi kpọnwụrụ, a na-enyocha nnwale ndị ahụ? Idozi ogidi ọ bụla na-efu ma gosi na ị nwere ike ịgba ọsọ otu ugboro ugboro ma nweta otu nsonaazụ ahụ. Mgbe ahụ, wepụta njedebe njedebe na njedebe nke ọrụ ahụ (nkwụsị 10) n'otu ibe ma kaa "ebe mkpebi mmadụ dị" na nkwụsị ọ bụla. N'ikpeazụ, dee obere akwụkwọ nka nka.

ndetu

[ ] Niile randomness osisi edozi.
[] A na-edekọ ụdị data/hash site na nnwale ọ bụla.
[] A na-ajụkwa ndabere ka ọ bụrụ ụdị siri ike (pin/akpa).
[ ] A na-enyocha nnwale ọ bụla na-akpaghị aka (koodu+data+set+metric).
[] Mgbe m megharịa otu ọsọ ahụ, ana m enweta otu nsonaazụ ahụ.
[] Achọpụtara m ma dekọọ na mkpebi ndị dị oke mkpa na njedebe njedebe na njedebe bụ nke mmadụ na-eme.

Ule modul

1. Dị ka onye injinia ML, kedu usoro kacha mma mgbe ị na-etinye ọgụgụ isi na-arụ ọrụ?

A) AI bụ ngwa ngwa na azụmaahịa dị obere; Mkpebi dị egwu dị ka metrik, data na mmepụta na-akwado ma hapụ ya mmadụ ✔
B) Ọ bụrụhaala na mmepụta AI dị mma, ọ dịghị mkpa maka nkwenye
C) Ịhapụ mkpebi itinye ihe nlereanya na mmepụta na ọgụgụ isi na-azọpụta oge.
D) ọgụgụ isi artificial bara uru naanị maka ide ederede, ọ nweghị ihe jikọrọ ya na data na ọrụ nlereanya

Nkọwa: AI bụ ngwa ngwa ngwa ngwa maka obere ihe ize ndụ, ọrụ ndị a kwadoro ngwa ngwa dị ka koodu, nchịkọta data, na akwụkwọ; Otú ọ dị, ọrụ maka mkpebi na-emetụta ego, nzuzo, na ụgwọ iwu, dị ka nhọrọ metric, nke data na-abanye na ọzụzụ, na itinye ihe nlereanya na mmepụta, dị n'aka onye injinia na otu. E kwesịghị iji mmepụta ọ bụla na-enweghị nkwenye.

2. Gini mere eji etinye nkwado schema na mmalite nke pipeline data?

A) N'ihi na ọ na-abawanye kpọmkwem izi ezi nke ihe nlereanya
B) N'ihi na ọ na-eme ka nsụgharị data ghara ịdị mkpa
C) N'ihi na ọ na-ejide data mebiri emebi n'oge kacha dị ọnụ ala ma gbochie ya ịbanye n'ime usoro ndị ọzọ ✔
D) N'ihi na ọ na-ewepụ mkpa maka labeling

Nkọwa: A na-ejide data mbụ rụrụ arụ, ọ na-adị ọnụ ala karịa iji dozie ya. Nkwado atụmatụ na-egbochi data rụrụ arụ ka ọ ghara ịbanye n'ime ọzụzụ ma ọ bụ mmepụta site na ịjụ data n'èzí ụdị na nsonye a na-atụ anya na mmalite nke ahịrị (dịka ọnụahịa na-agbanwe 100x na mgbanwe nkeji); Otu njehie ahụ ejidere na mmepụta bụ ọtụtụ ugboro karịa ọnụ.

