آموزش ۵۰۰+ سوال و جواب مصاحبه مهندسی هوش مصنوعی ۲۰۲۶ - آخرین آپدیت

پوشش جامع حوزه‌های آزمون

این بانک سوالات جامع به صورت سیستماتیک به ستون‌های فنی اصلی مهندسی هوش مصنوعی مدرن تقسیم شده است. هر حوزه مستقیماً با مهارت‌های سطح تولید که در مصاحبه‌های فنی شرکت‌های تراز اول مورد انتظار است، مطابقت دارد:

• مبانی ریاضی و برنامه‌نویسی (۱۰٪)

  • مباحث پوشش داده شده:جبر خطی (تجزیه ماتریس، مقادیر ویژه)، حساب دیفرانسیل چندمتغیره (مشتقات جزئی، ژاکوبین)، احتمالات و آمار (قضیه بیز، توزیع‌های احتمالی)، بهینه‌سازی برنامه‌نویسی پایتون و عملیات برداری با کارایی بالا با استفاده از NumPy.

• مبانی یادگیری ماشین (۲۰٪)

  • مباحث پوشش داده شده:الگوریتم‌های یادگیری نظارت شده، خوشه‌بندی نظارت نشده و کاهش ابعاد، دینامیک ساختاری درخت‌های تصمیم، جنگل‌های تصادفی، ماشین‌های بردار پشتیبان (SVM) و بهینه‌سازی تابع زیان.

• یادگیری عمیق (۲۵٪)

  • مباحث پوشش داده شده:معماری‌های پرسپترون چندلایه، توابع فعال‌ساز سفارشی، مکانیک ریاضی ساختاری پس‌انتشار (Backpropagation)، شبکه‌های عصبی پیچشی (CNN) برای داده‌های مکانی و شبکه‌های عصبی بازگشتی (RNN/LSTM) برای داده‌های متوالی.

• پردازش زبان طبیعی - NLP (۱۵٪)

  • مباحث پوشش داده شده:چارچوب‌های پیش‌پردازش متن پیشرفته، متدولوژی‌های توکن‌بندی، تحلیل احساسات، مدل‌های زبانی آماری و معماری‌های مدرن ترنسفورمر (مکانیسم‌های خود-توجهی، پارادایم‌های رمزگذار-رمزگشا).

• بینایی ماشین (۱۰٪)

  • مباحث پوشش داده شده:تکنیک‌های پردازش تصویر دیجیتال، چارچوب‌های تشخیص اشیاء، قطعه‌بندی معنایی و نمونه‌ای، مدل‌های YOLO و دستکاری تصاویر در محیط تولید با استفاده از OpenCV.

• عملیات یادگیری ماشین - MLOps و استقرار (۱۰٪)

  • مباحث پوشش داده شده:چارچوب‌های سرویس‌دهی مدل، ساخت APIهای مقاوم REST و gRPC، کانتینرسازی با Docker، ارکستراسیون گردش کار و مدیریت میکروسرویس‌های مقیاس‌پذیر از طریق Kubernetes.

• مهندسی داده (۵٪)

  • مباحث پوشش داده شده:الگوهای طراحی برای خط لوله‌های داده استریمینگ و دسته‌ای (Batch)، پارادایم‌های ذخیره‌سازی توزیع‌شده و پردازش داده‌های مقیاس بزرگ با Apache Beam و Apache Spark.

• اخلاق در هوش مصنوعی و طراحی سیستم (۵٪)

  • مباحث پوشش داده شده:کمی‌سازی سوگیری و مهندسی عدالت الگوریتمی، تکنیک‌های تفسیرپذیری مدل (SHAP, LIME)، طراحی سیستم جامع هوش مصنوعی، مقیاس‌پذیری معماری و قابلیت اطمینان سیستم در تولید.

توضیحات دوره

موفقیت در مصاحبه برای نقش مهندسی هوش مصنوعی یا یادگیری ماشین نیازمند مجموعه‌ای از مهارت‌ها است که فراتر از آموزش مدل‌ها در نوت‌بوک‌های مجزا باشد. شرکت‌ها به دنبال متخصصان فنی هستند که مبانی ریاضی یادگیری عمیق را درک کنند، کد پایتون تمیز و برداری بنویسند، خط لوله‌های داده مقیاس‌پذیر بسازند و مدل‌ها را به صورت امن در کلاسترهای تولید مستقر کنند. من این بانک سوالات تمرینی هدفمند را دقیقاً مطابق با سخت‌گیری، عمق و پیچیدگی‌های سناریو-محور در مراحل فنی شرکت‌های برتر تکنولوژی طراحی کرده‌ام.

