यैंडेक्स साक्षात्कार में मशीन सीखने के अनुभाग कैसे हैं

प्रत्येक Yandex सेवा काफी हद तक डेटा विश्लेषण और मशीन सीखने के तरीकों पर आधारित है। वे वेब खोज परिणामों की रैंकिंग के लिए, और खोज छवियों के लिए, और सिफारिश ब्लॉकों के गठन के लिए आवश्यक हैं। मशीन लर्निंग हमें मानवरहित वाहन और वॉयस असिस्टेंट बनाने, टैक्सी ड्राइवरों के लिए बेकार डाउनटाइम कम करने और अपने ग्राहकों के लिए प्रतीक्षा समय कम करने की अनुमति देता है। सभी एप्लिकेशन और सूची नहीं!

इसलिए, हम हमेशा डेटा विश्लेषण और मशीन सीखने के विशेषज्ञों की आवश्यकता महसूस करते हैं। उनके लिए यैंडेक्स में एक साक्षात्कार के सबसे महत्वपूर्ण चरणों में से एक मशीन सीखने पर सामान्य अनुभाग है, जिसके बारे में मैं इस लेख में चर्चा करूंगा। इस अनुभाग के लिए मॉडल कार्य का एक उदाहरण और इसके उत्तर की संभावित सामग्री मैंने एक वीडियो में बनाई है जो हाल ही में YouTube पर उपलब्ध हुई है । इस अनुच्छेद में, मैं इस बारे में अधिक बात करूंगा कि हम इस तरह के अनुभाग में एक मजबूत उम्मीदवार से क्या उम्मीद करते हैं और हमने इस तरह के मानदंडों को ठीक क्यों बनाया है।

1. यांडेक्स मशीन लर्निंग इंटरव्यू

यांडेक्स के वरिष्ठ और अग्रणी कर्मचारी स्वतंत्र रूप से व्यवसायिक शब्दों में तैयार किए गए कार्यों को सही ढंग से लगाए गए मशीन लर्निंग कार्यों में बदल सकते हैं; उपयुक्त समाधान विधियों का चयन करें, विशेषता विवरण बनाएं, मॉडल को अपडेट करने की प्रक्रिया का निर्माण करें और उनकी गुणवत्ता का सही नियंत्रण करें; अंत में, सत्यापित करें कि परिणामी समाधान मूल व्यावसायिक आवश्यकताओं को पूरा करते हैं।

काफी हद तक, ये लोग // // व्यावसायिक आवश्यकताओं के गठन को प्रभावित करते हैं: जो लोग डेटा के साथ सीधे काम करते हैं, वे दुनिया में सबसे अच्छी तरह से जान सकते हैं कि सेवाओं की विशेषताएं उनकी लोकप्रियता और उपयोगिता को प्रभावित करती हैं, उपयोगकर्ता की समस्याओं को हल करने की क्या आवश्यकता है, और किन संकेतकों पर। यह प्रभावित करेगा।

एक नियम के रूप में, हमारे सर्वश्रेष्ठ कर्मचारियों को विशिष्ट क्षेत्रों में विशेषज्ञ ज्ञान भी है - उदाहरण के लिए, कंप्यूटर दृष्टि, सलाहकार या खोज सेवाओं के लिए भाषा मॉडल या मॉडल का निर्माण।

हम वास्तव में अपने कर्मचारियों और उनकी विशेषज्ञता की सराहना करते हैं और चाहते हैं कि बाहरी उम्मीदवार भी इस स्तर को पूरा करें। इसका परीक्षण करने के लिए, एक या अधिक वर्गों को विशेष विषयों, जैसे कि कंप्यूटर दृष्टि या रैंकिंग प्रशिक्षण विधियों के लिए समर्पित किया जा सकता है। वर्गों में से एक "सामान्य" मुद्दों के लिए समर्पित अनिवार्य है: समस्या का बयान, उद्देश्य समारोह और प्रशिक्षण नमूना का गठन, मॉडल की स्वीकृति। यह अभी उसके बारे में है और चर्चा की जाएगी।

