Free lesson · GenAI Engineering Leader

Hiring GenAI Engineers కోసం డేటా మోడల్ మరియు schema రూపకల్పన చేయండి

Course: GenAI Engineering Leadership · Chapter 1 · Hiring GenAI Engineers

Free to read — no subscription required.

Goal

Coding, system design, LLM-specific మరియు evaluation సవాళ్లను కవర్ చేసే design interview loops కోసం అవసరమైన ప్రధాన డేటా నిర్మాణాలు, schemas మరియు configuration ను నిర్వచించండి. మిగతా అన్ని components ఆధారపడి నిర్మించబడే పునాది మోడల్స్‌ను రూపకల్పన చేయండి.

Lesson walkthrough

మీరు GenAI ఇంజనీర్లను నియమించుకుంటున్నప్పుడు, కోడింగ్ రౌండ్ తరచుగా మీ లూప్‌లో అత్యంత బలహీనమైన సిగ్నల్‌గా ఉంటుంది — ప్రొడక్షన్ LLM ఇంజనీరింగ్‌లో బలంగా ఉన్న అభ్యర్థులు ఒక సాధారణ అల్గోరిథం పజిల్‌లో విఫలమవ్వగలరు, మరియు ఆత్మవిశ్వాసం ఉన్న జనరలిస్టులు మీ టీమ్ వాస్తవంగా షిప్ చేసే కోడ్‌లో ఒక్క లైన్ కూడా రాయకుండానే పాస్ అవుతారు. ఈ రౌండ్‌ను తప్పుగా చేస్తే, మీకు అత్యంత అవసరమైన వ్యక్తులను తిరస్కరిస్తారు లేదా వారి మొదటి స్ప్రింట్‌లోనే విఫలమయ్యే అవకాశం ఎక్కువగా ఉన్న వ్యక్తులకు ఆఫర్లు ఇస్తారు. ఈ పాఠం ముగిసే సమయానికి, కోడింగ్ రౌండ్ ఒక స్పష్టమైన సామర్థ్యానికి మ్యాప్ చేయబడి, లూప్‌లోని మిగిలిన భాగాలతో వెయిట్ చేయబడి, డిజైన్ లోపాలు చెడు నియామకాలుగా మారకముందే వాటిని పట్టుకునే కవరేజ్ తనిఖీలతో ఇన్‌స్ట్రుమెంట్ చేయబడిన బహుళ-రౌండ్ ఇంటర్వ్యూ లూప్‌ను మీరు డిజైన్ చేయగలుగుతారు.

  • సామర్థ్య మ్యాట్రిక్స్ (Competency matrix): ఒక రోల్‌కు అవసరమైన నైపుణ్య కోణాల స్పష్టమైన జాబితా, ఇందులో ప్రతి ఇంటర్వ్యూ రౌండ్ అది అంచనా వేయడానికి బాధ్యత వహించే ఒక ప్రాథమిక కోణానికి మ్యాప్ చేయబడుతుంది.
  • కవరేజ్ (Coverage): మ్యాట్రిక్స్‌లోని ప్రతి సామర్థ్య కోణం కనీసం ఒక రౌండ్ ద్వారా అంచనా వేయబడే లక్షణం; ఏ రౌండ్ కేటాయించబడని సామర్థ్యం ఒక నియామక అంధ బిందువు.
  • రౌండ్ వెయిట్ (Round weight): తుది హైర్/నో-హైర్ నిర్ణయానికి ఒక రౌండ్ యొక్క సహకారంపై ఒక సంఖ్యాత్మక గుణకం, "ఈ రౌండ్ ఎక్కువ ముఖ్యం" అనే అవ్యక్త తీర్పులను స్పష్టంగా మరియు సమీక్షించదగినవిగా చేయడానికి ఉపయోగిస్తారు.

ఇంటర్వ్యూ లూప్‌కు డిజైన్ యూనిట్ సామర్థ్య మ్యాట్రిక్స్: రోల్‌కు అవసరమైన నైపుణ్య కోణాల స్పష్టమైన జాబితా, ఇందులో ప్రతి రౌండ్ అది ప్రాథమికంగా అంచనా వేయడానికి బాధ్యత వహించే సరిగ్గా ఒక కోణానికి మ్యాప్ చేయబడుతుంది. GenAI ఇంజనీరింగ్ నియామకాలకు, ఆరు కోణాలు రోల్ యొక్క వాస్తవ పరిధిని కవర్ చేస్తాయి — కోడింగ్ ఫండమెంటల్స్, సిస్టమ్ డిజైన్, LLM డొమైన్ పరిజ్ఞానం, మూల్యాంకన పద్ధతి, సహకారం మరియు కమ్యూనికేషన్, మరియు ప్రొడక్షన్ ఇంజనీరింగ్. ఒక రౌండ్ సమీప కోణాలపై ద్వితీయ సిగ్నల్‌ను ఉత్పత్తి చేయగలదు, కానీ ప్రతి కోణానికి దానిని స్వంతం చేసుకునే ఒక — మరియు ఒకే ఒక — రౌండ్ ఉండాలి.

