Machine Learning / AI
Se fossi un team leader che decide come i processi si svolgeranno in diversi team che sviluppano bot simili, scriveresti ciascuno il proprio servizio nelle proprie librerie, o consolidaresti tutto in una sola soluzione?
Ci sono state altre difficoltà tecniche con le allucinazioni?
Cosa stai cercando adesso, con cosa sarebbe interessante lavorare?
Supponiamo che lì debba esserci un insieme di strumenti (le richieste possono differire per campi e nomi). Come dovremmo farlo al meglio, implementarlo / inserirlo nel contesto?
In quale modo la LLM classifica la richiesta — cosa restituisce esattamente per la scelta dello scenario?
Hai esperienza con colloqui con l'IA?
```python import asyncio import time async def work(): await asyncio.sleep(1) async def main(): start = time.perf_counter() await asyncio.gather(*(work() for _ in range(5))) print("Tempo totale:", time.perf_counter() - start) asyncio.run(main()) ``` ```python import time def work(): time.sleep(1) start = time.perf_counter() for _ in range(5): work() print("Tempo totale:", time.perf_counter() - start) ```
Perché proponi CatBoost per questo compito?
Dopo l'ID del token e gli embedding, cosa entra esattamente nel decoder: qual è la forma delle rappresentazioni, come viene aggiunta l'informazione posizionale e cosa succede dopo?
Sequenza di parentesi corretta Consideriamo una sequenza composta da parentesi tonde, quadre e graffe '{', '}', '[', ']'. Il programma deve determinare se questa sequenza di parentesi è corretta. - Una sequenza vuota è corretta. - Se A è una sequenza corretta, allora (A), [A], {A} sono corretti. - Se A e B sono sequenze corrette, allora AB è corretta. Formato di input: In una sola riga si inserisce la sequenza di parentesi, contenente non più di 100000 parentesi. Formato di output: Se la sequenza è corretta, il programma deve mostrare 'yes', altrimenti 'no'.
Indica i metodi classici di ottenimento di embedding di parole (Word2Vec, FastText, TF-IDF, N-grammi, ecc.).
Come risolveresti ora (con le tue conoscenze attuali) il problema della classificazione e del routing delle richieste in un service desk, utilizzando un approccio multilivello: rule-based → ML → fallback LLM → umano? Nomina tecnologie, modelli e metriche specifiche.
Per favore, ci racconti di che tipo di progetto si trattava esattamente e quali erano le sue mansioni.
Cos'è il metodo isalnum() e in cosa si differisce da isalpha()?
Come condurresti un esperimento: solo con dati storici o tramite un test A/B in produzione?
Qual è stata la principale fonte di errori?
Quanto spesso scrivi codice in Python, backend? (nel contesto delle future attività in azienda)
Parlami di te: cosa hai fatto, cosa vuoi fare, la tua esperienza.
Come sono stati scelti i coefficienti per la ricerca ibrida?
Come cercheresti la tabella con i dati del cliente, del direttore dell'azienda e il suo campo, se non sai dove si trovano questi dati e non c'è nessuno a cui chiedere?