آموزش بیش از ۵۰۰ سوال و جواب مصاحبه هوش مصنوعی مولد (Generative AI) ۲۰۲۶ - آخرین آپدیت

پوشش جامع حوزه‌های آزمون

این بانک سوالات جامع مستقیماً با صلاحیت‌های فنی پیشرفته مورد نیاز در نقش‌های مهندسی یادگیری ماشین و هوش مصنوعی در سطح تولید مطابقت دارد.

• مبانی هوش مصنوعی مولد (۲۰٪): معماری‌های اصلی ترنسفورمر، شبکه‌های رقابتی مولد (GANs)، اتوانکودرهای متغیر (VAEs)، استراتژی‌های توکن‌بندی BPE/WordPiece و جاسازی‌های برداری معنایی با ابعاد بالا.

• مدل‌های زبانی بزرگ یا LLMs (۱۸٪): ساختارهای decoder-only در GPT، مکانیسم‌های self-attention ضرب داخلی مقیاس‌شده، قوانین مقیاس‌بندی Chinchilla، رژیم‌های آموزشی بهینه از نظر محاسباتی و روش‌های تنظیم دقیق بهینه در پارامتر (PEFT) مانند LoRA و QLoRA.

• مهندسی پرامپت و گردش‌های کاری (۱۵٪): الگوهای پیشرفته طراحی پرامپت، مسیرهای استدلالی زنجیره افکار (CoT) و درخت افکار (ToT)، خط لوله‌های سیستم RAG، ارکستراسیون اتوماسیون گردش کار AI و کاهش اثرات تزریق پرامپت.

• ارزیابی و محیط تولید (۱۲٪): معیارهای ارزیابی LLM (مانند ROUGE، BLEU، BERTscore و LLM-as-a-judge)، استراتژی‌های استقرار Blue-Green و Canary، حافظه پنهان معنایی، بهینه‌سازی هزینه توکن و ردیابی رانش مدل.

• MLOps و استقرار (۱۰٪): مخازن کنترل نسخه مدل، استراتژی‌های بازگشت (Rollback) بدون توقف، خط لوله‌های CI/CD متناسب با مدل‌های حجیم و مانیتورینگ استنتاج در لحظه.

• هوش مصنوعی عاملیت‌محور و سیستم‌های پیشرفته (۸٪): دینامیک‌های رفتاری چند-عاملی، استفاده خودکار از ابزارها، الگوهای مدیریت حافظه Stateful، موتورهای ارکستراسیون چند مرحله‌ای و روندهای معماری نسل آینده.

• امنیت، اخلاق و مسیرهای آینده (۷٪): تست‌های استحکام در برابر حملات Adversarial، فریم‌ورک‌های تفسیرپذیری مدل، تکنیک‌های هم‌ترازی (RLHF، DPO)، حذف اطلاعات شخصی (PII)، کاهش سوگیری و کاربردهای تجاری.

• سیستم‌های RAG و جستجوی ترکیبی (۱۰٪): ایندکس‌گذاری پایگاه داده‌های برداری (HNSW، IVF-PQ)، هم‌ترازی جاسازی‌های متراکم و پراکنده، الگوریتم‌های جستجوی ترکیبی، فیلتر کردن متادیتا، استراتژی‌های تکه‌بندی (Chunking) و بهینه‌سازی رتبه‌بندی مجدد.

درباره این دوره

موفقیت در مصاحبه‌های فنی هوش مصنوعی مولد یا یادگیری ماشین نیازمند درکی عمیق از اتفاقاتی است که در لایه‌های زیرین APIها رخ می‌دهد. تیم‌هایی که اپلیکیشن‌های سازمانی واقعی می‌سازند، به دنبال مهندسانی هستند که بتوانند به صورت سیستماتیک خط لوله‌های استنتاج را بهینه کنند، توهمات مدل (Hallucination) را کاهش دهند، محدودیت‌های حافظه پنجره بافت (Context Window) را مدیریت کنند و سیستم‌های بازیابی پیچیده را عیب‌یابی کنند. من این مخزن ۵۵۰ سوالی را برای شبیه‌سازی دقیق عمق، ظرافت و چالش‌های ساختاری مصاحبه‌های سطح ارشد طراحی کرده‌ام.