రెండు లక్షణాలు మ్యాట్రిక్స్‌ను అలంకారప్రాయంగా కాకుండా ఉపయోగకరంగా చేస్తాయి. కవరేజ్ అంటే ప్రతి కోణాన్ని అంచనా వేసే కనీసం ఒక రౌండ్ ఉండే లక్షణం; కవర్ చేయబడని ఏ కోణమైనా తప్పుడు నియామకంగా మారడానికి వేచి ఉన్న అంధ బిందువు. ప్రైమరీలపై నో-ఓవర్‌ల్యాప్ అంటే ఏ రెండు రౌండ్లు ఒకే ప్రాథమిక కోణాన్ని క్లెయిమ్ చేయకపోవడం; ఓవర్‌ల్యాప్ ఇంటర్వ్యూయర్ సమయాన్ని వృథా చేస్తుంది మరియు సిగ్నల్ జోడించకుండా లూప్ పొడవును పెంచుతుంది. కింద ఉన్న కోడ్ వాక్‌త్రూ ఈ రెండు లక్షణాలను రన్ చేయగల తనిఖీలుగా ఎన్‌కోడ్ చేస్తుంది, తద్వారా డిజైన్ ప్రతిసారీ ఒకే విధంగా ధృవీకరించబడుతుంది, ప్రతి హైరింగ్ కిక్‌ఆఫ్‌లో మళ్లీ వాదించబడదు.

మూడవ భావన, రౌండ్ వెయిట్, ప్రతి రౌండ్ తుది నిర్ణయానికి ఎంత సహకరిస్తుందో సూచిస్తుంది. ప్రతి రౌండ్‌ను సమాన వెయిట్‌తో వదిలేయడం సంస్కృతి సంభాషణను AI సిస్టమ్ డిజైన్ రౌండ్‌తో నిశ్శబ్దంగా సమానం చేస్తుంది, ఇది హైరింగ్ కమిటీ వాస్తవంగా నమ్మేది చాలా అరుదు. వెయిట్‌కు పేరు పెట్టడం సంభాషణను సమీక్షించగలిగే బహిరంగ స్థలంలోకి బలవంతంగా తీసుకువస్తుంది.

ఇంటర్వ్యూ లూప్‌ను డిజైన్ చేయడం ఒక పునరావృత కవరేజ్-మరియు-కాలిబ్రేషన్ చక్రం:

Loading diagram...

భావనల విభాగంలోని సామర్థ్య మ్యాట్రిక్స్‌పై నిర్మిస్తూ, ఈ విభాగం మ్యాట్రిక్స్‌ను ఎక్జిక్యూటబుల్ కోడ్‌గా మార్చుతుంది, తద్వారా కవరేజ్ విశ్లేషణ ఎవరూ మళ్లీ చదవని వికీ పేజీలో ఉండకుండా ఆటోమేటిక్‌గా రన్ అవుతుంది. కింద ఉన్న స్నిప్పెట్ సామర్థ్య enum, రౌండ్ dataclass, మరియు లూప్-స్థాయి కవరేజ్ మెథడ్‌లను ఒకే స్వయం-సంపూర్ణ ఉదాహరణలో కలుపుతుంది.

