Machine Learning / AI

Kolik přibližně bylo tokenů na jeden průchod end-to-end?

Jakým nástrojem se prováděl strukturální chunking dokumentů?

Jaké jsou nevýhody přístupu s více agenty?

Co je nerovnováha tříd v NER a jak s tím pracovat?

Jaký model byl použit pod kapotou agenta ReAct a proč právě ten?

Kolik kandidátů poslali do rerankera a kolik jich vzali po něm?

Jak byly hodnoty BM25 a husté vnoření sloučeny před předáním do rerankera (hybridizace)?

Byl to JSON objekt nebo JSON schéma přes API? Jaký je rozdíl v použití?

Proč jste si vybrali Qdrant jako vektorové úložiště?

Jaké chunkování bylo použito a o jaké dokumenty šlo (Word, PDF, Excel atd.)?

Pověz mi o hybridním retrieval v RAG — jaký model jsi zvolil pro husté vektory?

Čím se liší cross-encoder (ranker) od bi-encoderu?

Pak kontrolujete kód, který vygeneroval AI nástroj?

Byl model ve svém vlastním konturu nebo šel přes externí API?

Stručně popište, co dělá každý ze čtyř agentů systému multiagentního end-to-end.

Jak jste ověřili argumenty volání funkce před jejím provedením?

Jaké metriky lze použít k hodnocení NER na dokumentech?

Jak jste pracovali s dotazy ve vektorovém úložišti (Qdrant) a jaký vliv měly na latenci agenta?

Co používáte pro rychlé prototypování kódových agentů? Jak využíváte AI ve vývoji?

Co myslíš pod chybou (při přístupu s promptem)?