3. Gịnị bụ ụzọ ziri ezi mgbe ị na-ekewa data n'ime ọzụzụ na ule na nsogbu metụtara oge (usoro oge)?

A) Iji nkewa na-enweghị usoro n'ihi na ọ bụ usoro kacha mma mgbe niile
B) Iji nkewa oge: gbochie ntapu site na ọzụzụ na ihe gara aga na ịnwale n'ọdịnihu ✔
C) Iji data niile dị ka ọzụzụ na ule
D) Ịtinye data ule n'ime scaling parameters tupu ọzụzụ

Nkọwa: Nkewa nke enweghị usoro n'usoro oge na-enye ihe nlereanya ahụ uru 'ọhụụ ga-eme n'ọdịnihu' nke na-agaghị eme na mmepụta ma na-eme ka metrics na-amụba n'ụzọ nkịtị (nkwụsị oge). Nke ziri ezi bụ nkewa oge: ụgbọ oloko na ihe gara aga, nwalee n'ọdịnihu. Nke a na-atụle arụmọrụ nke na-eme ka ọ na-emepụta ya.

4. Gịnị kpatara izi ezi ji na-eduhie eduhie na ụdị nchọpụta aghụghọ nwere ọnụego klaasị dị mma nke 1.5%?

A) N'ihi na izi ezi na-adị ala mgbe niile na data enweghị oke
B) N'ihi na enwere ike iji eziokwu mee ihe na nsogbu nlọghachi azụ
C) N'ihi na ngụkọta ziri ezi chọrọ ọtụtụ ikike nhazi
D) Ọbụna ihe nlereanya na-adịghị ahụkebe nke na-ebu amụma na klas ka n'ọnụ ọgụgụ nwere ike bụrụ nke ziri ezi, si otú a na-ezochi ezi ihe ịga nke ọma ✔

Nkọwa: Na data na-enweghị isi, ọbụlagodi ihe nlereanya nke na-ekwu 'kpọọ ihe niile na-adịghị mma' na-enweta ihe dịka 98.5% ziri ezi mana ọ gaghị ejide otu wayo. Ya mere, na nhazi ọkwa na-ezighi ezi, nkenke, ncheta, F1 ma ọ bụ PR-AUC ka a na-eji ya eme ihe kama izi ezi, a na-atụgharịkwa metric ọ bụla dịka ụkpụrụ ntọala siri dị.

5. Gịnị kpatara ntụnyere ntọala ntọala ji dị mkpa mgbe ị na-ekwu maka metrik ihe nlereanya?

A) N'ihi na isi ihe nlereanya na-adị mma mgbe niile karịa ezigbo ihe nlereanya
B) N'ihi na o doro anya ma metric ọ bara uru ma ọ bụ na ọ bụghị naanị ma e jiri ya tụnyere usoro ntọala dị mfe ✔
C) N'ihi na ihe nlereanya ntọala na-eme ka nkwenye gafere adịghị mkpa
D) N'ihi na ihe nlereanya bụ isi a chọrọ n'ụzọ iwu na akụkọ ọ bụla

Nkọwa: metric adịghị mma ma ọ bụ ihe ọjọọ n'onwe ya; Ọ dị mma ma ọ bụ ihe ọjọọ dị ka ihe nlereanya bụ isi. Ahịrịokwu '85% ziri ezi' pụtara ihe fọrọ nke nta ka ọ bụrụ ihe na-abaghị uru ma ọ bụrụ na ụdị ntọala enwetala 84%, yana zuru oke ma ọ bụrụ na ọ nweta 50%. Enweghị arịlịka ntụnyere, metrik enweghị isi.

6. Kedu ihe nchebe kachasị mkpa nke kwesịrị ịgụnye na mmepụta ngwa ngwa nke usoro RAG (Retrieval-Augmented Generation)?

A) Ntuziaka ka ịdabere naanị n'ebe e nyere, ịsị 'Amaghị m' ma ọ bụrụ na isi iyi adịghị, na ịkọwa isi iyi ✔
B) Ịgwa ihe nlereanya ka ọ mepụta azịza ogologo na ihe okike dị ka o kwere mee
C) Ihe nlereanya ahụ na-ebute ihe ọmụma mmụta nke ya ụzọ karịa akụrụngwa
D) Mejuputa ntuziaka niile dị na akwụkwọ ndị ewetara dị ka iwu

Nkọwa: Otu ntụziaka kachasị mkpa nke RAG bụ ịgwa onye nlereanya ka ọ dabere naanị na isi iyi e nyere, ma ọ bụrụ na ozi ahụ adịghị na isi iyi, kwuo 'Amaghị m' wee kwuo isi iyi na-emeghị ya. Na-enweghị triad a, ihe nlereanya ahụ nwere ike ileghara ihe gbara ya gburugburu anya wee mepụta ihe nhụsianya, azịza ya ga-abụ nke enweghị ike ịchọpụta.