Code snippetpython
1from dataclasses import dataclass, field 2from enum import Enum 3 4class CompetencyArea(Enum): 5 CODING = "coding_fundamentals" 6 SYSTEM_DESIGN = "system_design" 7 LLM_KNOWLEDGE = "llm_domain_knowledge" 8 EVALUATION = "evaluation_methodology" 9 COLLABORATION = "collaboration_communication" 10 PRODUCTION = "production_engineering" 11 12@dataclass 13class InterviewRound: 14 name: str 15 duration_minutes: int 16 primary_competency: CompetencyArea 17 secondary_competencies: list[CompetencyArea] = field(default_factory=list) 18 weight: float = 1.0 19 20@dataclass 21class InterviewLoop: 22 role_title: str 23 rounds: list[InterviewRound] = field(default_factory=list) 24 25 def coverage_report(self) -> dict[str, list[str]]: 26 coverage = {area.value: [] for area in CompetencyArea} 27 for r in self.rounds: 28 coverage[r.primary_competency.value].append(f"{r.name} (primary)") 29 for sc in r.secondary_competencies: 30 coverage[sc.value].append(f"{r.name} (secondary)") 31 return coverage 32 33 def identify_gaps(self) -> list[str]: 34 return [a for a, rs in self.coverage_report().items() if not rs]
  • CompetencyArea GenAI నియామకం కవర్ చేయవలసిన ఆరు కోణాలకు పేర్లు పెడుతుంది, సాధారణ "టెక్నికల్ / బిహేవియరల్" విభజనను దాటి ప్రతి రౌండ్‌కు అంచనా వేయడానికి ఒక నిర్దిష్ట నైపుణ్యం ఉండేలా చేస్తుంది.
  • InterviewRound రౌండ్ యొక్క ప్రాథమిక సామర్థ్యం, ఏవైనా ద్వితీయ సిగ్నల్‌లు, మరియు నియామక నిర్ణయం దానిపై ఎంత ఆధారపడుతుందో ఎన్‌కోడ్ చేసే weightను సంగ్రహిస్తుంది — అవ్యక్త తీర్పులను స్పష్టంగా మరియు సమీక్షించదగినవిగా చేస్తుంది.
  • InterviewLoop.coverage_report ప్రతి సామర్థ్యాన్ని దానిని అంచనా వేసే రౌండ్లకు మ్యాప్ చేస్తుంది, తద్వారా ఓవర్‌ల్యాప్ (కోడింగ్‌పై ప్రైమరీగా రెండు రౌండ్లు) ఒక్క చూపులో బయటపడుతుంది.
  • InterviewLoop.identify_gaps సున్నా కవరేజ్ ఉన్న ఏ సామర్థ్యాన్నైనా ఫ్లాగ్ చేస్తుంది, డిజైన్ లోపాలు నియామక తప్పిదాలుగా మారకముందే వాటిని పట్టుకుంటుంది.

identify_gaps() ఖాళీ జాబితాను తిరిగి ఇచ్చినప్పుడు మరియు ఏ సామర్థ్యమూ ఒకటి కంటే ఎక్కువ (primary) ఎంట్రీలతో కనిపించనప్పుడు అది పనిచేస్తుందని మీకు తెలుస్తుంది — ప్రతి కోణం సరిగ్గా ఒకసారి కవర్ చేయబడింది.

ఇప్పుడు మీరు ఇంప్లిమెంటేషన్ ద్వారా పని చేశారు కాబట్టి, కింద ఉన్న పద్ధతులు మన్నికైన విధానాన్ని బలహీనమైన విధానం నుండి వేరు చేస్తాయి.

చేయవలసినవి

  1. మొదట సామర్థ్య మ్యాట్రిక్స్‌ను నిర్వచించండి, ఆపై ద్వితీయ కవరేజ్ జోడించకముందే ప్రతి రౌండ్‌ను సరిగ్గా ఒక ప్రాథమిక సామర్థ్యానికి మ్యాప్ చేయండి.
  2. మొదటి అభ్యర్థిని షెడ్యూల్ చేయకముందే లూప్ నిర్వచనంపై identify_gaps() రన్ చేసి, కవర్ చేయబడని ఏ సామర్థ్యాన్నైనా పరిష్కరించండి.
  3. ప్రతి రౌండ్‌ను అంచనా వేయబడుతున్న సామర్థ్యానికి సరిపోయే రోల్ ఉన్న ఇంటర్వ్యూయర్‌కు కేటాయించండి (ఉదా., LLM డీప్ డైవ్‌కు ML లీడ్, యాదృచ్ఛికంగా అందుబాటులో ఉన్న ఇంజనీర్ కాదు).

చేయకూడనివి

  1. రెండు రౌండ్లు ఒకే ప్రాథమిక సామర్థ్యాన్ని పంచుకోనివ్వకండి — ఓవర్‌ల్యాప్ ఇంటర్వ్యూయర్ సమయాన్ని వృథా చేస్తుంది మరియు సిగ్నల్ జోడించకుండా లూప్ పొడవును పెంచుతుంది.
  2. సామర్థ్య మ్యాట్రిక్స్‌ను అప్‌డేట్ చేయకుండా ఒక రౌండ్‌ను జోడించకండి; డాక్యుమెంట్ చేయని రౌండ్లు ఇప్పటికే ఉన్న కవరేజ్‌ను డూప్లికేట్ చేయడంలోకి లేదా కొలవగలిగేది ఏదీ అంచనా వేయకపోవడంలోకి జారిపోతాయి.
  3. రౌండ్ వెయిట్‌లను అలంకారప్రాయంగా పరిగణించకండి — ప్రతి రౌండ్‌ను weight=1.0 వద్ద వదిలేయడం తుది నిర్ణయంలో సంస్కృతి రౌండ్‌ను AI సిస్టమ్ డిజైన్ రౌండ్‌తో సమానంగా లెక్కించేలా చేస్తుంది.

A hands-on lab comes with this lesson — real code, in a cloud IDE. Create a free account to run it. No card.

Free account · no card · straight to the lab

Or get the full path — from