Machine Learning / AI

Hogyan működik a tokenizálás? Miért használnak subword-tokeneket a teljes szavak helyett?

Beszélj a BGE-M3-ról: három reprezentáció — sűrű, ritka, több-vektoros.

Mi az a Recall és Precision? Feladat: 50 gyümölcs, 30 alma és 20 körte, egy robot helyesen talált 20 almát, de 15 körtét tévesen almának azonosított. Számolja ki a metrikákat.

Ismeri a LoRA-t és a finomhangolási módszereket?

Hogyan választották ki a hibrid kereséshez a koefficienseket?

Miért volt szükséged 12 000 kérdés-válasz párra, ha csak 15 sablon volt?

Miért ismerted fel a dokumentumokat képként, és nem készítettél parse-t?

Hogyan alakítottad ki a tesztkészletet: ugyanabból a 12 ezer párból vagy új adatokból?

Meséljen a klaszterezésről: milyen problémát oldottak meg, milyen módszert használtak, hogyan mérték a minőséget?

Mi az a sűrű vektor (dense embedding)? Hogyan jön létre? Mekkora a mérete?

Hogyan működik egy transzformer? Mesélj a BERT-ről és a GPT-ről.

Milyen modelleket használtak minden szakaszban? Entitáskivonásra, vektorizálásra, generálásra?

Hogyan értékelte a RAG rendszer minőségét? Milyen metrikákat használt?

Mi az a cross-encoder, és hol használta?

Mit küldött végfelhasználónak a rendszerében?

Miért kell csökkenteni a szótár méretét? Miért rossz egy nagy szótár? Melyik funkcióban történik a terhelés?

Mi a különbség a GET és POST kérések között?

Mi az a sparse-vektor? Miben különbözik a dense-vektortól?

Magyarázd el egyszerű szavakkal, hogyan működik a rendszered egy felhasználó számára, aszinkronitás nélkül.

Egy kéréshez megfelel az egyik 12 ezer válasz vagy több?