با ۵۵۰ سوال оригинаl و با دقت تدوین شده، این دوره به عنوان یک منبع مطالعاتی جامع عمل می‌کند تا اطمینان حاصل شود که شما در اولین تلاش از فیلتر فنی عبور می‌کنید. این مطالب بر تعاریف سطحی یا دانستنی‌های عمومی تکیه نمی‌کند؛ بلکه شما را مستقیماً در سناریوهای مهندسی واقعی قرار می‌دهد: بهینه‌سازی حافظه برای مدل‌های NLP بزرگ، رفع مشکل انفجار گرادینت در شبکه‌های عمیق، عیب‌یابی خط لوله‌های پردازش داده توزیع‌شده و شناسایی رانش داده (Data Drift) در محیط‌های زنده.

هر سوال در این ارزیابی با یک تحلیل ساختاری جامع همراه است. من مکانیسم‌های سیستمی زیربنایی را توضیح می‌دهم که چرا گزینه صحیح متمایز است و در عین حال، شکست‌های معماری یا ریاضی دقیق پنج گزینه دیگر را کالبدشکافی می‌کنم. تمرین با این ارزیابی‌ها به شما کمک می‌کند تا حافظه عضلانی ساختاری لازم برای تجزیه چالش‌های پیچیده طراحی سیستم و ارائه پاسخ‌های بسیار صیقل‌خورده تحت فشار مصاحبه را ایجاد کنید.

پیش‌نمایش نمونه سوالات تمرینی

سوال ۱: یادگیری عمیق و معماری‌های ترنسفورمر

هنگام پیاده‌سازی یک مکانیسم خود-توجهی (Self-Attention) سفارشی در یک مدل ترنسفورمر، یک مهندس هوش مصنوعی مشاهده می‌کند که با افزایش شدید ابعاد بردارهای کلید $d_k$، گرادین‌های مدل در طول پس‌انتشار از طریق لایه softmax شروع به محو شدن (Vanish) می‌کنند. علت ریاضی بنیادی این رفتار چیست و معماری استاندارد چگونه آن را کاهش می‌دهد؟

• A) مقادیر بزرگ $d_k$ باعث می‌شوند حاصل‌ضرب‌های نقطه‌ای از نظر اندازه بزرگ شوند و تابع softmax را به مناطقی با گرادین‌های بسیار کوچک سوق دهند؛ این مورد با تقسیم حاصل‌ضرب‌های نقطه‌ای بر $\sqrt{d_k}$ کاهش می‌یابد.

  • دلیل صحت:با افزایش بعد $d_k$، مقیاس حاصل‌ضرب‌های نقطه‌ای رشد می‌کند. این امر تابع softmax را به مناطقی می‌برد که مقادیر خروجی نزدیک به ۰ یا ۱ هستند و منجر به گرادین‌های نزدیک به صفر می‌شود. تقسیم بر $\sqrt{d_k}$ واریانس را به ۱ برمی‌گرداند، توزیع softmax را پایدار کرده و جریان سالم گرادین را حفظ می‌کند.

• B) مقادیر بزرگ $d_k$ باعث ایجاد Underflow در محاسبات نمایی می‌شوند؛ این مورد با اعمال لایه نرمال‌سازی (Layer Normalization) مستقیماً قبل از عملیات ضرب نقطه‌ای کاهش می‌یابد.

  • دلیل عدم صحت:اگرچه مشکلات نقطه شناور ممکن است رخ دهند، اما شکست ریاضی اصلی، اشباع مشتق تابع softmax است. نرمال‌سازی لایه قبل از بلوک توجه، رفتار مقیاس‌بندی ضرب ماتریسی داخلی را هنگام گسترش $d_k$ کنترل نمی‌کند.

