Multi-Task-Learning-Test für die Personalauswahl
Erfahren Sie, wie Kandidatinnen und Kandidaten über Modelle nachdenken, die mehrere Vorhersageaufgaben gleichzeitig lernen.
- 10 Minuten
- 15 Fragen
- Fortgeschritten
- Multiple Choice
- Fragen auf Englisch
- Smartphone und Desktop
Die kurze Antwort
Der Multi-Task-Learning-Test ist ein fortgeschrittener Einstellungstest für Machine-Learning-Engineers, Applied Scientists, Data Scientists, KI-Forschende und erfahrene Engineers. Er misst, wie Kandidatinnen und Kandidaten Modelle entwerfen, trainieren, anpassen und evaluieren, die Wissen über mehrere Aufgaben hinweg gemeinsam nutzen. Dazu gehört auch, wie sie Losses ausgleichen, Aufgabendaten verarbeiten, Wissen übertragen und Ergebnisse mit Single-Task-Baselines vergleichen.
Was gemessen wird
Entwurf, Training, Anpassung und Evaluation von Machine-Learning-Modellen, die Wissen über mehrere Aufgaben hinweg gemeinsam nutzen.
Architektur und Ausgleich von Losses
Kandidatinnen und Kandidaten überlegen, wie Modellstrukturen das Lernen über mehrere Aufgaben hinweg gemeinsam nutzen und wie sich die Losses dieser Aufgaben ausgleichen lassen.
Aufgabenentwurf und Datenverarbeitung
Die Fragen prüfen, wie Kandidatinnen und Kandidaten ein Problem in Aufgaben aufteilen und die zugehörigen Daten verarbeiten.
Transfer und Domänenanpassung
Kandidatinnen und Kandidaten überlegen, wie Wissen zwischen Aufgaben und Domänen übertragen werden kann.
Evaluation von Multi-Task-Modellen
Die Fragen behandeln die Bewertung von Multi-Task-Modellergebnissen im Vergleich mit Single-Task-Baselines.
Frageformate
Multiple Choice
Die Kandidatin oder der Kandidat: Liest eine kurze Situation, Tabelle oder Aussage und wählt die richtige oder alle richtigen Antworten aus.
Sie sehen: Ob die kandidierende Person den Stoff gut genug kennt, um ihn anzuwenden, statt ihn nur wiederzuerkennen.
15 Fragen in 10 Minuten, die nacheinander angezeigt werden.
Passende Rollen für diesen Test
Machine-Learning-Engineers, Applied Scientists, Data Scientists, KI-Forschende und erfahrene Engineers, die Modelle für mehrere Vorhersageaufgaben entwickeln.
Was dieser Test zeigen kann
Mehr als der Lebenslauf: Denkvermögen
Kurze Codeausschnitte im PyTorch-Stil und kleine Ergebnistabellen helfen Ihnen zu beurteilen, wie eine Kandidatin oder ein Kandidat über gemeinsam genutzte Modellstrukturen und den Ausgleich von Losses nachdenkt.
Einblick in die Auswahl der Aufgaben
Nutzen Sie die Antworten zur Aufteilung eines Problems in Aufgaben und zum Umgang mit Daten, um Entwurfsentscheidungen für Modelle zu besprechen, die mehrere Vorhersageaufgaben erfüllen.
Hinweise aus verschiedenen Domänen
Die Szenarien beziehen sich unter anderem auf Einzelhandelsnachfrage, medizinische Bildgebung, Sprache, Robotik und Text. So wird keine einzelne Branche bevorzugt.
Was Sie für jede kandidierende Person erhalten
- Während des gesamten Tests im Test-Tab geblieben
- Keine eingefügten Antworten
- In gleichmäßigem Tempo beantwortet
Ergebnisse, Profile und Integritätssignale dienen Ihnen als Anhaltspunkte, die Sie zusammen mit einem Vorstellungsgespräch prüfen können. Sie führen niemals automatisch zu einer Entscheidung.