7. Usoro RAG na-enye azịza na-ezighi ezi. Ebee ka kacha mma ịmalite nyocha?

A) Na-atụ mbute mbu (Cheta @ K): ibe ziri ezi ọ̀ abịala? ✔
B) Ngwa ngwa dochie ihe nlereanya na nke ka ukwuu
C) Gbanwee ngwa ngwa ma gaa n'ihu na-agbalị
D) Na-etinye akwụkwọ niile n'ime ihe nlereanya na nhazi nke ọma

Nkọwa: Njikọ RAG kacha esighi ike na-ebutekarị, ọ bụghị mmepụta. Ọ bụrụ na ebuteghị akụkụ ziri ezi, ụdị ahụ enweghị ike iwepụta ozi ahụ, n'agbanyeghị etu esi emeziwanye ngwa ngwa. Ya mere, mbụ Recall@K ka a na-atụ iji hụ ma akụkụ ziri ezi erutela; Ọ bụrụ na ebuta ahụ dị mma, mgbe ahụ, a na-enyocha mmepụta na ngwa ngwa.

8. Kedu omume ekwesịrị itinye n'azụ nkwado mmadụ mgbe ị na-enye onye nnọchi anya ngwá ọrụ?

A) Ọ dịghị; Onye nnọchi anya ahụ ga-enwerịrị ike ịme ihe ọ bụla n'onwe ya
B) Naanị omume mgbanwe dị ka ịgụ na ịchọ data
C) Omume enweghị ike ịgbagha ma ọ bụ mmetụta dị elu dị ka ịnyefe ego, ihichapụ, izipu ✔
D) Omume ndị gụnyere naanị ngụkọ

Nkọwa: A na-ekewa ihe omume site na ọkwa ihe egwu. Ọrụ eweghachite dị ka ịgụ akwụkwọ, nyocha, ịgbakọ, na imepụta akwụkwọ nwere ike ịme onwe ya; Agbanyeghị, omume enweghị mgbagha ma ọ bụ mmetụta dị elu dị ka ịnyefe ego, izipu ozi-e, ihichapụ data, ịnye iwu wdg chọrọ nkwado mmadụ. Omume ọ bụla enweghị mgbagha ga-enwerịrị nkwenye.

9. Kedu ihe kacha mma imewe megide ihe ize ndụ nke ịgba ọgwụ mgbochi ozugbo?

A) O zuru ezu ịgbakwunye otu ahịrịokwu 'na-eleghara ntụziaka ọjọọ anya' na ngwa ngwa sistemụ
B) Nyekwuo ikike na ihe nlereanya site na ịdabere na ntuziaka na ọdịnaya mpụga
C) Aghara ịkpachapụ anya n'ihi na enweghị mgbochi ịgba ọgwụ mgbochi
D) Kewapụ ọdịnaya dị na mpụga dị ka data enweghị ntụkwasị obi yana guzobe nchekwa dị larịị na ikike, nnabata na njikwa mmepụta pere mpe ✔

Nkọwa: Ọdịnaya mpụga nke onye nnọchi anya ma ọ bụ RAG haziri, dị ka ibe weebụ, akwụkwọ, email, wdg, bụ data enweghị ntụkwasị obi ma nwee ike ịnwe ntuziaka nzuzo. Ụzọ ziri ezi bụ nchekwa dị n'usoro: ikewapụ ọdịnaya dị na mpụga dị ka 'data, ọ bụghị iwu' nwere ihe mgbochi doro anya, itinye ikike dị ntakịrị, na-ejikọta omume na-enweghị ike ịgbanwe na nkwado mmadụ, na nyochaa mmepụta ya. Otu ahịrị ntuziaka ezughị.

