Какие архитектуры нейросетей использовали
Что проверяют
Есть ли за списком аббревиатур реальные задачи: почему выбрана именно эта архитектура, с чем сравнивали и что получилось. Следом обычно просят разобрать одну модель подробно: данные, размер, метрику, борьбу с переобучением.
Как отвечать
Стройте ответ от задач, а не от архитектур. На каждую задачу: какие данные, какая архитектура, какой бейзлайн, какая метрика и на сколько её сдвинули, какие были ограничения (латентность, память, железо для инференса).
Опорные варианты, чтобы проверить себя:
- изображения: CNN вроде ResNet и EfficientNet, где остаточные связи облегчают обучение глубоких сетей; Vision Transformer при большом объёме данных или хорошем предобучении; YOLO для детекции в реальном времени;
- текст: трансформеры. Энкодеры семейства BERT для классификации и эмбеддингов, декодерные LLM для генерации, дообучение через LoRA вместо полного;
- последовательности и временные ряды: LSTM и GRU встречаются, но их часто вытесняют трансформеры и 1D-свёртки, а на табличных признаках ряда градиентный бустинг нередко сильнее;
- генерация изображений: GAN в основном уступили место диффузионным моделям, это стоит сказать, если упоминаете GAN;
- табличные данные: честно скажите, если бустинг (CatBoost, LightGBM, XGBoost) побил нейросеть. Это частый и правильный вывод.
Цифры давайте свои и с базой сравнения. «F1 вырос с 0,71 до 0,78 на отложенной выборке относительно логистической регрессии» звучит убедительно, «точность выросла на 15%» без базы и метрики не значит ничего.
Если production-опыта нет, опирайтесь на учебные проекты и соревнования, но так и скажите, и покажите понимание: почему взяли предобученную модель, как делили данные, что не сработало.
Где спотыкаются
Перечисляют CNN, RNN, LSTM, GAN как коллекцию без задач. На вопрос «зачем» ответа не находится.
Не понимают устройство того, что использовали: не могут объяснить механизм внимания или зачем в ResNet остаточные связи.
Молчат про бейзлайн и валидацию. Улучшение без честного сравнения ничего не значит, а утечка данных при разбиении обесценивает любые цифры.