Testkontrollen und Prüfsignale
Jede Kandidatin und jeder Kandidat erhält einen anderen Fragensatz. Die Fragen werden einzeln angezeigt; ihre Reihenfolge und die Antwortoptionen werden gemischt. Die Zeitmessung läuft auf dem Server. Wird die Seite neu geladen, erscheint dieselbe Frage wieder und es bleibt nur die noch verfügbare Zeit. Der Fragetext kann weder kopiert noch markiert werden. HireValid erfasst Signale wie die Zeit außerhalb des Test-Tabs, eingefügte Antworten und Antworten, die schneller gegeben werden, als eine Frage gelesen werden kann. Ein Integrity Score und eine Zeitleiste mit Hinweisen fassen diese Signale zur Prüfung durch den Arbeitgeber zusammen. Keines von beidem entscheidet eigenständig. Mit Einwilligung der Kandidatin oder des Kandidaten kann ein Arbeitgeber zu zufälligen Zeitpunkten Webcam-Fotos aufnehmen lassen.
So beugen wir KI-gestützter Täuschung vor · Integritätssignale
Nutzen Sie den Score als Hinweis
Betrachten Sie den Score zusammen mit einer Arbeitsprobe und einem strukturierten Interview, nicht als alleinige Grundlage für eine Einstellungsentscheidung. Bitten Sie Kandidatinnen und Kandidaten, ihre Entscheidungen in der Arbeitsprobe zu erläutern, und vergleichen Sie diese Erläuterungen mit ihren Antworten zu Aufgabendaten, Wissenstransfer und Modellevaluation. Je nach Rolle können auch verwandte Tests wie Machine Learning, Deep Learning und Computer Vision relevant sein.
Fragen für strukturierte Vorstellungsgespräche
Denken Sie an ein Projekt, bei dem mehrere Vorhersageaufgaben ein Modell gemeinsam nutzen konnten. Wie haben Sie entschieden, welche Aufgaben dieselbe Struktur nutzen sollten?
Achten Sie auf eine konkrete Begründung des Entwurfs, die Beziehungen zwischen den Aufgaben und darauf, wie die Kandidatin oder der Kandidat die Entscheidung bewerten würde.
Erzählen Sie mir von einer Situation, in der die Aufgabendaten Ihren Ansatz für ein Modell geprägt haben, das mehrere Vorhersagen liefert.
Achten Sie darauf, wie die Kandidatin oder der Kandidat das Problem in Aufgaben aufgeteilt und die Daten verarbeitet hat.
Wie würden Sie prüfen, ob das für eine Aufgabe oder Domäne erworbene Wissen einer anderen hilft?
Achten Sie auf einen vorgeschlagenen Vergleich und auf Hinweise, die bei der Entscheidung helfen könnten.
Wie würden Sie ein Multi-Task-Modell mit Single-Task-Baselines vergleichen, bevor Sie sich für eines entscheiden?
Achten Sie auf passende Entscheidungen zur Evaluation und darauf, wie die Ergebnisse die nächsten Schritte leiten würden.
Bewertung und Vergleichswerte verstehen
Fairness und angemessene Vorkehrungen
Die Szenarien stammen aus verschiedenen Domänen, etwa Einzelhandelsnachfrage, medizinischer Bildgebung, Sprache, Robotik und Text. So wird keine einzelne Branche bevorzugt, und jede Frage enthält alle erforderlichen Angaben. Der Code ist kurz und verwendet gängige Python- und PyTorch-Konventionen, die erklärt werden, wenn sie ungewöhnlich sind. Die Berechnungen sind einfach genug, um sie auf Schmierpapier durchzuführen. Die Fragen sind in klarem US-Englisch und enthalten keine Redewendungen. So misst der Test das Urteilsvermögen im Bereich Machine Learning und nicht die Lesegeschwindigkeit.
Sie können jedem Kandidaten als angemessene Anpassung mehr Zeit geben. Die Ergebnisse dienen der Prüfung durch eine Person, niemals einer automatischen Entscheidung.
