Machine Learning / AI

Combien y avait-il environ de jetons lors d'une passe de bout en bout?

Quel outil a été utilisé pour le découpage structurel des documents?

Quel modèle a été utilisé sous le capot de l'agent ReAct et pourquoi l'avez-vous choisi en particulier?

Qu'est-ce que le déséquilibre de classes en NER et comment y faire face?

Quels sont les inconvénients de l'approche multi-agents?

Combien de candidats ont été envoyés au reranker et combien ont été sélectionnés après lui?

Quelle est la différence entre un cross-encoder (ranker) et un bi-encoder?

Parle-moi de la récupération hybride dans RAG — quel modèle as-tu choisi pour les vecteurs denses?

Était-ce un JSON-objet ou un schéma JSON via l'API ? Quelle est la différence dans l'utilisation ?

Comment les valeurs BM25 et les embeddings denses ont-ils été fusionnés avant d'être transmis au reranker (hybridation) ?

Quel type de regroupement a été utilisé et quels étaient ces documents (Word, PDF, Excel, etc.)?

Le modèle était-il dans son propre contour ou passait-il par une API externe?

Pourquoi avoir choisi Qdrant comme stockage vectoriel?

Comment avez-vous validé les arguments de l'appel de la fonction avant son exécution?

Décrivez brièvement ce que fait chacun des quatre agents du système multi-agents de bout en bout.

Vérifies-tu ensuite le code généré par l'outil d'IA?

Quelles métriques peuvent être utilisées pour évaluer le NER sur des documents?

Que entends-tu par erreur (dans l'approche par prompt) ?

Comment avez-vous travaillé avec les requêtes dans le stockage vectoriel (Qdrant) et leur impact sur la latence de l'agent?

Combien d'outils avait l'agent ReAct?