Machine Learning / AI
Что было объектом state (TypedDict или другое)?
Использовали одну модель на всех агентов или разные?
Если один из агентов ошибался, весь граф падал или доходил до summary agent для деградации?
Что сейчас ищешь? Что важно по условиям и задачам?
Про опыт из ПИК: NLP-классификатор обращений подрядчиков/инженеров. Много ли было обращений?
Можешь вкратце сказать, чему ценному там научился (в проекте с обращениями/OCR)?
Модель была в своём контуре или ходили по внешнему API?
Почему использовали мультиагентную систему из четырёх агентов, а не одного агента с инструментами (по аналогии с ReAct)? Какие плюсы такого разделения?
Почему перешёл из ПИК в ДОМ.РФ?
Сколько кандидатов отправляли в reranker и сколько забирали после него?
Как часто пишешь код на Python, бэкенд? (в контексте будущих задач в компании)
Какие минусы у мультиагентного подхода?
Тестировали ли другие embedding-модели?
Расскажи про опыт удалённой работы — везде удалённо или были офисы?
Почему нельзя просто сложить скоры BM25 и dense-эмбеддинга?
Ты указываешь опыт с трансформерами — что конкретно делали с архитектурой трансформеров в RAG?
В чём наибольшую уверенность, экспертность свою чувствуешь, учитывая широкий стек?
Есть 100 монеток, одна из них фальшивая — с двумя орлами с обеих сторон. Мы выбираем случайную монетку, подбрасываем её, и выпадает орёл. Какова вероятность, что монетка фальшивая? Распишите решение (по формуле Байеса).
Ozon FreshКто в команде принимал архитектурные решения, сколько ML-разработчиков, с кем взаимодействовал?
Почему вы выбрали Qdrant как основную базу данных?