Machine Learning / AI

Hogyan tervezzünk olyan ügynököt, amely a tranzakciós adatbázis alapján válaszol a felhasználóknak: milyen technológiai stack és architektúra szükséges, és érdemes-e alkalmazni a multiagentitást?

Milyen optimalizációkat lehet javasolni a standard LLM inferenciájára, ha a vállalati GPT lassan működik?

Mi az a spekulatív dekódolás és hogyan gyorsítja a generálást?

Mi az MLP réteg kimeneti dimenziója?

Mi történik ezután a Transformer blokkban, miután a figyelem kimeneti vektort adott?

Mi az a MoE (Szakértők Keveréke), és miért lehet ez az architektúra előnyös az inferenciához?

Külön vizsgáld meg a prefill és decode-t: Q/K/V, mátrixformák és fázis különbségek.

Miért nem szabad vektoral RAG-ot használni fő mechanizmusként tranzakciós SQL-adatbázisokban?

Hogyan alakul általában egy ML/LLM alkalmazás útja a Dockerfile-tól és a forráskódtól a telepített szolgáltatáson és a felhasználói forgalmon át a Kubernetes-ben?

Helyes zárójelezési sorozat Tekintsünk egy olyan sorozatot, amely kerek, négyzetes és kapcsos zárójelekből áll '{', '}', '[', ']'. A programnak meg kell határoznia, hogy ez a zárójelezési sorozat helyes-e. - Egy üres sorozat helyes. - Ha A helyes sorozat, akkor (A), [A], {A} helyes. - Ha A és B helyes sorozatok, akkor az AB helyes. Bemeneti formátum: Egyetlen sorban írjuk be a zárójelezési sorozatot, amely nem haladja meg a 100000 zárójelet. Kimeneti formátum: Ha a sorozat helyes, a program 'yes'-t írjon ki, különben 'no'-t.

Token ID és embeddingek után pontosan mi kerül a decoderbe: milyen az ábrázolások formája, hogyan kerül hozzáadásra a pozíciós információ és mi történik ezután?

Mit csináltak a megfelelőséggel a RAG rendszerben?

Mit csinálnak a logitokkal a mintavételezés előtt, és milyen mintavételezési paramétereket ismersz?

Mit szoroz meg a Q-vektor dekódolás közben, és mi lesz az eredmény?

Milyen fontos témákat szeretnél kiemelni magadról vagy munkastílusodról a vezető számára?

Mit használtak a dokumentumok tisztítására és normalizálására: Redis vagy regex?

Milyen IDE-t vagy környezetet használsz AI-eszközökkel való munkához?

Milyen figyelmi típusok léteznek, amelyek lehetővé teszik a teljes önfigyelem négyzetes összetettségének elkerülését hosszú kontextusban?

Miért működhet gyorsabban a kvantált LLM, és miért lassítja néha a kvantálás éppen az inferenciát?

import unittest class Solution: def isvalid(self, s:str) -> bool: matching_brackets = { ")": "(", "]": "[", "}": "{", } stack: list[str] = [] for bracket in s: if bracket in "([{": stack.append(bracket) continue if bracket not in matching_brackets: return False if not stack or stack[-1] != matching_brackets[bracket]: return False stack.pop() return not stack class SolutionTest: def __init__(self): self.Solution = Solution() def run(self): test_cases = [ ("", True), ("()", True), ("(){}[]", True), ("(({}))", True), ("(", False), (")", False), ("(((", False), ("{[]}", False), ] for brackets, expected in test_cases: actual = self.Solution.isvalid(brackets) assert actual == expected, ( f"Hibás {brackets!r}" f"Vártuk {expected}, de kaptuk {actual}" ) print(f"Minden teszt sikeresen lefutott: {len(test_cases)}") if __name__ == "__main__": SolutionTest().run()