बेशक, आवश्यकताओं की पूरी श्रृंखला केवल उन उम्मीदवारों पर लागू होती है जो वरिष्ठ या अग्रणी विशेषज्ञों के पदों के लिए आवेदन करते हैं। उम्मीदवार जो मध्य या कनिष्ठ पदों पर भरोसा करते हैं, उन्हें उपरोक्त सभी करने में सक्षम होने की आवश्यकता नहीं है, लेकिन उन्हें पता होना चाहिए कि प्रासंगिक कौशल कैरियर की वृद्धि के लिए बेहद उपयोगी हैं - दोनों यैंडेक्स और अन्य कंपनियों में।

इकाई की आवश्यकताओं के आधार पर, कोड लिखने के साथ एक एल्गोरिथ्म अनुभाग या यहां तक ​​कि एक वास्तुशिल्प अनुभाग भी आवश्यक हो सकता है।

2. समस्या का विवरण

इसलिए, अनुभाग का मुख्य कार्य यह जांचना है कि उम्मीदवार अपनी संपूर्णता में कार्य के साथ स्वतंत्र रूप से निपटने में सक्षम है, इसके निर्माण से शुरू होने और उपयोगकर्ता प्रयोगों में स्वीकृति प्रश्नों के साथ समाप्त होता है।

अनुभाग व्यवसाय के संदर्भ में समस्या के बयान से शुरू होता है। कहो, आपको एक ऐसी सेवा बनाने की आवश्यकता हो सकती है जो आस-पास के प्रतिष्ठानों को संकेत देती है, कुछ उत्पादों की सिफारिश करती है या उन फिल्मों या संगीत को रैंक करती है जो उपयोगकर्ताओं के लिए रुचि रखते हैं।

आप प्रश्न में कार्य के लिए संभावित अनुप्रयोगों की पहचान करके शुरू कर सकते हैं। परिणामी समाधान के कितने उपयोगकर्ता होंगे, वे कौन हैं, उन्हें इस कार्यक्षमता की आवश्यकता क्यों है, वे इसके बारे में कैसे पता लगाते हैं? उम्मीदवार इन सभी प्रश्नों को पूछ सकता है, या उत्तरों की अपनी दृष्टि प्रदान कर सकता है (बाद वाला विकल्प, निश्चित रूप से, बेहतर है)।

कार्य के कारणों के आधार पर, व्यावसायिक मीट्रिक तैयार की जाती हैं, और फिर मैट्रिक्स सीखने की प्रक्रिया या मॉडल चयन में अनुकूलन के लिए उपयुक्त होते हैं। एक उम्मीदवार के अत्यंत उच्च वर्ग का एक संकेतक यह है कि यदि अनुकूलन के लिए मैट्रिक्स का विकल्प समस्या के भौतिक अर्थ द्वारा हल किया जा रहा है। इस तरह का सबसे सरल उदाहरण रैंकिंग कार्यों के लिए डीसीजी-जैसे मेट्रिक्स का उपयोग या कुछ विशिष्ट वर्गीकरण समस्याओं के लिए एयूसी-जैसे मेट्रिक्स है।

यहां प्रशिक्षण नमूना बनाने के मुद्दे पर संपर्क करना भी आवश्यक है। इसके गठन के लिए क्या डेटा आवश्यक है, इसे कैसे प्राप्त करें? हमारे प्रशिक्षण के लिए एक घटना क्या है? क्या नमूना लेना आवश्यक है? यदि हां, तो इसे कैसे करें?