به جای تکرار تعاریف سطحی، این بانک سوالات توانایی تصمیم‌گیری عملی شما را در سناریوهای واقعی مهندسی سیستم‌ها می‌سنجد. هر مورد دارای بافت عمیق، موقعیت‌های کدنویسی معماری یا چالش‌های بهینه‌سازی است. من هر مسئله را با شفافیت فنی کامل تحلیل کرده‌ام و توضیح داده‌ام که چرا راهکار هدف در محیط‌های تولیدی برتری دارد و چرا پیکربندی‌های جایگزین تحت فشار لود شکست می‌خورند. چه در حال انتقال از علوم داده سنتی به نقش مهندس AI باشید، چه برای مراحل زیرساختی سیستم‌های سنگین آماده شوید، این مخزن تمرین‌های جامع لازم برای قبولی در اولین تلاش را فراهم می‌کند.

نمونه سوالات تمرینی

این سه نمونه فنی متمرکز بر تولید را بررسی کنید تا با سبک، تعادل و عمق توضیحات موجود در این بانک سوالات آشنا شوید.

سوال ۱: بهینه‌سازی عملکرد بازیابی در معماری پیشرفته RAG

یک مهندس AI مشاهده می‌کند که خط لوله RAG مکرراً تکه‌های متنی را بازیابی می‌کند که از نظر معنایی مرتبط اما از نظر بافتی نویزی هستند، که باعث می‌شود مدل تولیدکننده تمرکز خود را از دست داده و ادعاهای نادرستی ارائه دهد. ایندکس برداری زیربنایی بر اساس جاسازی‌های متراکم از طریق HNSW است. کدام پیکربندی بهینه‌سازی، نویز تکه‌بندی را به مؤثرترین شکل و بدون ایجاد افزایش شدید در تأخیر (Latency) حل می‌کند؟

• الف) جایگزینی کامل ساختار ایندکس HNSW با استراتژی ایندکس brute-force تخت برای محاسبه دقیق شباهت‌های کسینوسی.

• ب) پیاده‌سازی جستجوی ترکیبی دو مرحله‌ای با استفاده از جاسازی‌های متراکم و پراکنده، همراه با یک مرحله رتبه‌بندی مجدد (re-ranking) توسط cross-encoder بر روی ۲۰ سند برتر بازیابی شده.

• ج) افزایش چهار برابری اندازه پنجره بافت برای مجبور کردن LLM به پردازش تمام نویزهای پس‌زمینه به صورت داخلی.

• د) مجبور کردن شبکه جاسازی به کوتاه کردن تمام نمایش‌های برداری با ابعاد بالا به ۱۲۸ المان قبل از محاسبه معیارهای فاصله ایندکس.

• ه) قرار دادن رشته پرس‌وجو در چندین پرامپت متوالی زنجیره افکار (CoT) قبل از ارسال آن به کلاینت بازیابی پایگاه داده برداری.

• و) تغییر معیار شباهت برداری از ضرب داخلی مستقیماً به محاسبات فاصله منهتن بدون تغییر اندازه تکه‌ها.

پاسخ صحیح و توضیح:

• پاسخ صحیح: ب

• دلیل صحت: یک خط لوله بازیابی دو مرحله‌ای، دقت و سرعت را بهینه می‌کند. جاسازی‌های متراکم مفاهیم عمیق معنایی را می‌گیرند، در حالی که جاسازی‌های پراکنده (مانند BM25) تطبیق‌های دقیق کلمات کلیدی را شناسایی می‌کنند. عبور نتایج برتر از یک re-ranker مدل cross-encoder، رابطه دقیق بین پرس‌وجو و متن تکه را ارزیابی کرده و نویزهای نامرتبط را قبل از رسیدن به LLM فیلتر می‌کند.

• دلیل نادرستی گزینه‌های دیگر:

  • گزینه الف نادرست است: انتقال به ایندکس brute-force تخت با رشد کتابخانه اسناد، باعث افزایش شدید تأخیر می‌شود و در محیط تولید غیرقابل استفاده است.

  • گزینه ج نادرست است: صرفاً گسترش پنجره بافت هزینه توکن‌ها را افزایش داده و پدیده «گم شدن در میانه» (lost in the middle) را تشدید می‌کند.

  • گزینه د نادرست است: کوتاه کردن بردارها به ۱۲۸ المان، جزئیات معنایی لازم برای یافتن تطبیق‌های دقیق را از بین می‌برد.

  • گزینه ه نادرست است: پرامپت CoT به مدل در استدلال کمک می‌کند؛ اما نحوه ایندکس‌گذاری یا بازیابی تکه‌های متن توسط پایگاه داده برداری را تغییر نمی‌دهد.

