سوالات استخدامی هوش مصنوعی

یک مدل یادگیری عمیق برای طبقه‌بندی تصاویر پزشکی طراحی کرده‌اید که روی داده‌های Train دقت ۹۹٪ و روی داده‌های Validation دقت ۵۵٪ دارد. کدام اقدام اولویت بیشتری برای بهبود تعمیم‌پذیری مدل دارد؟

• افزایش تعداد لایه‌های شبکه عصبی
• اعتماد تکنیک‌های Regularization مانند Dropout ✅
• جمع‌آوری داده‌های آموزشی بیشتر از همان منبع
• افزایش نرخ یادگیری (Learning Rate)

در پیاده‌سازی یک سیستم توصیه‌گر (Recommender System) با محدودیت شدید حافظه، کدام الگوریتم از نظر مصرف منابع کارآمدتر است؟

• الگوریتم فاکتورگیری ماتریس (Matrix Factorization) با بعد پنهان بالا
• شبکه عصبی عمیق با Embedding Layer
• الگوریتم همسایگی نزدیک (k-NN) با معیار شباهت کسینوسی و ماتریس خلوت ✅
• مدل مبتنی بر محتوای (Content-Based) با ویژگی‌های فراوان

کدام گزینه در مورد تفاوت بین یادگیری نظارت‌شده (Supervised) و یادگیری تقویتی (Reinforcement) نادرست است؟

• در یادگیری نظارت‌شده برچسب قطعی وجود دارد، اما در یادگیری تقویتی بازخورد پاداش یا جریمه است.
• هر دو می‌توانند از شبکه‌های عصبی استفاده کنند.
• یادگیری تقویتی همواره به داده‌های کم‌تری نسبت به یادگیری نظارت‌شده نیاز دارد. ✅
• یادگیری تقویتی برای مسائل ترتیبی و تصمیم‌گیری متوالی مناسب‌تر است.

برای استقرار یک مدل PyTorch در محیط تولید که نیاز به تأخیر پایین (Low Latency) دارد، کدام چارچوب یا ابزار توصیه می‌شود؟

• ذخیره مدل با torch.save و بارگذاری مستقیم در اسکریپت پایتون
• تبدیل مدل به ONNX و استفاده از Runtime مخصوص CPU
• استفاده از TorchScript برای کامپایل و بهینه‌سازی مدل ✅
• استفاده از Flask برای ساخت API و قرار دادن مدل در آن

الگوریتم پشتیبان برداری (SVM) با کرنل RBF روی یک مجموعه داده خطی‌پذیر (Linearly Separable) اعمال شده است. اگر پارامتر C بسیار بزرگ انتخاب شود، چه اتفاقی می‌افتد؟

• مدل Underfit شده و خطای آموزش بالا می‌رود.
• مرز تصمیم بهینه‌ترین حالت ممکن برای تعمیم را پیدا می‌کند.
• مدل سعی می‌کند همه نمونه‌های آموزشی را به درستی طبقه‌بندی کند و احتمال Overfit افزایش می‌یابد. ✅
• الگوریتم از کرنل خطی (Linear) به صورت خودکار استفاده می‌کند.

در محاسبه گرادیان برای یک لایه کانولوشنال (Convolutional Layer) با استفاده از الگوریتم Backpropagation، عملگر ریاضی غالب چیست؟

• انتگرال
• کانولوشن معکوس (Transposed Convolution) ✅
• ضرب ماتریسی ساده
• محاسبه واریانس

کدام یک از گزاره‌های زیر در مورد الگوریتم Random Forest و XGBoost نادرست است؟

• هر دو می‌توانند برای مسائل رگرسیون و طبقه‌بندی استفاده شوند.
• Random Forest به طور ذاتی موازی‌پذیر است، اما XGBoost به صورت ترتیبی درختان را می‌سازد.
• XGBoost همیشه دقت بالاتری نسبت به Random Forest دارد. ✅
• Random Forest نسبت به Overfitting مقاوم‌تر از یک درخت تصمیم واحد است.

فرآیند کاهش ابعاد (Dimensionality Reduction) با استفاده از PCA (تحلیل مولفه اصلی) انجام شده است. کدام ویژگی داده اصلی در مولفه‌های اصلی (Principal Components) حفظ نمی‌شود؟

• جهت حداکثر واریانس داده
• برچسب‌های طبقه‌بندی نمونه‌ها ✅
• ساختار همبستگی بین ویژگی‌ها
• بخش عمده اطلاعات موجود در داده

هدف از استفاده از تابع فعالساز Leaky ReLU در مقایسه با ReLU معمولی چیست؟

• کاهش زمان محاسبات در هر epoch
• افزایش نرخ یادگیری مدل
• جلوگیری از مسئله نورون مرده (Dying ReLU) ✅
• کاهش حساسیت مدل به مقیاس ویژگی‌های ورودی

شما به عنوان مهندس هوش مصنوعی در یک استارتاپ، متوجه شده‌اید مدل پیش‌بینیتان بر روی داده‌های یک گروه جمعیتی خاص (مثلاً یک منطقه جغرافیایی) خطای قابل توجهی دارد، اما میانگین خطای کلی قابل قبول است. چه اقدامی انجام می‌دهید؟

• مدل را بدون تغییر مستقر می‌کنم چون میانگین خطا خوب است.
• خطا را شفاف گزارش کرده و بر جمع‌آوری داده متعادل‌تر از آن گروه یا طراحی مدل منصفانه‌تر تمرکز می‌کنم. ✅
• داده‌های آن گروه را از مجموعه آموزشی حذف می‌کنم تا خطای میانگین بهبود یابد.
• پارامترهای مدل را دستکاری می‌کنم تا فقط بر روی آن گروه خاص Overfit شود.