Vorläufig: Die Zuverlässigkeit wird angegeben, sobald 200 Kandidatinnen und Kandidaten den Test abgeschlossen haben.
Testdetails
Ein fortgeschrittener Test mit Zeitvorgabe, der prüft, wie gut Kandidatinnen und Kandidaten Modelle entwerfen, trainieren und bewerten, die mehrere Aufgaben gleichzeitig lernen. Die Fragen behandeln gemeinsam genutzte Strukturen und den Ausgleich von Losses, die Aufteilung eines Problems in Aufgaben und den Umgang mit den zugehörigen Daten, den Wissenstransfer zwischen Aufgaben und Domänen sowie den Vergleich von Multi-Task-Ergebnissen mit Single-Task-Baselines. Einige Fragen enthalten kurze Python-Codeausschnitte im PyTorch-Stil sowie kleine Ergebnistabellen.
- Die Fragen sind auf Englisch.
- Zulässige Hilfsmittel: Notizpapier.
- Jede Frage wird der Reihe nach einmal beantwortet. Ein Zurückgehen ist nicht möglich.
- 4 Übungsfragen, 4 Minuten, vor dem zeitlich begrenzten Test.
PyTorch ist eine Marke des jeweiligen Inhabers. HireValid ist weder mit dem Inhaber verbunden noch wird das Unternehmen von ihm unterstützt.
Häufig gestellte Fragen
Was macht den Multi-Task-Learning-Test branchenübergreifend fair?+
Die Szenarien beziehen sich auf die Einzelhandelsnachfrage, medizinische Bildgebung, Sprache, Robotik und Text. So wird keine einzelne Branche bevorzugt. Jede Frage enthält alle erforderlichen Angaben, und das klare US-Englisch lenkt den Fokus auf das Urteilsvermögen im Bereich Machine Learning.
Dürfen Kandidatinnen und Kandidaten beim Multi-Task-Learning-Test Schmierpapier verwenden?+
Ja. Notizpapier ist erlaubt, und die Rechenaufgaben sind einfach genug, um sie darauf zu lösen. Der Test enthält Multiple-Choice-Fragen, darunter kurze Codeausschnitte im PyTorch-Stil und kleine Ergebnistabellen.
Für welche Rollen eignet sich der fortgeschrittene Multi-Task-Learning-Test?+
Der Test richtet sich an Machine-Learning-Engineers, Applied Scientists, Data Scientists, KI-Forschende und erfahrene Engineers, die Modelle für mehrere Vorhersageaufgaben entwickeln. Das fortgeschrittene Niveau eignet sich für Kandidatinnen und Kandidaten, die bereits Modelle entwerfen und trainieren, nicht für Personen ohne Vorkenntnisse in Machine Learning.
Wie erleben Kandidatinnen und Kandidaten den Multi-Task-Learning-Test?+
Der Test umfasst 15 Fragen in 10 Minuten. Ein Zurückspringen zu vorherigen Fragen ist nicht möglich. Vor dem Start können Kandidatinnen und Kandidaten einen Übungssatz mit vier Fragen in vier Minuten ausprobieren.
Ähnliche Tests
Neuronale Netze
10 Minuten, Programmierfähigkeiten
EntdeckenMaschinelles Lernen in Amazon Web Services (AWS)
10 Minuten, Programmierfähigkeiten
EntdeckenMaschinelles Lernen in Azure
10 Minuten, Programmierfähigkeiten
EntdeckenMaschinelles Lernen in Google Cloud Platform (GCP)
10 Minuten, Programmierfähigkeiten
EntdeckenScikit-learn
10 Minuten, Programmierfähigkeiten
EntdeckenTensorFlow
10 Minuten, Programmierfähigkeiten
EntdeckenNutzen Sie den Test Multitask-Lernen (MTL) bei Ihrer nächsten Einstellung
Der Tarif Free umfasst 5 wichtige Tests; kostenpflichtige Tarife umfassen den Vollständige Testbibliothek.