  • گزینه و نادرست است: تغییر به فاصله منهتن مشکل تکه‌بندی متن یا نویز در فضاهای متراکم با ابعاد بالا را حل نمی‌کند.

سوال ۲: بهینه‌سازی کارایی تنظیم دقیق و تخصیص وزن از طریق Low-Rank Adaptation

یک تیم نیاز دارد یک مدل زبانی decoder-only با ۷۰ میلیارد پارامتر را برای وظیفه تخصصی خلاصه‌سازی پزشکی با استفاده از PEFT تطبیق دهد. آن‌ها LoRA را برای مدیریت محدودیت‌های محاسباتی انتخاب می‌کنند. در هنگام پیکربندی، آن‌ها باید تصمیم بگیرند کدام ماتریس‌های وزن را هدف قرار دهند تا دقت را به حداکثر برسانند در حالی که اثر پارامترهای قابل آموزش زیر ۱٪ باقی بماند. کدام انتخاب طراحی با استانداردهای بهینه‌سازی تجربی مطابقت دارد؟

• الف) هدف قرار دادن تنها وزن‌های لایه طبقه‌بندی نهایی در حالی که تمام لایه‌های self-attention داخلی منجمد (freeze) باشند.

• ب) اعمال پارامترهای LoRA منحصراً روی لایه جاسازی (Embedding) برای تغییر مستقیم درک واژگان.

• ج) هدف قرار دادن هم‌زمان هر دو بخش وزن‌های توجه (W_q, W_v) و لایه‌های شبکه feed-forward (W_gate, W_down, W_up) با مقدار rank پایین بین ۸ تا ۱۶.

• د) هدف قرار دادن هر ماتریس داخل مدل با استفاده از مقدار rank بسیار بالای ۵۱۲ برای شبیه‌سازی آموزش کامل پارامترها.

• ه) اعمال آداپتورهای LoRA صرفاً روی پارامترهای نرمال‌سازی لایه (Layer Normalization) در کل استک ترنسفورمر.

• و) پیکربندی وزن‌های آداپتور برای به‌روزرسانی تنها در پاس نهایی اعتبارسنجی در حالی که حالت‌های استاتیک در مراحل آموزش حفظ شوند.

پاسخ صحیح و توضیح:

• پاسخ صحیح: ج

• دلیل صحت: تحقیقات نشان می‌دهد که هدف قرار دادن هر دو بلوک self-attention و لایه‌های شبکه feed-forward با یک rank کوچک (مانند ۸ یا ۱۶) عملکردی مشابه با تنظیم دقیق تمام پارامترها ارائه می‌دهد. این رویکرد به‌روزرسانی‌ها را به طور یکنواخت در مسیرهای استدلالی مدل توزیع می‌کند و اثر پارامترهای قابل آموزش را بسیار زیر آستانه ۱٪ نگه می‌دارد.

• دلیل نادرست بودن گزینه‌های دیگر:

  • گزینه الف نادرست است: تنظیم تنها لایه طبقه‌بندی نهایی، لایه‌های توجه داخلی مدل را برای درک اصطلاحات پیچیده پزشکی تطبیق نمی‌دهد.

  • گزینه ب نادرست است: تغییر تنها لایه جاسازی، ورودی‌های واژگان را تغییر می‌دهد اما لایه‌های تبدیل ساختاری و استدلالی مدل را بدون تغییر باقی می‌گذارد.

  • گزینه د نادرست است: قرار دادن rank روی ۵۱۲ مصرف حافظه را به شدت افزایش داده، اندازه پارامترها را متورم کرده و هدف استفاده از LoRA را از بین می‌برد.

  • گزینه ه نادرست است: پارامترهای نرمال‌سازی لایه متغیرهای بسیار کمی دارند و نمی‌توانند تغییرات عمیق سبک‌شناختی و ساختاری لازم برای تطبیق دامنه را ثبت کنند.

  • گزینه و نادرست است: لایه‌های آداپتور باید در طول پاس پس‌روی (backward pass) آموزش به‌روزرسانی شوند؛ لایه‌های منجمد نمی‌توانند در پاس‌های اعتبارسنجی وظایف جدید را یاد بگیرند.