3. मशीन सीखने के तरीके

कार्य पूरी तरह से तैयार होने के बाद, आप इसे हल करने के तरीकों पर चर्चा शुरू कर सकते हैं।

यहां आपको एक मॉडल चुनने की ज़रूरत है जो समाधान का निर्माण करेगा, और अपनी पसंद को सही ठहराएगा। यह बात करने योग्य है कि मॉडल के निर्माण की प्रक्रिया में कौन से नुकसान कार्यात्मक को अनुकूलित किया गया है और पिछले पैराग्राफ में चर्चा की गई मीट्रिक को अनुकूलित करने के लिए यह एक अच्छा विकल्प क्यों है। उपयोग की जाने वाली अनुकूलन विधि पर विचार करना भी उपयोगी है।

चर्चा की जाने वाली अगली वस्तु सुविधा स्थान है। एक वर्ग विशेषज्ञ तुरंत एक नए कार्य में कई दसियों या यहां तक ​​कि सैकड़ों संकेतों के साथ आ सकता है, पहले इस्तेमाल किए गए डेटा के प्रकारों के अनुसार उन्हें कई वर्गों में तोड़ दिया (उदाहरण के लिए, संकेत केवल उपयोगकर्ता पर निर्भर कर सकते हैं, या वे "उपयोगकर्ता-ऑब्जेक्ट" जोड़ी) पर निर्भर कर सकते हैं।

एक अतिरिक्त प्लस कोल्ड स्टार्ट समस्या का विचार है। जब Yandex.Taxi सेवा पहले ही बनाई जा चुकी है, तो हम शहर के चारों ओर रूटिंग विधियों का अनुकूलन करने के लिए वास्तविक यात्राओं के बारे में जानकारी का उपयोग कर सकते हैं; जब पहले से ही एक यैंडेक्स खोज इंजन होता है, तो आप सिग्नल प्राप्त करने के लिए उपयोगकर्ता कार्रवाइयों का उपयोग कर सकते हैं, जिसके बारे में दस्तावेज़ आपके प्रश्नों के लिए प्रासंगिक हैं। लेकिन क्या होगा अगर सेवा अभी तक नहीं बनाई गई है, और हल की जा रही समस्या इसके कामकाज के लिए महत्वपूर्ण है? हमें इस मामले में एक अच्छा समाधान बनाने के लिए किसी तरह की पेशकश करने की आवश्यकता है।

4. गुणवत्ता नियंत्रण

अंत में, जब समाधान तैयार हो जाता है, तो आपको यह सुनिश्चित करने की आवश्यकता है कि यह काफी अच्छा है। यदि पिछले फैसले को पहले के किसी एक से पहले किया गया था, तो यह समझना आवश्यक है कि नया समाधान बेहतर है या नहीं।

इस बिंदु पर, उम्मीदवार को प्रासंगिक परिकल्पनाओं का परीक्षण करने के लिए प्रयोगों को तैयार करने की अपनी क्षमता का प्रदर्शन करने की आवश्यकता है। यहां आपको परिवर्तनों के सांख्यिकीय महत्व का परीक्षण करने के लिए एक प्रयोग मॉडल और एक तरीका चुनने की आवश्यकता है। मान लें कि यह सेवा के उपयोगकर्ताओं पर एक नियमित ए / बी प्रयोग हो सकता है, या यह काम के परिणामों का एक विशेषज्ञ मूल्यांकन हो सकता है। क्या संकेतक की निगरानी की जानी चाहिए? क्या निगरानी की जानी चाहिए और प्रयोग की शुद्धता कैसे सुनिश्चित करें?