10. Kedu ihe bụ isi ihe dị iche mgbe ị na-ekpebi ma a ga-edozi nsogbu site na nhazi mma ma ọ bụ RAG?

A) A na-edozi nsogbu ozi nke ọma na RAG, a na-edozi nsogbu omume / usoro nke ọma site na nhazi nke ọma ✔
B) Ekwesịrị idozi nsogbu ọ bụla site na nhazi nke ọma
C) A na-eji RAG naanị maka ọgbọ koodu, a na-eji ezigbo nlegharị anya naanị maka ntụgharị
D) Enwere ike imelite ndozi dị mma mgbe niile dị ọnụ ala yana ngwa ngwa karịa RAG

Nkọwa: Ndozi nke ọma adịghị ike ma dịkwa ize ndụ n'ịkụzi ihe nlereanya ozi ọhụrụ; mana ọ dị ike na omume nkuzi, usoro, ụda na ụdị. 'Ụlọ ọrụ ihe nlereanya ahụ amaghị data anyị' bụ nsogbu ozi ma bụrụ nke RAG. 'Ka ihe nlereanya ahụ pụta mgbe niile n'usoro anyị siri ike' bụ nsogbu omume yana onye na-achọ imezigharị nke ọma. Na mgbakwunye, a ga-eri ngwa ngwa na obere mgbọ tupu emezigharị nke ọma.

11. Kedu ihe dị mkpa maka ntinye nchekwa mgbe ị na-etinye ihe nlereanya ọhụrụ na mmepụta?

A) Ọ bụrụ na ihe nlereanya ahụ dị mma na nnwale, mepee ya ozugbo na 100% okporo ụzọ
B) Ọ bụghị ịtọlite nleba anya ma ọlị mgbe ekenyechara ya
C) Mbugharị agbagoro agbagoro (onyinyo/canary) yana atụmatụ nlọghachi azụ anwalelarị ✔
D) Na-ebipụta ihe nlereanya ọbụlagodi ma ọ bụrụ na emezughị oke nyocha

Nkọwa: Imepe ụdị ọhụrụ ahụ ozugbo na okporo ụzọ niile dị ize ndụ; Ọ bụrụ na ọ na-ezighị ezi, onye ọ bụla na-emetụta. Ihe ziri ezi bụ na ọ bụ nkesa nke nta nke nta (onyinyo, canary) na nkesa ọ bụla nwere atụmatụ ntụgharị anwalela. Nkesa anaghị ezu oke na-enweghị atụmatụ mgbagha; Inwe ike ịlaghachi na ụdị gara aga n'ime nkeji na-echebe onye ọrụ mgbe ihe nlereanya ahụ na-eme ihe na-atụghị anya ya na mmepụta.

12. Kedu ka ihe nlereanya ML nwere ike isi daa 'n'atụghị egwu' na mmepụta na gịnị bụ ụzọ isi jide nke a?

A) Ihe nlereanya ahụ daa; ndekọ ihe nkesa na-egosi nke a
B) Site n'imepụta amụma na-ezighị ezi n'emeghị ka emehie ihe; ✔ Ọ na-ejide nleba anya arụmọrụ, ntinye na mmepụta ihe
C) Nlereanya enweghị ike ịda n'agba nkịtị, mkpu mgbe niile
D) Naanị nyochaa latency zuru ezu iji nweta mmebi ọ bụla

Nkọwa: Ihe nlereanya ahụ nwere ike daa naanị site n'ịmepụta amụma na-ezighi ezi na-enweghị ịdaba ma ọ bụ nye njehie; Isi ihe kpatara nke a bụ mkpagharị data na echiche mbugharị. Naanị nyochaa metrik arụmọrụ (latency, ọnụego njehie) ezughị; Ekwesịrị ileba anya nkesa ntinye na mmepụta / amụma. Ntinye ntinye na-enye ịdọ aka ná ntị mbụ ma ọ bụrụ na abịaghị n'oge.

