آمادگی برای مصاحبهی شغلی
سؤالهای مصاحبهی مهندسی هوش مصنوعی
بانک سؤالهای مصاحبهی مهندسی هوش مصنوعی به فارسی: صدها سؤال از ریاضی و یادگیری ماشین تا سرویسدهی مدل، RAG، ایجنت و طراحی سیستم، با پاسخ کوتاه و کامل، سؤالهای تکمیلی و سناریوهای واقعی رخداد.
- ۴۸۲سؤال با پاسخ کامل
- ۶۰سناریوی رخداد واقعی
- ۲۳دسته در ۶ حوزه
- ۴سطح، از غربالگری تا استف
- سؤال را بخوانیدهر صفحه اول فقط خودِ پرسش را نشان میدهد.
- خودتان جواب بدهیدبلند یا روی کاغذ؛ پاسخ تا آن موقع بسته میماند.
- با پاسخ مقایسه کنیدپاسخ کوتاه و کامل، سؤالهای تکمیلی، جوابهای اشتباه رایج و درس مرتبط.
مبانی
ریاضیات، شبکهها و ترنسفورمری که تمام پاسخهای بعدی بر پایهی آنها بنا میشوند.
- ریاضی و یادگیری ماشین کلاسیک۲۲Math and classical MLجبر خطی، احتمال، بهینهسازی و مدلهای کلاسیکی که همچنان روی دادههای جدولی برنده هستند.۲۲ سؤال
- یادگیری عمیق۲۲Deep learningپسانتشار خطا، توابع زیان، بهینهسازها، مقداردهی اولیه و عیبیابی شبکهای که یاد نمیگیرد.۲۲ سؤال
- ترنسفورمرها۲۴Transformersاتنشن، موقعیتها، بلوک ترنسفورمر، کش کلید-مقدار و هزینهی بافتار طولانی.۲۴ سؤال
- توکنسازی، نمونهبرداری و رمزگشایی۲۲Tokenization, sampling and decodingتبدیل متن به توکن، نحوهی انتخاب توکن بعدی توسط مدل، و سرعتبخشی به رمزگشایی با روش حدسی.۲۲ سؤال
مدلها
نحوهی تنظیم مدل پس از آموزش، سرویسدهی به کاربران و جا دادن آن در حافظهی GPU.
- پسآموزش۲۴Post-trainingتنظیم نظارتشده، تنظیم ترجیحات، LoRA و یادگیری تقویتی روی مدل آموزشدیده.۲۴ سؤال
- سیستمهای استنتاج و سرویسدهی۳۲Inference and serving systemsدستهبندی، کش کلید-مقدار، کش پیشوند، اسکژولرها و روش سنجش موتور سرویسدهی.۳۲ سؤال
- حافظهی GPU، کوانتیزهسازی و سختافزار۱۰GPU memory, quantization and hardwareمحل مصرف حافظهی GPU، آزادسازی آن با کوانتیزهسازی و تقسیم بار کاری بین GPUها.۱۰ سؤال
کاربردها
بازیابی، پرامپتها، خروجی ساختاریافته، ارزیابی و مدلهایی که میبینند و میشنوند.
- RAG۲۶RAGقطعهبندی متن، بازیابی ترکیبی، بازرتبهبندی و روش ارزیابی یک پایپلاین بازیابی.۲۶ سؤال
- پرامپتنویسی و خروجی ساختاریافته۲۲Prompting and structured outputطراحی پرامپت، مهندسی بافتار، اسکیمارها، رمزگشایی مقید و فراخوانی توابع.۲۲ سؤال
- ارزیابی۲۶Evaluationمعیارها، بسترهای ارزیابی، داورها، کالیبراسیون و روش اطمینان به یک امتیاز.۲۶ سؤال
- چندوجهی۲۲Multimodalپیوند تصویر و متن در مدلهای بینایی-زبان و نحوهی آموزش آنها.۲۲ سؤال
ایجنتها
حلقههای ایجنت، پروتکلها، تیمهای ایجنت، ساندباکسها و شواهد بهدستآمده از باینریها.
- ایجنتها۲۶Agentsحلقهی ایجنت، ابزارها، قراردادهای دامنه، گیتهای اعتبارسنجی و علل شکست ایجنتها.۲۶ سؤال
- پروتکلها: MCP، A2A و مهارتها۲۲Protocols: MCP, A2A and skillsفراخوانی ابزارها و سایر ایجنتها توسط ایجنت و حفظ امنیت این ارتباطات.۲۲ سؤال
- سیستمهای چندایجنت۲۰Multi-agent systemsسرپرستها، تحویل وظیفه، حافظهی مشترک، اجماع و حالتهای شکست تیمهای ایجنت.۲۰ سؤال
- ساندباکسها۱۸Sandboxesایزولهسازی برای ایجنتهایی که کد اجرا میکنند یا کامپیوتر را هدایت میکنند، همراه با سیاستهای مربوطه.۱۸ سؤال
- شواهد و مهندسی معکوس۱۴Evidence and reverse engineeringخواندن باینریها، بازیابی نیت و بیان میزان اطمینان همراه با شواهد پشتیبان.۱۴ سؤال
محیط عملیاتی
عملیات سرویس مدل: انتشارها، مشاهدهپذیری، هزینه، ظرفیت و ایمنی.
- محیط عملیاتی و MLOps۲۶Production and MLOpsمشاهدهپذیری، تحویل تدریجی، آزمونهای A/B، تست آشوب و نوبت پاسخگویی برای سرویسهای مدل.۲۶ سؤال
- هزینه و ظرفیت۲۲Cost and capacityکشینگ، مسیریابی، APIهای دستهای، شروع سرد و هزینهی هر درخواست.۲۲ سؤال
- ایمنی۲۲Safetyدور زدن پاداش، تزریق پرامپت، جیلبریکها، امتناع مدل و گیتهای ایمنی.۲۲ سؤال
مراحل مصاحبه
مراحل کامل مصاحبه: طراحی سیستم، حوادث، کدنویسی و پرسشهای رفتاری.
- طراحی سیستم۲۲System designطراحی سرتاسری یک سرویس مدل: نیازمندیها، دادهها، مدل، سرویسدهی، ارزیابی و هزینه.۲۲ سؤال
- سناریوهای رخداد۶۰Incidents and scenariosحوادث واقعی ثبتشده در مستندات ما. شواهد را مرحلهبهمرحله بخوانید و علت را پیدا کنید.۶۰ سناریو
- کدنویسی۲۲Codingکدی را بنویسید که درسها آموزش میدهند. هر بخش به یک وظیفه تمرینی همراه با بررسیها متصل است.۲۲ سؤال
- پرسشهای رفتاری۱۶Behavioralچارچوببندی کار، برنامهریزی مبتنی بر شواهد، تفویض وظایف و تبدیل بازخوردها به سیستم.۱۶ سؤال
بر اساس نقش شغلی
برای مصاحبهی هر نقش از این دستهها شروع کنید؛ به ترتیب اهمیت.
مهندسی محصول با مدلهای زبانی بزرگ (LLM Product Engineering)
مسیر یادگیری این نقش ←مهندسی سیستمهای ایجنت
- ایجنتها
- پروتکلها: MCP، A2A و مهارتها
- سیستمهای چندایجنت
- ساندباکسها
- پرامپتنویسی و خروجی ساختاریافته
- ارزیابی
ارزیابی و پایایی هوش مصنوعی
مسیر یادگیری این نقش ←سیستمهای داده هوش مصنوعی
- ریاضی و یادگیری ماشین کلاسیک
- توکنسازی، نمونهبرداری و رمزگشایی
- RAG
- ارزیابی
- محیط عملیاتی و MLOps
- هزینه و ظرفیت
استقرار هوش مصنوعی برای مشتریان
مسیر یادگیری این نقش ←تجربه و آموزش توسعهدهندگان (Developer Experience and Education)
مسیر یادگیری این نقش ←مهندسی استنتاج
ترجمهی فارسی بانک سؤال Interviews and scenarios از دورهی AI Engineering from Scratch، نوشتهی Rohit Ghumare، تحت مجوز MIT. کد، لاگها و اعداد عیناً از متن اصلیاند.