در حین ارائه نتایج یک پروژه به مدیر غیرفنی، او اصرار دارد که دقت (Accuracy) مدل ۹۵٪ کافی است و نیازی به بهبود نیست. اما شما می‌دانید نابرابری در توزیع کلاس‌ها (Class Imbalance) وجود دارد. بهترین پاسخ شما چیست؟

• بحث را می‌بندم و به کار ادامه می‌دهم چون مدیر درک نمی‌کند.
• فقط بر روی بهبود Accuracy بیشتر تمرکز می‌کنم.
• با نمایش ماتریس درهم‌ریختگی (Confusion Matrix) و معیارهایی مثل F1-Score یا Precision/Recall برای کلاس اقلیت، توضیح می‌دهم چرا Accuracy گمراه‌کننده است. ✅
• پیشنهاد می‌دهم مدل را با همان وضعیت مستقر کنیم.

همکار شما یک ماژول کد جدید را که روی سیستمش کار می‌کند، مستقیماً در شاخه اصلی (Main Branch) مخزن Git قرار داده و مدل آموزش دیده را خراب کرده است. اولین اقدام شما چیست؟

• کد همکار را بازنویسی می‌کنم.
• از Git برای بازگرداندن (Revert) آن کامیت خاص استفاده می‌کنم تا وضعیت پایدار قبلی بازگردد. ✅
• به مدیر گزارش می‌دهم که همکارم خطا کرده است.
• شاخه اصلی را حذف و از نو می‌سازم.

در حال کار روی یک پروژه پردازش زبان طبیعی (NLP) برای زبان فارسی هستید. کتابخانه Hugging Face Transformers را نصب کرده‌اید اما مدل‌های پیش‌آموزش‌دیده موجود برای فارسی محدود هستند. بهترین راهکار بعدی چیست؟

• پروژه را متوقف می‌کنم چون ابزار کافی نیست.
• از مدل‌های انگلیسی استفاده می‌کنم و امیدوارم کار کند.
• از یک مدل چندزبانه مانند XLM-RoBERTa استفاده می‌کنم یا با داده فارسی موجود یک مدل از پایه آموزش می‌دهم. ✅
• فقط از روش‌های آماری کلاسیک مانند n-gram استفاده می‌کنم.

شرکتی قصد دارد یک دستیار صوتی هوشمند برای زبان فارسی توسعه دهد که بتواند درخواست‌های کاربر را درک و اجرا کند. این سیستم باید بتواند در شرایط نویز محیطی متوسط نیز عملکرد قابل قبولی داشته باشد و محدودیت سخت‌افزاری برای استقرار روی دستگاه‌های لبه (Edge) نیز وجود دارد. کدام معماری پیشنهادی متعادل‌ترین گزینه از نظر دقت، پیچیدگی و مصرف منابع است؟

• استفاده از یک مدل ترنسفورمر غول‌پیکر (مانند GPT) برای تمام مراحل درک و تولید زبان.
• طراحی یک پیمانه مبتنی بر قواعد (Rule-Based) برای درخواست‌های از پیش تعریف شده.
• ترکیب یک مدل کوچک WaveNet برای تشخیص گفتار و یک مدل LSTM برای پردازش intent.
• استفاده از یک مدل سبک‌وزن Wav2Vec 2.0 برای تشخیص گفتار و یک مدل ترنسفورمر کوچک (مانند DistilBERT) برای درک زبان، با تکنیک‌های کوانتیزاسیون برای استقرار روی Edge. ✅

در یک سیستم بینایی ماشین برای کنترل کیفیت در خط تولید، نیاز به شناسایی عیوب ریز (در حد چند پیکسل) روی محصولات متحرک داریم. سرعت خط تولید بالا است. کدام ترکیب از تکنیک‌ها مناسب‌تر است؟

• استفاده از یک شبکه عصبی کانولوشنال کلاسیک مانند VGG16 به دلیل دقت بالا.
• استفاده از یک مدل مبتنی بر آرایش‌های عصبی کانولوشن (CNN) با توجه به Self-Attention (مثل یک بلوک از Vision Transformer) برای تمرکز بر نواحی ریز، همراه با افزایش مصنوعی داده (Data Augmentation) عیوب. ✅
• اعمال فیلترهای لبه‌یابی کلاسیک مانند Canny و بررسی آستانه‌ای.
• استفاده از الگوریتم‌های خوشه‌بندی بدون نظارت بر روی ویژگی‌های استخراج‌شده.