Machine Learning / AI

Quanti token c'erano circa in un passaggio end-to-end?

Quale strumento è stato usato per il chunking strutturale dei documenti?

Quali sono gli svantaggi dell'approccio multi-agente?

Cos'è il squilibrio di classe in NER e come gestirlo?

Quale modello è stato usato sotto il cofano dell'agente ReAct e perché è stato scelto proprio quello?

Quanti candidati sono stati inviati al reranker e quanti sono stati presi dopo di lui?

Come sono stati combinati i valori di BM25 e gli embedding densi prima di passarli al reranker (ibridazione)?

È stato un JSON oggetto o uno schema JSON tramite l'API? Qual è la differenza nell'uso?

Perché hai scelto Qdrant come archiviazione vettoriale?

Quale chunking è stato utilizzato e che tipo di documenti erano (Word, PDF, Excel, ecc.)?

Parlami di retrieval ibrido in RAG — quale modello hai scelto per i vettori densi?

Qual è la differenza tra un cross-encoder (ranker) e un bi-encoder?

Poi controlli il codice generato dallo strumento AI?

Il modello era nel suo contorno o si accedeva tramite un'API esterna?

Descrivi brevemente cosa fa ciascuno dei quattro agenti del sistema multi-agente end-to-end.

Come hai validato gli argomenti della chiamata della funzione prima dell'esecuzione?

Quali metriche possono essere utilizzate per valutare NER sui documenti?

Come avete lavorato con le query nel deposito vettoriale (Qdrant) e il loro impatto sulla latenza dell'agente?

Cosa usi per il rapido prototiping di agenti di codice? Come usi l'IA nello sviluppo?

Cosa intendi per errore (nell'approccio prompt)?