Machine Learning / AI

Wie viele Werkzeuge hatte der ReAct-Agent?

Was war das Objekt des Zustands (TypedDict oder anderes)?

Wie haben diese vier Agenten im gemeinsamen Zustand geschrieben, um den Zustand der anderen nicht zu überschreiben?

Du hast gesagt, die Werkzeuge sind nur lesend, gab es keine Schreibzugriffe im System?

Warum wurde ein Multi-Agenten-System mit vier Agenten verwendet, anstatt eines einzelnen Agenten mit Werkzeugen (wie bei ReAct)? Welche Vorteile hat diese Aufteilung?

Was ist LoRA und wofür ist sie?

Wie wurde die Qualität der Generierung bewertet (nicht Retrieval)?

Wenn einer der Agenten einen Fehler machte, fiel dann das gesamte Diagramm aus oder erreichte den Zusammenfassungsagent zur Degradierung?

Wurde das Risiko der Prompt-Injection im ReAct-Agenten betrachtet und wie wurde dagegen vorgegangen?

Welche Hyperparameter von LoRA kennst du?

Wurden Token und Latenz bei einem Durchlauf gemessen, um die Kosten der Lösung zu bewerten?

Kann man den Retrieval-Teil vollständig nur mit einem Cross-Encoder bauen, ohne einen Bi-Encoder?

Wie teilt man richtig in Train, Val und Test für dokumentbasiertes NER?

Wie wurde die Verkürzung der Informationssuche gemessen (Metrik in Minuten)?

Was ist LayoutLM und wie unterscheidet es sich von BERT für Dokumente?

Erzähle mir von deinem Ansatz: Wie baust du die Architektur mit Hilfe von KI auf, wie validierst du den Code und schreibst Tests?

Welchen Ranker haben sie für das Reranking gewählt?

Erzählen Sie mir von sich und Ihrer relevanten technischen Erfahrung (Projekte im Bankwesen: ML-Modelle, Betrugsbekämpfung, RAG, Multi-Agenten-Systeme).

Warum wurde speziell das native Toolcalling verwendet, anstatt ein JSON-Schema im Prompt zu übergeben?

Was wurde in den Metadaten der Dokumente im Vektor-Speicher gespeichert?