Machine Learning / AI
Για την εμπειρία από την PIK: NLP ταξινομητής αιτήσεων εργολάβων/μηχανικών. Ήταν πολλές οι αιτήσεις;
Τι ψάχνεις τώρα; Τι είναι σημαντικό όσον αφορά τους όρους και τις εργασίες;
Τι είναι το LoRA;
Ποιο όριο σφάλματος πρέπει να χρησιμοποιηθεί για να σταματήσει η εκπαίδευση;
Πώς να προσεγγίσουμε την προεπεξεργασία του συνόλου δεδομένων;
Ελέγχεις μετά τον κώδικα που δημιούργησε το εργαλείο AI;
Γιατί πρέπει να μειωθεί το μέγεθος του λεξικού; Τι κακό έχει ένα μεγάλο λεξικό; Σε ποια λειτουργία γίνεται το φορτίο;
Μπορεί το BERT να χρησιμοποιηθεί μαζί με έναν ταξινομητή για την εργασία ταξινόμησης;
Τι είναι το stride και το padding; Πώς επηρεάζουν το μέγεθος της εξόδου της συνελίξεως;
Πείτε μας για την αρχιτεκτονική του μετασχηματιστή: encoder-decoder, τι συμβαίνει μέσα στον decoder;
Πώς υπολογίζουμε την πιθανότητα ασθένειας με θετικό τεστ λαμβάνοντας υπόψη την ευαισθησία και την ειδικότητα;
Τι είναι το fastembed και γιατί είναι βολικό για το πρωτότυπο;
Ποια μορφή συμπίεσης (δυαδική, διακριτή ποσοτικοποίηση) υπάρχουν στο VDB;
Τι είναι το dropout και πώς υλοποιείται;
Τι είναι το LangGraph και γιατί να χτίσουμε μια μηχανή καταστάσεων για τους πράκτορες;
Ποιες προστασίες εφαρμόζονται (φίλτρα εισόδου/εξόδου, ενίσχυση του συστήματος prompt, προστατευτικά όρια);
Τι είναι τα μοντέλα foundation στην ιατρική (MedSAM, RadGraph);
Εξασφαλίζει ένα τυχαίο δάσος προβλέψεις εντός ενός καθορισμένου εύρους, εάν ένα μεμονωμένο δέντρο δεν υπερβαίνει το εκπαιδευτικό δείγμα;
Ποιες τεχνικές prompt engineering εφαρμόσατε (few-shot, role, CoT, ReAct);
Ποιες είναι οι επιλογές ανταλλαγής δεδομένων μεταξύ του πελάτη και του εσωτερικού κύκλου της εταιρείας;