Machine Learning / AI

Ի՞նչքան գործիքներ էր ունեցել ReAct-գործակալը:

Ի՞նչ էր state օբյեկտը (TypedDict կամ այլ):

Ինչպես են այս չորս գործակալները գրել ընդհանուր վիճակում, որպեսզի մի չթողնեն մյուսների վիճակը?

Դու ասել էիր, որ գործիքները միայն կարդալու են — արդյոք համակարգում գրանցում չի եղել?

Ինչու եք օգտագործել չորս գործակալից բաղկացած բազմագենտային համակարգ, ոչ թե մեկ գործակալ և գործիքներ (օրինակ ReAct-ի նման)? Ինչ առավելություններ ունի այդ բաժանումը?

Ի՞նչ է LoRA-ն և ինչու է դա անհրաժեշտ:

Եթե մեկ գործակալ սխալ էր թույլ տալիս, ամբողջ գրաֆիկը ընկնում էր կամ հասնում էր ամփոփող գործակալի համար նվազեցման?

Ինչպե՞ս եք գնահատել սերնդի որակը (ոչ retrieval):

Ի՞նչ հիպերպարամետրեր էք գիտակցում LoRA-ի մասին։

Արդյոք քննարկվեց prompt injection ռիսկը ReAct-գործակալում և ինչպես պայքարեցին դրա դեմ?

Տոկենների և լատենտության չափում կատարվեց մեկ անցումով՝ լուծման արժեքը գնահատելու համար։

Կարո՞ղ է ամբողջությամբ կառուցել որոնման մասը միայն կросս-ենկոդերով, առանց bi-encoder-ի։

Ինչպես ճիշտ բաժանել train, val և test՝ փաստաթղթային NER-ի համար։

Ինչպե՞ս չափեցին տեղեկատվության որոնման ժամանակի կրճատումը (մետрика՝րոպեներով):

Իմացեք ձեր մոտեցման մասին՝ ինչպես կառուցում եք ճարտարապետությունը AI-ի օգնությամբ, ինչպես վավերացնում եք կոդը և գրում եք թեստեր։

Ի՞նչ է LayoutLM-ը և ինչպե՞ս է տարբերվում փաստաթղթերի համար նախատեսված BERT-ից։

Ինչու հենց տեղական toolcalling- ը օգտագործվեց, ոչ թե JSON սխեմայի փոխանցումը պրոմպտում?

Որ ranker- ը ընտրվեց reranking-ի համար?

Իմացեք ձեր մասին և ձեր համապատասխան տեխնիկական փորձառության մասին (ծառայություններ բանկային ոլորտում՝ ML մոդելներ, հակաարագ, RAG, բազմաակտորային համակարգեր):

Եթե գործիքը (backend) ինքն էր սխալվում (օրինակ, ժամանակի ավարտը համակարգին դիմելիս), փոխանցվո՞ւմ էին սխալի traceback-ները մոդելներին։