ما أسئلة مقابلات تعلم الآلة التي ينبغي أن أتوقعها؟

تتضمن عملية مقابلات تعلم الآلة عادة جولات أكثر من مقابلات البرمجيات العامة، وتختبر كل جولة مستوى مختلفا. تساعدك معرفة المستوى على فهم نوع الإجابة التي يريدها المحاور.

• الأساسيات. أسئلة نظرية عن التعلم والتعميم والتحسين. يريد المحاور التأكد من أنك تفهم سبب نجاح التقنية، لا أنك تحفظ تعريفا.
• التقييم والتجريب. اختيار المقاييس، واستراتيجية التحقق، والنتائج خارج الإنترنت مقابل النتائج عبر الإنترنت، وكيفية تصميم تجربة تثبت أن النموذج حقق فائدة.
• النمذجة التطبيقية. هندسة الميزات، وتسرب البيانات، وعدم توازن الفئات، والجوانب المعقدة في مجموعة بيانات حقيقية. غالبا ما تصاغ هذه الأسئلة حول أحد مشاريعك.
• تصميم أنظمة تعلم الآلة. كيفية حصول النموذج على بياناته وتدريبه وإعادة تدريبه، وكيفية تقديم التنبؤات، وكيف ستلاحظ تراجع أدائه في بيئة الإنتاج.
• البرمجة. تمرين باستخدام pandas أو Python مباشرة، وأحيانا تنفيذ خوارزمية صغيرة مثل k-means أو الانحدار اللوجستي من الصفر.

تظهر الأسئلة السلوكية أيضا، وتتبع القواعد نفسها المطبقة على أي وظيفة أخرى؛ ويتناول موضوع بنوك الأسئلة هذه الأسئلة بصورة منفصلة.

تختلف الصياغة بين الشركات، لكن الأسئلة الأساسية تتكرر. تدرب عليها حتى تتمكن من شرحها بلغة بسيطة.

• التحيز والتباين: كيف تشخص ما إذا كان النموذج يعاني فرط التخصيص أو نقصه، وما أول شيء ستغيره؟ ماذا يفعل التنظيم بالنموذج، ومتى تفضل L1 على L2؟
• التحقق: لماذا قد ينتج التقسيم العشوائي لبيانات التدريب والاختبار درجة مضللة مع بيانات السلاسل الزمنية؟ ومتى تحتاج إلى تحقق متقاطع طبقي أو مجمع؟
• المقاييس: متى تكون الدقة مقياسا غير مناسب؟ اشرح الإحكام والاستدعاء ومنحنى ROC لمدير منتج. أي مقياس ستحسن لاكتشاف الاحتيال، وما الذي ستراقبه إلى جانبه؟
• مشكلات البيانات: ما تسرب الهدف، وكيف سبق أن اكتشفته؟ كيف تتعامل مع عدم التوازن الشديد بين الفئات من دون اختلاق بيانات؟ وكيف تعالج القيم المفقودة كيلا يتعلم النموذج نمط فقدانها مصادفة؟
• النماذج: متى تتفوق شجرة معززة بالتدرج على شبكة عصبية مع البيانات الجدولية؟ ما الذي تحسبه فعليا آلية الانتباه في نموذج المحول؟ ولماذا تساعد التضمينات مع الميزات الفئوية ذات عدد القيم الكبير؟
• التحسين: ماذا يحدث عندما يكون معدل التعلم مرتفعا أو منخفضا أكثر من اللازم؟ ولماذا يجعل تطبيع الدفعات التدريب أسهل؟
• تصميم الأنظمة: صمم نظام توصية لسوق إلكترونية. كيف تكتشف انحراف البيانات بعد النشر؟ وكيف تعيد تدريب نموذج من دون تقديم تنبؤات قديمة؟
• التجريب: تحسن المقياس خارج الإنترنت، لكن اختبار A/B لم يظهر تغييرا؛ فما الذي تتحقق منه؟

إذا استطعت الإجابة عن كل سؤال بمثال ملموس واحد من عملك، فقد غطيت معظم ما يمكن طرحه في جولة الأساسيات.