13. Kedu ụkpụrụ dị mkpa mgbe ị na-eji LLM-dị ka onye ikpe nyochaa usoro LLM?

A) LLM-referee bụ eziokwu mgbe niile, nkwenye mmadụ adịghị mkpa
B) Onye ọka ikpe ga-eme mkpebi dabere naanị n'ogologo azịza.
C) A ga-atụfu njikwa ndị dabere na iwu na nleba anya mmadụ kpamkpam mgbe ejiri ndị nnọchi anya
D) Ekwesịrị iji akara mmadụ wee tụọ akara ndị ọka ikpe tupu ha enwee ntụkwasị obi ✔

Nkọwa: LLM-referee bụkwa ihe nlereanya; Ọ nwere ike ịbụ ihe a na-ahụ anya, na-eleda anya (nke na-amasị ogologo, azịza obi ike), na enweghị nkwekọrịta. Ya mere, a ga-ahazi akara ndị nlegharị anya site n'ụdị mmadụ akpọrọ aha na a ga-atụrịrị ajọ mbunobi ha tupu eme mkpebi mmepụta. Onye ọka ikpe na-akwadoghị na-enye ntụkwasị obi ụgha.

14. Gịnị kpatara ilele izi ezi n'ozuzu ya ezughị oke mgbe a na-enyocha ajọ omume?

A) N'ozuzu izi ezi zuru ezu n'ihi na ọ na-egosipụta mgbe niile arụmọrụ nke ndị kasị njọ otu
B) N'ozuzu izi ezi naanị ezughi oke n'ihi na ọ nwere ike ikpuchi ọdịiche dị n'usoro (nsogbu zoro ezo) n'etiti otu obere ✔
C) N'ihi na izi ezi bụ metric na-enweghị ihe jikọrọ ya na nhụsianya
D) Bias na-abịa naanị site na ihe nlereanya na ọ nweghị ihe jikọrọ ya na data ahụ.

Nkọwa: izi ezi n'ozuzu nwere ike ikpuchi ọdịiche dị n'usoro n'etiti obere otu. Dịka ọmụmaatụ, ebe mkpokọta ziri ezi bụ 88%, ncheta nwere ike ịbụ 91% n'otu otu yana 67% na otu ọzọ; Ihe nlereanya a na-atụfu otu ahụ n'usoro. Ya mere, a ga-enyocha ihe nlereanya ahụ na ndabere nke subgroups (ọnụọgụ mmadụ / akụkụ) na nkọwa nke ikpe ziri ezi kwesịrị ka a na-ebute ụzọ na ndị na-eme ihe.

15. Kedu ihe anọ a ga-edozi ọnụ ka nsonaazụ ML wee nwee ike imepụtaghachi?

A) Naanị aha nlereanya, nha, ọnụahịa na ụbọchị mwepụta
B) Naanị akara GPU na ọsọ ịntanetị
C) Naanị akara izizi ikpeazụ nke ihe nlereanya ahụ; Enwere ike idobe ndị ọzọ na ebe nchekwa
D) Mkpụrụ randomness, ụdị data, gburugburu (ụdị ndabere) na nnwale nsochi ✔

Nkọwa: A na-enweta mmeghari site na ogidi anọ: idozi mkpụrụ osisi randomness, data mbipute (ụdị / hash), na-ekpochapụ gburugburu ebe obibi (ụdị ọbá akwụkwọ kpọmkwem / akpa), na nyochaa nnwale ọ bụla (koodu, data, hyperparameter, metric). Enweghị agbụ a, ọ gaghị ekwe omume imepụtaghachi otu ihe ahụ; Nsonaazụ na-enweghị ike imepụtaghachi bụ nkwupụta nke enweghị ike igosipụta.