Подготовка к интервью
193 вопроса с собеседований в ivi
Что проверяют на интервью
Подборка объединяет вопросы, отмеченные на этапах интервью в ivi. Здесь можно понять структуру технической проверки и заранее повторить связанные темы. В подборке чаще встречаются темы: frontend, python, mobile.
Каталог
Подтвердите или уточните фактический набор ежедневных инструментов. Если используете не только Cursor, кратко разделите их по задачам, не перечисляя всё, что когда-либо пробовали.
Читать ответВ классическом трансформере self-attention энкодера видит все непустые позиции входа, а self-attention авторегрессивного декодера закрывает будущие токены causal mask. Иначе обучение подсматривало бы ответ.
Читать ответВ batch из пар query–positive документы других пар используют как негативы для данного query. Loss повышает similarity правильной пары относительно остальных, обычно через softmax с температурой.
Читать ответПройдите массив справа налево, компактно записывая ненулевые элементы к правому краю. Оставшийся префикс заполните нулями: порядок сохраняется, время O(n), дополнительная память O(1).
Читать ответОтвет зависит от loss и того, являются числа метками классов или регрессионными значениями. Замена 1 на 10 не эквивалентна универсальному усилению положительного класса.
Читать ответDSSM — Deep Structured Semantic Model: модель, которая отображает запросы и документы в семантическое пространство и оценивает их близость. Она применяется в поиске и семантическом сопоставлении.
Читать ответРазведите по времени MVP, развитие и поддержку. Объясните, что именно было готово два года назад и какие изменения занимали последующий период, чтобы убрать кажущееся противоречие.
Читать ответГлубина прокрутки должна иметь явно выбранный контейнер: вся страница или конкретный блок. Эти метрики имеют разные знаменатели и не взаимозаменяемы.
Читать ответОбъём данных для дообучения определяют кривой обучения и покрытием сценариев, а не универсальным числом. Для embedding-задачи loss выбирают по доступной разметке пар, негативов и целевой метрике.
Читать ответДаже неограниченные GPU не устраняют плохие данные и неверную постановку. Первое направление выбирают по разбору ошибок и ожидаемому улучшению пользовательского результата.
Читать ответНепоказанный постер не имеет наблюдаемого пользовательского отклика, поэтому считать его отрицательным примером нельзя. Для честного сравнения нужны рандомизированные показы и журнал вероятностей выбора.
Читать ответПоддерживайте min-heap размера N. Корень хранит наименьший из текущих лучших; более крупный новый элемент заменяет его. Время O(M log N), память O(N).
Читать ответ