سوال ۳: کاهش شکست‌های زنجیره‌ای و تأخیر حلقه در ارکستراسیون AI چند-عاملی

در طول تست یک سیستم چند-عاملی خودکار، یک مهندس متوجه می‌شود که دو عامل تخصصی (یک عامل نویسنده کد و یک عامل اعتبارسنج کد) هنگام رسیدگی به موارد خاص (edge cases)، مکرراً وارد یک حلقه اجرای بی‌نهایت می‌شوند که باعث مصرف تمام بودجه توکن‌ها و قطع جلسات اتصال می‌شود. کدام تغییر در معماری نرم‌افزار، این شکست حلقه‌ای زنجیره‌ای را به مؤثرترین شکل و در عین حفظ استقلال سیستم جلوگیری می‌کند؟

• الف) کدنویسی سخت (Hardcode) عامل اعتبارسنج برای تأیید خودکار تمام خروجی‌ها در دومین دور بررسی، صرف‌نظر از وجود خطاها.

• ب) پیاده‌سازی یک ارکستراتور وضعیت متمرکز مجهز به بودجه قطعی مصرف توکن و سقف حداکثری تکرار حلقه روی سه دور.

• ج) حذف کامل عامل اعتبارسنج و تکیه بر یک عامل واحد برای نوشتن و نقد هم‌زمان کد در یک پاس پرامپت.

• د) افزایش محدودیت زمان انتظار (Timeout) در سمت کلاینت برای اجازه دادن به حلقه تا زمانی که به طور طبیعی حل شود، به صورت نامحدود اجرا گردد.

• ه) پیکربندی عامل‌ها برای ارتباط با استفاده از مقادیر برداری خام به جای رشته‌های متنی برای پنهان کردن شکست‌های اعتبارسنجی.

• و) اجرای کل فریم‌ورک چند-عاملی در یک محیط sandbox کاملاً ایزوله بدون مجوز دسترسی به ابزارهای خارجی.

پاسخ صحیح و توضیح:

• پاسخ صحیح: ب

• دلیل صحت: یک ارکستراتور متمرکز با سقف صریح حلقه و بودجه‌بندی توکن، حلقه‌های بی‌نهایت را قبل از اتمام منابع متوقف می‌کند. این الگو وضعیت عامل‌ها را مانیتور کرده، تکرار حلقه‌ها را ردیابی می‌کند و در صورت گیر کردن عامل‌ها، جریان را به صورت مدیریت شده به یک بازبین انسانی یا روتین جایگزین (fallback) هدایت می‌کند.

• دلیل نادرست بودن گزینه‌های دیگر:

  • گزینه الف نادرست است: اجبار به تأیید خودکار، مرحله اعتبارسنجی را کاملاً دور می‌زند و کدهای خراب یا ناامن را مستقیماً به محیط تولید می‌فرستد.

  • گزینه ج نادرست است: تکیه بر یک عامل برای نقد خودش اغلب شکست می‌خورد زیرا LLMها در شناسایی خطاهای منطقی خود در همان پنجره بافت دچار مشکل هستند.

  • گزینه د نادرست است: افزایش محدودیت‌های timeout مشکل را بدتر کرده و اجازه می‌دهد حلقه بی‌نهایت بیشتر اجرا شود و بودجه بیشتری را هدر دهد.

  • گزینه ه نادرست است: عامل‌ها نمی‌توانند وظایف پیچیده را هماهنگ کنند یا تغییرات نحو (syntax) را با استفاده از بردارهای خام بدون مراحل رمزگشایی متنی اعتبارسنجی کنند.

  • گزینه و نادرست است: ایزوله کردن sandbox دسترسی به ابزارها را محدود می‌کند، اما منطق حلقه بی‌نهایت بین دو عامل را اصلاح نمی‌کند.

آنچه در انتظار شماست

• به آزمون‌های سوالات مصاحبه خوش آمدید تا شما را برای موفقیت در آزمون تمرینی سوالات مصاحبه هوش مصنوعی مولد آماده کنیم.

• شما می‌توانید هر تعداد بار که بخواهید در آزمون‌ها شرکت کنید.

• این یک بانک سوالات عظیم و اورجینال است.

• در صورت داشتن سوال، از پشتیبانی مدرسان بهره‌مند می‌شوید.

• هر سوال دارای یک توضیح دقیق و جامع است.

• با اپلیکیشن Udemy کاملاً سازگار با موبایل است.

امیدواریم تا اینجا متقاعد شده باشید! سوالات بسیار بیشتری در داخل دوره وجود دارد.