Machine Learning / AI

¿Cuántas herramientas tenía el agente ReAct?

¿Cuál fue el objeto de state (TypedDict u otro)?

¿Cómo escribieron estos cuatro agentes en el estado general para no sobrescribir el estado de los demás?

Dijiste que las herramientas eran solo de solo lectura, ¿no había escritura en el sistema?

¿Se consideró el riesgo de inyección de prompts en el agente ReAct y cómo se abordó?

¿Por qué utilizaron un sistema multiagente de cuatro agentes en lugar de un solo agente con herramientas (como en ReAct)? ¿Cuáles son las ventajas de esta división?

¿Qué es LoRA y para qué sirve?

¿Cómo evaluaron la calidad de la generación (no retriev)?

¿Si uno de los agentes cometía un error, todo el gráfico fallaba o llegaba hasta el agente de resumen para la degradación?

¿Cómo dividir correctamente en train, val y test para NER de documentos?

¿Qué hiperparámetros de LoRA conoces?

¿Se midieron los tokens y la latencia en una sola pasada para evaluar el costo de la solución?

¿Se puede construir completamente la parte de recuperación solo con un codificador cruzado, sin bi-encoder?

¿Cómo midieron la reducción en el tiempo de búsqueda de información (métrica en minutos)?

¿Qué es LayoutLM y en qué se diferencia de BERT para documentos?

Cuéntame sobre tu enfoque: ¿cómo construyes la arquitectura con ayuda de la IA, cómo validas el código y escribes pruebas?

¿Qué ranker eligieron para el reranking?

Cuéntame sobre ti y tu experiencia técnica relevante (proyectos en el dominio bancario: modelos ML, anti-fraude, RAG, sistemas multiagente).

¿Por qué utilizaron específicamente toolcalling nativo en lugar de pasar un esquema JSON en el prompt?

¿Qué se registraba en los metadatos de los documentos en el almacenamiento vectorial?