Machine Learning / AI

Αν το εργαλείο (backend) έκανε λάθος (π.χ., timeout κατά την πρόσβαση στο σύστημα), μεταδίδονταν τα traceback σφάλματος στα μοντέλα;

Σε ποια δεδομένα μετρήθηκαν τα κριτήρια επιλογής μοντέλου;

Έχετε δοκιμάσει άλλα μοντέλα embedding;

Υπήρξε έλεγχος για διπλότυπα στο σύστημα σε περίπτωση σφάλματος μετά από επιτυχημένη εγγραφή (idempotency);

Ποιο ήταν το μέγεθος του κομματιού και έγινε overlap (επικάλυψη);

Με τι μετρήθηκαν τα metrics του retrive (ποιο dataset και εργαλείο);

Γιατί στο πολυ-πράκτορα σύστημα δεν χρησιμοποιήθηκε Human-in-the-Loop, μόνο στο ReAct;

Περιγράψτε τον κύκλο του πράκτορα ReAct: ποια ήταν τα βήματα και πώς τελείωνε ο κύκλος;

Πώς παρακολουθήσατε ολόκληρο το πολυ-πρακτορικό σύστημα — σε ποια στάδια εμφανίζονται σφάλματα, καθυστερήσεις κ.λπ.;

Ποιοι τύποι επισήμανσης για την εργασία NER γνωρίζεις; Με τι έχεις δουλέψει;

Σε όρους ταχύτητας, τι θα είναι πιο γρήγορο — ένας απλός πράκτορας με εργαλεία ή ένα σύστημα πολλαπλών πρακτόρων;

Ποιο ήταν το toolcalling: εγγενές ή μέσω prompt (parsing);

Σε ποιο μέρος (BM25 ή dense) οι τιμές δεν είναι κανονικοποιημένες;

Τι είναι το VLM (Μοντέλο Οπτικής Γλώσσας);

Χρησιμοποιήσατε ένα μοντέλο για όλους τους πράκτορες ή διαφορετικά;

Ποια είναι η διαφορά μεταξύ fine-tuning και few-shot prompting; Τι και πότε να επιλέξετε;

Πώς ανέφεραν τα μοντέλα ότι το επιχείρημα δεν είναι έγκυρο;

Και τι κάνατε αν το μοντέλο έδινε μια μη έγκυρη παράμετρο;

Υπήρχε παράλληλη εκτέλεση των πρακτόρων ή όλα ήταν διαδοχικά;

Πώς περιγράφατε τα εργαλεία; Ποιο είναι το γενικό φορμάτ και οι βασικές απαιτήσεις για την περιγραφή;