• C) ماتریس توجه به صورت مربعی نسبت به $d_k$ رشد می‌کند و منجر به اشباع حافظه می‌شود؛ این مورد با اعمال لایه Dropout بلافاصله پس از ضرب کوئری‌ها و کلیدها کاهش می‌یابد.

  • دلیل عدم صحت:ماتریس توجه نسبت به طول توالی$N$ رشد مربعی دارد (پیچیدگی مکانی $O(N^2)$)، نه نسبت به بعد ویژگی $d_k$. دراپ‌اوت فعال‌سازها را به طور تصادفی تغییر می‌دهد تا از Overfitting جلوگیری کند، اما محو شدن سیستماتیک گرادین ناشی از مقیاس ابعاد را رفع نمی‌کند.

• D) ابعاد بزرگ باعث می‌شوند ماتریس‌های کوئری و کلید به صورت خطی وابسته شوند؛ این مورد با مقداردهی اولیه تمام وزن‌های تصویر به یک توزیع یکن کاهش می‌یابد.

  • دلیل عدم صحت:ابعاد بالاتر لزوماً باعث وابستگی خطی نمی‌شود؛ در واقع، ابعاد بالاتر فضای برداری وسیع‌تری فراهم می‌کند. مقداردهی اولیه وزن‌ها در گام صفر کمک می‌کند اما نمی‌تواند تورم مقیاس در زمان اجرا را که توسط ضرب‌های داخلی بزرگ ایجاد می‌شود، متوقف کند.

• E) فاکتور مقیاس‌بندی $\sqrt{d_k}$ برای تحمیل پراکندگی (Sparsity) در نقشه توجه استفاده می‌شود؛ این مورد با جایگزینی تابع فعال‌ساز softmax با ReLU کاهش می‌یابد.

  • دلیل عدم صحت:فاکتور مقیاس‌بندی صراحتاً برای کنترل واریانس استفاده می‌شود، نه برای پراکندگی. جایگزینی softmax با ReLU ویژگی‌های احتمالی خود-توجهی را کاملاً تغییر داده و آن را به یک لایه مقیاس‌بندی بدون وزن تبدیل می‌کند.

• F) ضرب نقطه‌ای واریانس را افزایش می‌دهد که باعث نوسانات شدید وزن‌ها می‌شود؛ این مورد با افزودن یک لایه Batch Normalization بلافاصله پس از محاسبه softmax کاهش می‌یابد.

  • دلیل عدم صحت:خروجی‌های softmax مجموعاً برابر با ۱ هستند و یک توزیع احتمالی تمیز را نشان می‌دهند. اعمال Batch Normalization بر خروجی softmax این ویژگی را از بین می‌برد و نمی‌تواند مشکل اصلی گرادین‌های اشباع شده در مسیر بازگشت را حل کند.

سوال ۲: MLOps و مانیتورینگ خط لوله تولید

یک مدل طبقه‌بندی تصاویر چندکلاسه در محیط تولید که روی کلاستر Kubernetes از طریق REST API مستقر شده، در یک بازه سه هفته‌ای دچار افت دقت پیش‌بینی شده است. پس از بررسی، متوجه می‌شوید که توزیع داده‌های ورودی تغییر کرده است زیرا کاربران تصاویری را از برند جدیدی از دستگاه‌های موبایل با فیلترهای اشباع رنگ سخت‌افزاری منحصر‌به‌فرد آپلود می‌کنند. توزیع برچسب‌های هدف مشابه داده‌های آموزشی باقی مانده است. چه نوع رانشی (Drift) رخ داده و مقاوم‌ترین استراتژی برای کاهش آن چیست؟

• A) رانش مفهوم (Concept Drift) رخ داده است؛ آن را با تنظیم امتیاز آستانه اطمینان داخلی API بدون تغییر در وزن‌های مدل کاهش دهید.

  • دلیل عدم صحت:رانش مفهوم به این معناست که رابطه بین ویژگی‌های ورودی و برچسب‌های هدف تغییر کرده است ($P(Y|X)$ تغییر کرده است). در اینجا، ویژگی‌های فیزیکی ورودی‌ها تغییر کرده‌اند، اما اشیاء واقعی در تصاویر همچنان برچسب‌های اصلی خود را دارند.

