Machine Learning / AI

Hány eszköze volt a ReAct-ügynöknek?

Mi volt a state objektuma (TypedDict vagy más)?

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

Azt mondtad, hogy az eszközök csak olvasási módban vannak, nem volt írás a rendszerben?

Miért használtak négy ügynökből álló multi-ügynök rendszert, egy eszközökkel rendelkező egy ügynök helyett (az ReAct-hoz hasonlóan)? Milyen előnyei vannak ennek a felosztásnak?

Mi az a LoRA és miért van rá szükség?

Figyelembe vették a prompt injekció kockázatát a ReAct-ügynökben, és hogyan küzdöttek ellene?

Ha egyik ügynök hibázott, az egész grafikon összeomlott vagy eljutott a összegző ügynökhöz a degradációhoz?

Hogyan értékelték a generálás minőségét (nem retrieval)?

Milyen hiperparamétereket ismersz a LoRA-ból?

Mérték a tokeneket és a késleltetést egy átmenetben a megoldás költségének értékeléséhez?

Teljesen visszakeresési részt csak egy cross-encoderrel, bi-encoder nélkül lehet-e építeni?

Hogyan oszd el helyesen a train, validation és test adatokra dokumentum NER esetén?

Hogyan mérték az információkeresési idő csökkenését (percben mérve)?

Mi az a LayoutLM, és miben különbözik a dokumentumokhoz készült BERT-től?

Mesélj az megközelítésedről: hogyan építed fel az architektúrát AI segítségével, hogyan validálod a kódot és írsz teszteket?

Melyik rankert választották a rerankinghez?

Meséljen magáról és releváns technikai tapasztalatáról (banki szektor projektek: ML-modellek, csalás elleni védelem, RAG, multi-agens rendszerek).

Miért használták kifejezetten a natív toolcalling-ot ahelyett, hogy JSON-sémát adtak volna a promptba?

Mit írtak a dokumentumok metaadataiba a vektortárolóban?