Machine Learning / AI

Körülbelül hány token volt egy end-to-end átmenetben?

Milyen eszközt használtak a dokumentumok strukturált darabolásához?

Mi az osztálykiegyensúlyozatlanság az NER-ben, és hogyan kezeljük ezt?

Mik az előnyei és hátrányai a multi-agens megközelítésnek?

Milyen modellt használtak a ReAct-ügynök motorháza alatt, és miért pont azt választották?

Hány jelöltet küldtek a rerankerhez, és hányat vettek át utána?

API-n keresztül JSON-objektum vagy JSON-séma volt? Mi a különbség a használatban?

Mi a különbség a cross-encoder (ranker) és a bi-encoder között?

Hogyan kombinálták a BM25 értékeket és a sűrű beágyazásokat a rerankerhez (hibridizáció)?

Mesélj a RAG-ben lévő hibrid lekérdezésről — melyik modellt választottad a sűrű vektorokhoz?

Milyen chunkingot használtak, és milyen típusú dokumentumok voltak (Word, PDF, Excel stb.)?

A modell saját körvonalában volt, vagy külső API-n keresztül volt elérhető?

Miért a Qdrant-ot választottátok vektortárolásnak?

Hogyan validálta a függvényhívás argumentumait a végrehajtás előtt?

Írja le röviden, mit csinál mind a négy ügynök az end-to-end többügynökös rendszerben.

Ellenőrzöd később az AI-eszköz által generált kódot?

Milyen metrikákat lehet használni az NER értékelésére dokumentumokon?

Mit értesz hibán (a prompt megközelítésben)?

Hogyan dolgoztak a lekérdezésekkel a vektortárolóban (Qdrant), és milyen hatással voltak az ügynök késleltetésére?

Hogyan írtak ezek a négy ügynök a közös állapotba, hogy ne írják felül egymás állapotát?