• B) رانش کوواریانس (Covariate Shift) رخ داده است؛ آن را با پیاده‌سازی یک خط لوله پیش‌پردازش داده خودکار که هیستوگرام‌های رنگ تصاویر ورودی را قبل از استنتاج نرمال می‌کند، کاهش دهید.

  • دلیل صحت:رانش کوواریانس زمانی رخ می‌دهد که توزیع داده‌های ورودی تغییر کند ($P(X)$ تغییر کند) اما احتمال شرطی زیربنایی $P(Y|X)$ ثابت بماند. چون رانش توسط فیلترهای اشباع رنگ سخت‌افزاری ایجاد شده، نرمال‌سازی هیستوگرام‌های رنگ در سطح پیش‌پردازش API، واریانس‌های مربوط به دستگاه را حذف کرده و ورودی‌ها را به خط پایه مورد انتظار مدل برمی‌گرداند.

• C) رانش احتمال پیشین (Prior Probability Shift) رخ داده است؛ آن را با اعمال بازتعادل وزن کلاس‌ها در تابع زیان cross-entropy و اجرای یک حلقه بازآموزی اضطراری کاهش دهید.

  • دلیل عدم صحت:رانش احتمال پیشین (یا رانش برچسب) زمانی رخ می‌دهد که توزیع برچسب‌های هدف $P(Y)$ در طول زمان تغییر کند. در صورت سؤال صراحتاً ذکر شده که توزیع برچسب هدف کاملاً یکسان مانده است.

• D) رانش سیستمی رخ داده است؛ آن را با مقیاس‌بندی افقی پادهای Kubernetes برای کاهش جهش‌های تأخیر API کاهش دهید.

  • دلیل عدم صحت:رانش سیستمی به تخریب سخت‌افزاری یا زیرساختی مانند نشت حافظه یا تأخیر شبکه اشاره دارد. این مورد هیچ ارتباطی با افت دقت الگوریتمی ناشی از تغییرات ویژگی‌های تصویر ورودی ندارد.

• E) رانش تعامل ویژگی‌ها رخ داده است؛ آن را با حذف کامل کانال‌های رنگی و آموزش یک مدل جایگزین فقط خاکستری (Grayscale) کاهش دهید.

  • دلیل عدم صحت:حذف کامل کانال‌های رنگی حجم عظیمی از اطلاعات معنایی را پاک می‌کند که می‌تواند عملکرد پایه را به طور دائمی کاهش دهد. این یک راه حل تخریبی برای مشکلی است که می‌توان از طریق استانداردسازی حل کرد.

• F) رانش داده‌های بالادستی رخ داده است؛ آن را با بازگرداندن (Rollback) استقرار مدل به نسخه قدیمی‌تر که روی مجموعه داده‌های میرا (Legacy) کوچک‌تر آموزش دیده، کاهش دهید.

  • دلیل عدم صحت:بازگشت به نسخه قدیمی مدل مشکل را حل نمی‌کند. مدل قدیمی نیز با توزیع‌های رنگی جدید و دیده‌نشده از دستگاه‌های جدیدتر، به همان اندازه یا حتی بیشتر دچار مشکل خواهد شد.

سوال ۳: پردازش زبان طبیعی و توکن‌بندی واژگان

در حین استقرار یک مدل ترنسفورمر مقیاس‌بزرگ مدرن با استفاده از Byte-Pair Encoding (BPE) برای توکن‌بندی، یک مهندس هوش مصنوعی متوجه افزایش توکن‌های "خارج از واژگان" (OOV) و افت شدید سرعت استنتاج هنگام پردازش متون تخصصی پزشکی بالینی می‌شود. علت ریشه‌ای این حالت شکست چیست و چگونه باید حل شود؟

• A) اندازه واژگان توکن‌بند BPE بیش از حد بزرگ پیکربندی شده است؛ با کاهش اندازه کل واژگان به نصف برای اجبار به ادغام زیر-کلمات (Subwords) آن را حل کنید.

  • دلیل عدم صحت:کاهش اندازه واژگان، توکن‌بند را مجبور می‌کند کلمات را به قطعات حتی کوچک‌تر (تا سطح تک‌کاراکتر) تقسیم کند، که باعث افزایش طول توالی و کاهش بیشتر سرعت استنتاج می‌شود.