من الطبيعي أن تعرف المادة ثم تتلعثم عند مطالبتك بشرحها في مكالمة فيديو. يمنحك هذا القسم طريقة لتنظيم الإجابات المنطوقة، وملخصها قصير: التعريف، والقرار، والمثال، والحدود.

• التعريف في جملة واحدة وبكلمات بسيطة، قبل أي صيغة.
• القرار: متى ستستخدمها وما البديل الذي ستختاره، لأن المحاورين يختبرون حسن التقدير لا معرفة المصطلحات.
• مثال من مشروع حقيقي: مجموعة البيانات، وما الخطأ الذي حدث، وما الذي غيرته، وما النتيجة التي تحركت.
• الحدود: أين تفشل التقنية، مما يدل على أنك استخدمتها بما يكفي لرؤية مواطن فشلها.

سئلت عالمة بيانات تتقدم لوظيفة تعلم آلة في شركة تدير سوقا إلكترونية عن سبب ظهور نموذج الترتيب الخاص بها ممتازا خارج الإنترنت من دون أن يحقق شيئا في اختبار A/B. فأجابت عبر الخطوات الأربع: ما الفجوات بين التقييم خارج الإنترنت وعبره، وكيف تسبب تحيز الموضع في البيانات المسجلة في فجوتها، والتقييم المضاد للواقع الذي أضافته، والتحفظ المتمثل في أن ذلك لا يصح إلا عندما يكون التسجيل عشوائيا بما يكفي. تساوي هذه الإجابة أكثر من اشتقاق مثالي. والتدرب على الإجابات المنطوقة هو بالضبط ما صممت له أداة المقابلة التجريبية؛ فهي تطرح أسئلة متابعة كما يفعل المحاور الحقيقي.

نعم في الجولات الحوارية، ولكن ضمن حدود. يلتقط تطبيق SubcueAI الأصلي لأجهزة سطح المكتب بنظامي macOS وWindows صوت نظام المكالمة وصوت ميكروفونك، ويسمع سؤال المحاور عبر Zoom أو Google Meet أو Microsoft Teams، ويعرض بنية مقترحة قصيرة في طبقة عائمة لا تظهر إلا على شاشتك. أما المكالمات التي تعمل في علامة تبويب بمتصفح Chrome أو Edge، فتلتقط اللوحة الجانبية لإضافة المتصفح صوت علامة تبويب الاجتماع فقط، ولذلك تسمع المحاور ولا تنسخ كلامك أبدا. ولا تنضم أي من الواجهتين إلى المكالمة بصفة روبوت أو تضيف أي شيء إلى صفحة الاجتماع. وإذا كنت قد رفعت سيرتك الذاتية، فيمكن للاقتراحات الإشارة إلى مشاريعك، وهذا هو ما يمنح إجابات تعلم الآلة قيمتها.

تنطبق هنا الحدود نفسها المطبقة على كل مقابلة تقنية. فاختبار البرمجة المراقب أو الواجب المنزلي أو الجلسة على جهاز تديره الشركة أمور لا تستهدفها SubcueAI، كما يجب أن يكون اشتقاقك على سبورة ضمن شاشة مشتركة من عملك، لأن مشاركة شاشتك كاملة ستظهر الطبقة العائمة للجميع. صمم Aaron Cao، مؤسس SubcueAI، الطبقة العائمة لتذكيرك بالبنية والمفردات لا لإملاء الإجابات، لأن محاور تعلم الآلة يتابع كل ادعاء بسؤال، وتنهار الإجابة المستعارة عند السؤال الثاني. يتوفر إعداد الواجهتين في صفحة الدليل التعليمي، وتوضح صفحة المقارنة الفروق العملية بين تطبيق سطح المكتب والإضافة.