Machine Learning / AI

Πώς λειτουργεί η τυποποίηση; Γιατί χρησιμοποιούνται υπολέξεις αντί για ολόκληρες λέξεις;

Μίλησε για το BGE-M3: τρεις αναπαραστάσεις — πυκνή, αραιή, πολλαπλών διανυσμάτων.

Τι είναι το Recall και το Precision; Πρόβλημα: 50 φρούτα, 30 μήλα και 20 αχλάδια, ένα ρομπότ βρήκε σωστά 20 μήλα, αλλά αναγνώρισε λανθασμένα 15 αχλάδια ως μήλα. Υπολογίστε τις μετρικές.

Είστε εξοικειωμένοι με το LoRA και τις μεθόδους fine-tuning;

Πώς επιλέχθηκαν οι συντελεστές για την υβριδική αναζήτηση;

Γιατί χρειάζεστε 12.000 ζεύγη ερώτησης-απάντησης, αν υπήρχαν μόνο 15 πρότυπα;

Γιατί αναγνωρίσατε τα έγγραφα ως εικόνες αντί να δημιουργήσετε έναν αναλυτή;

Πώς διαμορφώσατε το σύνολο δοκιμών: από τα ίδια 12.000 ζεύγη ή από νέα δεδομένα;

Πείτε μας για την ομαδοποίηση: ποιο πρόβλημα λύσατε, ποια μέθοδο χρησιμοποιήσατε, πώς μετρήσατε την ποιότητα;

Τι είναι ένα πυκνό διάνυσμα (dense embedding); Πώς προκύπτει; Ποιο είναι το μέγεθός του;

Πώς λειτουργεί ένας μετασχηματιστής; Μίλησέ μου για το BERT και το GPT.

Ποια μοντέλα χρησιμοποιήθηκαν σε κάθε στάδιο; Για την εξαγωγή οντοτήτων, για την διανυσματοποίηση, για τη γεννήτρια;

Πώς αξιολογήσατε την ποιότητα του συστήματος RAG; Ποιες μετρήσεις χρησιμοποιήσατε;

Τι αποστέλλονταν στον τελικό χρήστη στο σύστημά σας;

Τι είναι ένας cross-encoder και πού τον χρησιμοποιήσατε;

Γιατί πρέπει να μειωθεί το μέγεθος του λεξικού; Τι κακό έχει ένα μεγάλο λεξικό; Σε ποια λειτουργία γίνεται το φορτίο;

Ποια είναι η διαφορά μεταξύ των αιτημάτων GET και POST;

Τι είναι ένας αραιός διανυσματικός; Πώς διαφέρει από έναν πυκνό;

Εξηγήστε με απλά λόγια πώς λειτουργεί το σύστημά σας για έναν χρήστη, χωρίς ασynchronία.

Για ένα ερώτημα, ταιριάζει μία από τις 12.000 απαντήσεις ή πολλές;