• B) چارچوب توکن‌بندی روی زیرساخت GPU به جای رشته‌های متوالی CPU در حال اجرا است؛ با انتقال توکن‌بند به پردازش‌های سنکرون CPU آن را حل کنید.

  • دلیل عدم صحت:توکن‌بندی در درجه اول یک عملیات تجزیه متن است. انتقال آن به پردازش‌های سنکرون CPU بدون بازسازی ساختار واژگان، مشکل قطعه‌قطعه شدن ساختاری زیر-کلمات یا توان عملیاتی مدل را حل نمی‌کند.

• C) واژگان پایه BPE کاملاً بر اساس کورپوس‌های عمومی وب ساخته شده است و اصطلاحات تخصصی بالینی را مجبور به قطعه‌قطعه شدن به واحدهای زیر-کلمه بسیار کوچک می‌کند؛ با گسترش واژگان یا آموزش یک توکن‌بند BPE تخصصی بر روی متون پزشکی آن را حل کنید.

  • >

    دلیل صحت:BPE واژگان خود را با ادغام متوالی توالی‌های کاراکتری رایج می‌سازد. اگر روی متون عمومی وب آموزش دیده باشد، الگوهای زیر-کلمه تخصصی اصطلاحات پزشکی را ندارد. در نتیجه، اصطلاحات پیچیده پزشکی به تعداد زیادی از قطعات زیر-کلمه کوچک تقسیم می‌شوند، که طول توالی توکن‌بندی شده را افزایش داده و تأخیر استنتاج را زیاد می‌کند و باعث قطعه‌بندی معنایی می‌شود. آموزش یک توکن‌بند روی متون تخصصی پزشکی این مشکل را حل می‌کند.

• D) توکن‌بندهای BPE از ترکیب مجدد زیر-کلمات پشتیبانی نمی‌کنند؛ با جایگزینی کل خط لوله توکن‌بندی با یک تجزیه‌کننده فاصله (Whitespace Parser) دقیق، آن را حل کنید.

  • دلیل عدم صحت:>توکن‌بندی بر اساس فاصله، باعث انفجار واژگان می‌شود زیرا هر تغییر گرامری کلمه به یک توکن منحصر‌به‌فرد تبدیل می‌شود. این امر منجر به مشکلات شدید OOV هنگام مواجهه با هرگونه تغییرات دیده‌نشده در محیط تولید می‌شود.

• E) مدل دچار برش پنجره محتوا (Context Window Truncation) شده است؛ با افزایش اندازه ماتریس جاسازی موقعیتی (Positional Embedding) با استفاده از طرح‌های رمزگذاری مطلق، آن را حل کنید.

  • >

    دلیل عدم صحت:اندازه جاسازی‌های موقعیتی تعیین می‌کند که مدل حداکثر چه طول توالی مطلقی را می‌تواند بپذیرد. آن‌ها تغییری در نحوه تجزیه متن توسط توکن‌بند قبل از رسیدن به لایه‌های جاسازی ایجاد نمی‌کنند.

• F) BPE به دلیل ریشه‌های لاتین، ذاتاً با اصطلاحات پزشکی انگلیسی ناسازگار است؛ با تبدیل تمام متون بالینی ورودی به کدهای ASCII در سطح کاراکتر آن را حل کنید.

  • دلیل عدم صحت:مدل‌سازی در سطح کاراکتر، معنای کلمات را از بین می‌برد و آرایه‌های ورودی بلندی ایجاد می‌کند که به سرعت ظرفیت حافظه مکانیسم‌های توجه استاندارد را اشباع می‌کند.

• به آزمون‌های سوالات مصاحبه خوش آمدید تا شما را در آماده‌سازی برای آزمون تمرینی سوالات مصاحبه مهندسی هوش مصنوعی یاری دهد.

• شما می‌توانید آزمون‌ها را هر چند بار که بخواهید تکرار کنید.

• این یک بانک سوالات جامع و اورجینال است.

>

• در صورت داشتن سوال، از پشتیبانی مدرسین بهره‌مند خواهید شد.

• هر سوال دارای یک توضیح جامع است.

• با اپلیکیشن Udemy سازگار و بهینه‌شده برای موبایل.

امیدوارم تا کنون متقاعد شده باشید! و سوالات بسیار بیشتری در داخل دوره وجود دارد.