Machine Learning / AI

Մոտավորապես քանի տոքեն էր մեկ անցում end-to-end-ով?

Ի՞նչ գործիքով կատարվեց փաստաթղթերի կառուցվածքային բաժանումը։

Ի՞նչ մոդել է օգտագործվել ReAct-գործակալի ծածկույթի տակ և ինչու հենց այդ մոդելը ընտրեցիք։

Ի՞նչ է դասերի անհավասարակշռությունը NER-ում և ինչպես աշխատել դրա հետ:

Ի՞նչ թերություններ ունի բազմաակտորային մոտեցումը։

Որքան թեկնածու ուղարկեցին ռեանկերին և քանի՞ն վերցրին նրա հետո։

Խոսիր ինձ հիբրիդային retrieval-ի մասին RAG-ում — որ մոդել ես ընտրել խիտ վեկտորների համար?

Ի՞նչն է տարբերությունը կросս-ենկոդեր (ռենկեր) և բի-ենկոդեր միջև։

Ինչպե՞ս էին համակցվում BM25 արժեքներն ու խիտ embeddings-ները reranker-ին փոխանցելուց առաջ (հիբրիդացում):

API-ի միջոցով դա JSON օբյեկտ էր թե JSON շեմա? Ի՞նչ տարբերություն է օգտագործման մեջ։

Ի՞նչ տեսակ(chunking) է օգտագործվել և ինչպիսի՞ փաստաթղթեր էին (Word, PDF, Excel և այլն):

Մոդելը իր կոնտուրում էր, թե անցնում էր արտաքին API-ով?

Ինչու եք ընտրել Qdrant որպես վեկտորային պահեստ?

Ինչպե՞ս վավերացրեցիք ֆունկցիայի կանչի արգումենտները գործարկումից առաջ։

Կարճ նկարագրեք, թե ինչ է անում յուրաքանչյուր չորս գործակալներից շատերը համակարգի վերջից մինչև վերջ։

Դու հետո ստուգո՞ւմ ես AI-գործի կողմից ստեղծված կոդը։

Որ մեթոդները կարելի է օգտագործել NER-ի գնահատման համար փաստաթղթերում?

Ինչպե՞ս եք աշխատել վեկտորային պահեստում (Qdrant) հարցումների հետ և դրանց ազդեցությունը գործակալության լատենտության վրա:

Ինչն ես հասկանում սխալից (prompt մոտեցումում)?

Ի՞նչքան գործիքներ էր ունեցել ReAct-գործակալը: