Вызывали ли интерес генеративные модели

Что проверяют

Следите ли вы за областью и умеете ли отличить интерес от реального опыта. Интервьюеру важно, что вы делали руками и понимаете ли ограничения. Следом почти всегда просят рассказать про конкретный проект: какая модель, как оценивали качество, что не получилось.

Как отвечать

Стройте ответ на своём опыте, а не на пересказе новостей. Удобный каркас:

• что зацепило: одна конкретная задача, а не «это будущее». Например, извлечение сущностей из документов, где LLM заменила ручную разметку, или синтетические данные для редкого класса;
• что делали: модель и стек. Файнтюнинг через LoRA (peft поверх transformers), RAG с эмбеддингами и векторным поиском (FAISS, pgvector), сервинг через vLLM, диффузионные модели для изображений. Назовите объём данных и железо;
• как оценивали: главный вопрос для генеративных моделей. Отложенная выборка с ручной разметкой, LLM-as-a-judge с проверкой согласия с людьми, для изображений FID, для извлечения обычные precision и recall;
• что узнали про ограничения: галлюцинации, цена и задержка инференса, изменение поведения при смене версии модели, утечки персональных данных в промпте.

Цифры берите свои: сколько сэкономили на разметке, какая доля ответов прошла проверку. Придуманная цифра становится видна на первом уточняющем вопросе.

Если опыта нет, так и скажите и покажите путь: какой курс или статью разобрали, что собрали в пет-проекте, какой эксперимент хотели бы поставить в этой команде. Честное «пробовал на своих данных, вот что вышло» весит больше общего рассказа про GPT.

Где спотыкаются

Рассказывают только о том, как пользуются чат-ботом. Для ML-инженера это не опыт работы с генеративными моделями.

Держатся за GAN как за главный пример. В генерации изображений их давно потеснили диффузионные модели, и без объяснения, почему выбран именно GAN, ответ звучит устаревшим.

Не могут ответить, как измеряли качество. Без оценки проект выглядит как демо, а не как работа.