5. अनुभाग में कैसे सफल हो

उम्मीदवार का स्तर पूरी तरह से इस बात से निर्धारित होता है कि वह स्वतंत्र रूप से और गहराई से कार्य के समाधान को बताने में कामयाब रहा। एक अच्छी तरह से आयोजित मशीन लर्निंग सेक्शन हमारे पश्चिमी सहयोगियों के लिए ज्ञात सिस्टम से एमएल सिस्टम डिज़ाइन के रूप में अप्रभेद्य है, और एक कमजोर वर्ग एक विशेष मुद्दे की चर्चा की तरह लग सकता है - उदाहरण के लिए, रैखिक विभाजन नियमों द्वारा एलएलएच अनुकूलन।

एक ही समय में, हम अच्छी तरह से समझते हैं कि मशीन सीखने की समस्याओं में यह अक्सर स्पष्ट नहीं होता है कि कौन सी विधि काम करेगी और यदि कम से कम कुछ काम करेगी। इसलिए, वार्ताकार के साथ समस्या पर चर्चा करने के लिए स्वतंत्र महसूस करें जैसे कि वह आपका सहकर्मी था, जिसके साथ आपने काम के साधारण पाठ्यक्रम में आने वाली समस्या के संभावित समाधान पर चर्चा करने का निर्णय लिया था। हमें इस बात की आवश्यकता नहीं है कि अनुभाग में वर्णित समाधान अच्छा होने की गारंटी है - हम केवल यह चाहते हैं कि यह एक उचित औचित्य है कि हमें यह विश्वास करने की अनुमति दें कि आप वास्तविक परिस्थितियों में इस तरह के कार्य का सामना करेंगे।

उदाहरण के लिए, हमें विभिन्न सांख्यिकीय मानदंडों के गहन ज्ञान की आवश्यकता नहीं है, लेकिन हम उम्मीद करते हैं कि आप सही ढंग से परीक्षण परिकल्पना के महत्व को पहचानेंगे और यदि आवश्यक हो तो इन विधियों का उपयोग करने के लिए योग्य होंगे। इसी तरह, इस खंड को मशीन सीखने के तरीकों के संचालन के विस्तृत विवरण की आवश्यकता नहीं है, लेकिन हम उम्मीद करते हैं कि आप अपने कार्यों के लिए कुछ मॉडल चुन सकते हैं।

इसी समय, आप उन क्षेत्रों में भी जाने के लिए स्वतंत्र हैं, जो आपको अच्छी तरह से जानते हैं। अपने उत्तर में अधिक समय बिताएं और कम बात करें कि आपका ज्ञान इतना गहरा नहीं है। हम समझते हैं कि सभी क्षेत्रों में विशेषज्ञ होना असंभव है और साथ ही हम बौद्धिक ईमानदारी को महत्व देते हैं। यदि कोई उम्मीदवार अपनी ताकत और कमजोरियों को अच्छी तरह से समझता है और इस बारे में खुलकर बात करने में सक्षम है, तो यह एक बहुत अच्छा संकेत है। इसके अलावा, यह आपको प्रभावी ढंग से अनुभाग समय बिताने की अनुमति देता है: यह उम्मीदवार की ताकत की पहचान करने पर अधिक खर्च किया जाएगा।

अंत में, मैं कुछ स्रोत दूंगा, जो मशीन लर्निंग से संबंधित परियोजनाओं पर अधिक सफलतापूर्वक काम करने के लिए और मशीन लर्निंग सेक्शन की तैयारी के लिए दोनों का अध्ययन करने के लिए उपयोगी होगा।

• के.वी. वोरोत्सोव द्वारा मशीन सीखने और एक ही पाठ्यक्रम से वीडियो व्याख्यान द्वारा व्याख्यान
• कैंडेरा में यांडेक्स मशीन लर्निंग कोर्स के बारे में पोस्ट करें
• जानकारी पुनर्प्राप्ति के बारे में डेनिस रस्कोलोवलोव द्वारा वीडियो व्याख्यान
• यैंडेक्स खोज में निजीकरण के बारे में कहानी
• तकनीक के बारे में एक कहानी जो यैंडेक्स में कस्टम खोजों की भविष्यवाणी करती है
• मैट्रिक्स मैट्रिक्स तकनीक के बारे में एंड्री गुलिन की कहानी
• खोज इंजन में तंत्रिका नेटवर्क। एल्गोरिदम पालेख और कोरोलेव ।

खैर, हमारा YouTube वीडियो: