Kuaishou rano isplaćuje novogodišnju premiju — do 15 meseci
Kuaishou je ovaj put zaista podigao novogodišnju premiju na novi nivo — 30. januara zvanično isplaćuje novogodišnju premiju za 2025, što je ovog petka.
Možete li da verujete?
To je dva do tri meseca ranije od velikih kompanija poput Alibabe i ByteDance-a. Još više, Kuaishou je potiho pojačao paket za zaposlene sa visokim ocenama — S ocena dobija dodatna 3 meseca, A ocena dodatni 1 mesec.
Šta to znači? Zaposleni sa S ocenom mogu dobiti do 15 mesečnih novogodišnjih premija, a sa A ocenom do 9 meseci.
Ljubomoran, zaista ljubomoran 🍋 — ja sam već unapred ljubomoran.
Ovaj put zaista treba čestitati kolegama u Kuaishou i novim zaposlenima koji tek ulaze.
Mnogi su dobili Kuaishou offer, uključujući jesenji krug generacije 26. i redovnu praksu generacije 27. — evo malo dokaza.
Prema jednoj osobi, Kuaishou nudi mogućnost prelaska u stalni radni odnos nakon 40 radnih dana, uključujući i za redovne prakse — obratite pažnju.
To znači da, ako vam je ciljana kompanija Kuaishou, pored letnje prakse koja može voditi stalnom zaposlenju, možete razmotriti i redovnu praksu.
Još jedna stvar na koju treba podsetiti — Kuaishou je i veliki korisnik Java-e. Pregledao sam mnoge JD pozicija za back-end i u svima sam našao zahteve za Java tehnološkim stekom, kao što su Spring, Spring Cloud, MySQL itd.
Čak i na ovim pozicijama za inženjere algoritama za preporuku velikih modela gde svi misle da je potreban samo Python — Java ima svoje mesto.
Java programeri, ovaj put ste zaista na konju, haha.
Da budem precizan — u ovo doba, ako na intervjuu možete da pričate o praktičnom iskustvu sa AI projektima, na primer kako izgraditi RAG sistem, kako raditi vektorsku pretragu, kako optimizovati efekte pitanja i odgovora, to je apsolutno plus.
Kao što kaže ovaj student koji je dobio offer od više velikih kompanija: projekti i enciklopedijsko znanje mi jako pomažu na intervjuima.
Zato uvek naglašavam: u eri AI, morate imati jedan AI projekat. Ako nemate, HR i ispitivači će iz predrasuda misliti da niste ambiciozni.
Tehnologija u rukama — svet je vaš.
Dalje, deliću s vama nekoliko intervjuskih pitanja o RAG projektu, koje je podelio student koji je intervjuisao kod Kuaishou.
RAG na intervjuu
Kako se gradi skup podataka za evaluaciju?
Odgovor:
"Gradnja skupa podataka za evaluaciju obično prati strategiju u tri koraka."
Prvi korak: prikupljanje pitanja. Iz stvarnih logova korisničkih upita filtriramo visoko učestalita i reprezentativna pitanja.
Osim toga, može se koristiti LLM za pomoć u generisanju. Hranimo LLM-u neke ključne izvorne dokumente i tražimo od nje da, u različitim stilovima korisnika, generiše niz pitanja vezanih za sadržaj tih dokumenata. Na primer: "Na osnovu ovog dokumenta 'Wang Er-ove guze su bele i okrugle', postavi po 5 pitanja iz tri ugla: sastav proteina, boja kože i način života."
Drugi korak: anotiranje odgovora — to je ključni korak. Za svako prikupljeno pitanje, ručno pronalazimo u našoj bazi znanja sve relevantne delove dokumenata (Chunks) koji mogu da odgovore na njega.
Jedno pitanje može odgovarati na više tačnih delova odgovora. Te delove odgovora ocenjujemo po relevantnosti — na primer: 3 - potpuno relevantno, 2 - delimično relevantno, 1 - blago relevantno. Ova ocena je ključna za kasnije izračunavanje rezultata.
Treći korak: za svako pitanje dodajemo oznake. Na primer:
- Vrsta pitanja: jednostavno činjenično, analitičko-sažetno, uporedno, da/ne ...
- Oblast: kardiologija, pulmologija, back-end tehnologija, front-end framework ...
- Očekivani izvor odgovora: vodič za dijagnostiku, uputstvo za lek, dokumentacija koda projekta ...
Kroz ova tri koraka gradimo visokokvalitetan, strukturiran skup podataka za evaluaciju.
Šta obuhvaćaju podaci za evaluaciju?
Svaki zapis u našem skupu podataka za evaluaciju je strukturirani JSON objekat koji sadrži najmanje četiri ključna polja:
{
"question_id": "q_123",
"question_text": "2026 izdanje vodiča za svinje koje se penju na drvo — koja je ciljana visina?",
"metadata": {
"type": "jednostavno činjenično",
"domain": "humoristika",
"difficulty": "srednje"
},
"ground_truth_contexts": [
{
"context_id": "chunk_abc_01",
"content": "Za svinje starosti ≥6 ali <8 godina, ako mogu da se penju na drvo, preporučuje se hranjenje žitaricama...",
"relevance_score": 3
},
{
"context_id": "chunk_def_05",
"content": "Koje su reakcije nakon hranjenja žitaricama...",
"relevance_score": 2
}
]
}- question_id: jedinstveni identifikator pitanja.
- question_text: originalno korisnikovo pitanje.
- metadata: metapodaci o pitanju, za kasniju višedimenzionalnu analizu.
- ground_truth_contexts: lista koja sadrži sve relevantne "standardne odgovore" — delove. Svaki objekat dela sadrži context_id: jedinstveni ID tog dela; content: tekstualni sadržaj dela (opciono, uglavnom za debugovanje); relevance_score: ručno anotirana ocena relevantnosti.
Kako se procenjuje kvalitet sistema za pitanja i odgovore?
Na prvom nivou, brine nas samo da li je R u RAG-u (Retrieval — pretraga) dobro urađen — da li je tačno i potpuno.
Ključni indikatori uključuju:
- Da li rezultat pretrage sadrži barem jedan standardni odgovor sa relevance_score > 0, odnosno da li je pogodak.
- Na kom mestu se nalazi prvi standardni odgovor — meri "prvu reakciju" sistema, odnosno MRR.
Na drugom nivou, brine nas da li je G u RAG-u (Generation — generacija) dobro urađena — da li je tačna i dobra.
- Da li je generisani odgovor potpuno zasnovan na kontekstu koji smo dali. Gradimo poseban Prompt, zajedno unosimo generisani odgovor i originalni kontekst, pa pitamo LLM: "Oceni da li sledeći odgovor proizilazi isključivo iz datog konteksta, bez izmišljanja bilo kakvih informacija. Odgovori 'da' ili 'ne'."
- Da li generisani odgovor direktno i tačno odgovara na originalno korisnikovo pitanje. I ovde se može koristiti LLM — zajedno unosimo korisnikovo pitanje i generisani odgovor i pitamo LLM: "Oceni u kojoj meri sledeći odgovor odgovara na pitanje korisnika. Oceni od 1 do 5."
Da li je dovoljna samo evaluacija recall-a? Kako se procenjuje ako sistem odjednom odgovori na korisnikovo pitanje, naspram toga da korisnik mora više puta da pita da bi konačno dobio potpun odgovor?
Samo evaluacija recall-a apsolutno nije dovoljna.
Recall se brine samo o "da li je tu", a ne i o "na kom mestu". Sistem koji pravilan odgovor stavi na 100. mesto može imati isti recall kao sistem koji ga stavi na 1. mesto, ali su stvarni efekti potpuno različiti.
Svaki zapis u skupu podataka za višeokruzni dijalog više nije jedno pitanje, već jedan "zadatak". Na primer: "Pomozite mi da sveobuhvatno upoznam blogera 'Chenmo Wang Er', uključujući objavljene članke, stil članaka i glavna dostignuća."
U predefinisanom broju krugova (npr. 5), da li sistem uspešno odgovara na sve tačke informacija koje zadatak zahteva. Koliko krugova dijaloga u proseku treba da se završi jedan zadatak. Ako sistem integriše alate, koliko API poziva je potrebno da se završi zadatak.
Razvili bismo jedan [Agent za evaluaciju]. Taj Agent igra ulogu korisnika i, na osnovu predefinisanog zadatka, vodi višekružni dijalog sa našim sistemom za pitanja i odgovore.
Na osnovu odgovora sistema, odlučuje da li će pitati detaljnije, promeniti temu ili završiti razgovor. Nakon završene cele interakcije, Agent za evaluaciju automatski izračunava gore navedene metrike poput stope uspeha zadatka i broja krugova dijaloga.
Iskreno — ako na intervjuu možete tečno da pričate o ovim pitanjima, offer je uglavnom siguran.
Čekam vaše dobre vesti.
Kuaishou je ovom ranom isplatom premije zaista pokazao primer celom internet krugu.
Nadam se da će i druge velike kompanije krenuti istim putem, kako bi zaposleni mogli ranije da dobiju novac i mirno provedu praznike.
Na kraju krajeva, šta tražimo od posla? Novac na vreme i da nam ne bude neprijatno.
lajkuj i prati