Machine Learning / AI

Πόσα εργαλεία είχε ο πράκτορας ReAct;

Ποιο ήταν το αντικείμενο του state (TypedDict ή άλλο);

Πώς έγραφαν αυτοί οι τέσσερις πράκτορες στην κοινή κατάσταση ώστε να μην αντικαταστήσουν η μία την κατάσταση της άλλης;

Είπες ότι τα εργαλεία ήταν μόνο σε λειτουργία ανάγνωσης, δεν υπήρχε εγγραφή στο σύστημα;

Γιατί χρησιμοποιήσατε ένα σύστημα πολλαπλών πρακτόρων με τέσσερις πράκτορες, αντί για έναν μόνο πράκτορα με εργαλεία (όπως το ReAct); Ποια είναι τα πλεονεκτήματα αυτής της διαίρεσης;

Τι είναι το LoRA και γιατί χρειάζεται;

Εξετάσατε τον κίνδυνο εισαγωγής prompt στον πράκτορα ReAct και πώς αντιμετωπίσατε αυτό;

Αν ένας από τους πράκτορες έκανε λάθος, όλο το γράφημα απέτυχε ή έφτανε μέχρι τον συνοπτικό πράκτορα για υποβάθμιση;

Πώς αξιολογήσατε την ποιότητα της γενιάς (όχι retrieval);

Ποια υπερπαραμέτρους του LoRA γνωρίζετε;

Μετρήθηκαν τα tokens και η καθυστέρηση σε μια μόνο διέλευση για να εκτιμηθεί το κόστος της λύσης;

Μπορεί να χτιστεί πλήρως το μέρος ανάκτησης μόνο με έναν cross-encoder, χωρίς bi-encoder;

Πώς γίνεται σωστά η διαίρεση σε train, validation και test για το document NER;

Πώς μέτρησαν τη μείωση του χρόνου αναζήτησης πληροφοριών (μετρική σε λεπτά);

Τι είναι το LayoutLM και πώς διαφέρει από το BERT για έγγραφα;

Πες μου για την προσέγγισή σου: πώς χτίζεις την αρχιτεκτονική με τη βοήθεια της ΤΝ, πώς επικυρώνεις τον κώδικα και γράφεις δοκιμές;

Ποιον ranker επέλεξαν για το reranking;

Πες μας για τον εαυτό σου και την σχετική τεχνική εμπειρία σου (έργα στον τραπεζικό τομέα: μοντέλα ML, αντι-απάτη, RAG, συστήματα πολλαπλών πρακτόρων).

Γιατί χρησιμοποιήθηκε συγκεκριμένα το native toolcalling αντί να περάσουμε ένα σχήμα JSON στο prompt;

Τι καταγραφόταν στα μεταδεδομένα των εγγράφων στην διανυσματική αποθήκευση;