Machine Learning / AI

Ինչպե՞ս եք հետևել ամբողջ բազմաակտորային համակարգին՝ որ փուլերում են առաջանում սխալներ, լատենտություն և այլն։

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

Կա՞ն արդյոք համակարգում կրկնօրինակի ստուգում հաջող գրանցումից հետո սխալի դեպքում (idempotency):

Ինչի վրա էին չափվում մոդելի ընտրության մետրիկները (համակարգը)?

Անցնե՞լ եք այլ embedding մոդելներ:

Ինչի վրա էին չափվում retrive մետրիկաները (որ տվյալների հավաքածու և գործիք)?

Ի՞նչ էր հատվածի չափը և արդյոք կար overlap (կապակցում):

Ինչու՞ բազմաակտորային համակարգում Human-in-the-Loop-ը չի օգտագործվել, միայն ReAct-ում։

Ի՞նչ է BERT-ը և ինչ խնդիրների վրա է նա ուսուցանվել:

Նկարագրեք ReAct գործակալի ցիկլը՝ ինչ քայլեր էին և ինչպես ավարտվում էր ցիկլը։

Ի՞նչ տեսակների նշումներ գիտես NER առաջադրանքի համար: Ինչի հետ էիր աշխատել?

Ի՞նչ է VLM (Նկարագրական Լեզվի Մոդելը)։

Տարածաշրջանային արագության տեսանկյունից, ինչը կլինի ավելի արագ — պարզ գործակալը գործիքներով կամ բազմագենտային համակարգը?

Որ մասում (BM25 կամ dense) արժեքները նորմալիզացված չեն?

Ի՞նչ էր toolcalling-ը՝ բնօրինակ կամ prompt-ի միջոցով (parsing):

Երբ մոդելը տրամադրում էր անվավեր արգումենտ, ինչ էինք անում?

Օգտագործե՞լ եք մեկ մոդել բոլոր գործակալների համար կամ տարբեր մոդելներ:

Ինչպես հաղորդեցին մոդելները, որ արկածը անվավեր է?

Ի՞նչ է տարբերությունը fine-tuning և few-shot prompting-ի միջև: Ինչ և երբ ընտրել?

Ինչպես եք նկարագրում գործիքները: Ինչ է ընդհանուր ձևաչափը և հիմնական պահանջները նկարագրության համար?